Gemini 4 Carbon vs Grok 4.7: la lista de precios dice 3x, la factura no dice nada

Gemini 4 Carbon tiene un precio de lista de $10 por millón de tokens de salida. Grok 4.7 tiene un precio de lista de $6. Con las dos cifras que todas las páginas de precios destacan en negrita, Carbon cuesta dos tercios más por hablar y el doble por leer, y la conclusión obvia es que Grok 4.7 es la opción con mejor relación calidad-precio. Luego se mide cuánto cuesta una tarea terminada, y los dos modelos quedan a un centavo de diferencia: $7.76 para Gemini 4 Carbon frente a $7.77 para Grok 4.7 en el Intelligence Index de Artificial Analysis. La misma factura, veinticinco puntos de índice de capacidad de diferencia entre ellos. Ese es todo el argumento de esta comparación, y no es algo que la tarifa de precios de ninguno de los dos proveedores pueda mostrarle.

El momento importa para cómo interpretas el resto. Gemini 4 Carbon pasó a ser invocable en la API de pago de Gemini el 10 de noviembre de 2026, doce días después de que Google lo anunciara a un grupo cerrado. Grok 4.7 se lanzó desde xAI el 21 de septiembre de 2026 y ha sido enrutable desde entonces. Uno lleva una semana en manos del público; el otro tiene siete semanas de uso en producción a sus espaldas.

Dos tarjetas de tarifas que parecen más distantes de lo que en realidad están.

Empieza por la estructura sin procesar, porque la estratificación es donde ambos divergen en la práctica.

Precio de salida — Carbon: 10 USD por millón hasta el 30 de noviembre de 2026; después, 20 USD. Grok 4.7: 6 USD por millón para menos de 200.000 tokens de entrada; después, 12 USD.

• Precio de entrada — Carbon 2 $, luego 4 $ a partir del 1 de diciembre. Grok 4.7 2 $, subiendo a 4 $ por encima de la línea de 200k. Estructura idéntica, números idénticos, fechas distintas asociadas.

• Entrada en caché — Carbon $0.10 por millón ahora, $0.20 a partir del 1 de diciembre, solo caché implícita. Grok 4.7 $0.50, pasando a $1.00 en prompts largos, con un 75% de descuento sobre la tarifa nueva.

Contexto — Carbon 1.048.576 tokens. Grok 4.7, 500.000. Carbon tiene una ventana el doble de grande.

• Límite de salida: Carbon 65.536 tokens de forma síncrona, hasta 1.048.576 con decodificación larga. Grok 4.7 hasta 450.000. En la práctica, Grok escribe respuestas más largas en una sola llamada que Carbon de forma predeterminada.

• Modalidad de entrada — Carbon acepta texto, imagen, audio, video y PDF. Grok 4.7 acepta texto, imagen y archivo.

• Pesos — ambos cerrados. Ninguno puede autoalojarse, así que ambos conllevan la misma exposición al riesgo del proveedor.

• Esfuerzo de razonamiento — Carbon thinking en bajo, medio y alto; Grok 4.7 en bajo, alto y xhigh. Las cifras publicadas se citan en alto y xhigh, respectivamente, y eso es lo primero que hay que comprobar antes de copiar cualquier puntuación de titular.

Dos asimetrías de esa lista tienen un efecto real. El contexto de 1 M de Carbon es el doble que el de Grok, lo que importa para el trabajo con repositorios completos o con varios documentos. El techo de salida de 450 K de Grok es siete veces el límite síncrono de Carbon, lo que importa si el entregable es largo en sí mismo: un informe generado, un archivo migrado, una serie larga de parches. Un modelo que puede contener un millón de tokens de entrada pero solo devolver 65 K no es un modelo de salida larga, por mucho que la ventana de contexto luzca en una ficha técnica.

El número que reconcilia los dos precios

Artificial Analysis evalúa ambos modelos con el mismo índice de nueve evaluaciones, versión v5.0.1, y publica un coste por tarea del índice que incluye cuántos tokens gasta realmente cada modelo en completar el trabajo. Esa medición es la razón por la que esta comparación no va en la dirección que sugiere la lista de tarifas.

• Índice de Inteligencia — Gemini 4 Carbon 60 con esfuerzo alto, cuarto de 74. Grok 4.7 35 con xhigh, cuadragésimo primero de 74. Las configuraciones media y baja de Carbon obtienen 58 y 54; las configuraciones alta y baja de Grok se sitúan ambas en 35 y 31.

• Coste por tarea de indexación — Carbon 7,76 $, Grok 7,77 $. Con un centavo de diferencia, a favor del modelo más caro.

• Tokens de salida en el índice — Carbon 205 millones, Grok 148 millones, frente a una mediana de 72,8 millones.

• Tiempo por tarea de indexación — Carbon 25,6 minutos, Grok 25,9 minutos. De nuevo, a la par.

• Velocidad de salida — Carbon 80 tokens por segundo, Grok 67. Carbon es el generador más rápido a pesar de ser el más caro.

• Tiempo hasta el primer token de respuesta: Carbon 66,85 segundos, Grok 53,64 segundos. Ambos están muy por fuera de la mediana de 12 segundos para su gama de precios, y Grok es el más rápido de los dos en empezar.

La reconciliación es verbosidad, no descuento. Carbon emite un 39 % más de tokens de salida por tarea que Grok, y su precio de salida es un 67 % más alto; aun así, el coste total por tarea se mantiene dentro de un centavo porque el precio por token de Grok no es el único factor que entra en la factura: el volumen de entrada, los tokens de razonamiento y la forma de cada tarea también contribuyen. Sea cual sea la descomposición exacta, la lectura práctica es la que sobreviviría a cualquier recálculo: una comparación por token entre estos dos modelos no dice casi nada sobre lo que cuesta una carga de trabajo, y los precios de referencia de ambos proveedores difieren más de lo que difiere su coste medido por resultado.

Veinticinco puntos no son veinticinco puntos en todas partes.

Una brecha compuesta de este tamaño suele sobrevivir a la descomposición; la cuestión es dónde sí y dónde no. Tres advertencias antes de que alguien presupueste con base en 60 frente a 35.

El primero es el esfuerzo. El 60 de Carbon está con esfuerzo alto, el 35 de Grok en xhigh. Ambas son las configuraciones preferidas de los proveedores en lugar de configuraciones equiparables, así que la comparación es entre cada modelo ejecutado como su fabricante pretende, no con el mismo cómputo. Baja cualquiera de los dos y la brecha se estrecha o se amplía según qué extremo muevas: Carbon en low es 54, Grok en low es 31.

El segundo es que el índice v5.0.1 es una mezcla de nueve evaluaciones, y el panel no publica puntuaciones por benchmark para ninguno de los dos modelos: todos los subgráficos de ambas páginas dicen «No hay API disponible públicamente». Así que la afirmación honesta es que Carbon gana el compuesto por 25 puntos y que actualmente nadie fuera de Artificial Analysis puede decir cuál de las nueve evaluaciones produjo ese margen. Cualquiera que publique un desglose por benchmark de este par o bien está citando a un proveedor o bien se lo está inventando.

El tercero es que el índice es un solo instrumento. Es uno bueno, revisado recientemente y aplicado de forma consistente a ambos modelos, pero no es una decisión de producto. Un modelo que pierde 25 puntos compuestos todavía puede ganar la tarea que usted tiene, y las dos secciones siguientes tratan sobre los casos en los que lo hace.

Dónde Grok 4.7 gana de forma contundente

Tres de ellos, y el primero no es un punto de referencia.

Madurez. Grok 4.7 lleva siete semanas disponible de forma general. Gemini 4 Carbon lleva un solo día pudiendo invocarse, tras un despliegue que cambió de forma dos veces en dos semanas: anuncio restringido el 28 de octubre, API de pago el 10 de noviembre y duplicación del precio el 1 de diciembre. Un equipo que necesite que un modelo siga siendo lo mismo el próximo trimestre tiene, en este momento, exactamente una opción en este par con historial contrastado.

Salida larga en una sola llamada. 450.000 tokens frente a 65.536 en modo síncrono. Si la tarea es "escribir el archivo completo" en lugar de "responder a la pregunta", el límite máximo lo decide antes que el índice.

Certeza sobre el coste en prompts largos, si tu entrada es pequeña. El escalón de Grok a $4/$12 solo se activa por encima de 200.000 tokens de entrada, y por debajo de ese umbral su tarifa de salida de $6 es un tercio de los $20 de Carbon posteriores a diciembre. Para una carga de trabajo con entrada moderada y salida intensiva —resumen, redacción, transformación—, la aritmética sí favorece a Grok, y el coste casi idéntico por tarea de indexación es una afirmación sobre esa mezcla concreta de nueve evaluaciones, no una ley universal.

Frente a eso, la entrada en caché de Grok a 0,50 $ por millón es cinco veces los 0,10 $ actuales de Carbon. Para una canalización RAG que reenvía el mismo corpus de 100.000 tokens en cada llamada, esa sola línea puede pesar más que todo lo anterior. Esta es la forma más común en que un equipo elige el modelo equivocado entre estos dos: comparan las tarifas de salida y nunca calculan la economía de caché según la forma de su propio tráfico.

Dónde Carbon merece la pena

El argumento a favor de Carbon es más limitado de lo que sugiere su puntuación en el índice y más sólido de lo que indica su precio.

Ingesta multimodal.La entrada de audio y vídeo es el separador más claro de toda esta comparación. Carbon procesa ambas; Grok 4.7 no incluye ninguna de las dos. Una canalización que tenga que ver una grabación de pantalla o transcribir y razonar sobre una llamada tiene un solo candidato aquí, y ninguna cantidad de puntos de índice cierra esa brecha.

Trabajo de ciberseguridad y vulnerabilidades. Google construyó Carbon para ello, restringió el primer lanzamiento a los defensores de ciberseguridad e informa de SEC-bench Pro en 88,2%, ExploitGym en 54,8% y CWE-bench en 71,0% —todo reportado por el fabricante y no reproducido, pero la dirección es coherente con el propósito declarado del modelo y con el hecho de que Google eligió lanzarlo a los defensores antes que a los desarrolladores. xAI no hace ninguna afirmación de ciberseguridad comparable para Grok 4.7.

Contexto de repositorio completo. Una ventana de 1M frente a 500K. El doble de techo es una diferencia real para tareas a escala de monorepo, y para el caso específico de «mantener todo el servicio en contexto y razonar a través de él», Grok no puede seguir.

Y un contrapeso honesto: la ventaja de Carbon se paga con latencia. Con 66,85 segundos hasta el primer token y 25,6 minutos por tarea de indexación, no es un modelo para poner detrás de una interfaz de solicitud-respuesta sin mucha paciencia. Tampoco lo es Grok con 53,64 segundos. Si tu producto necesita respuestas en menos de 10 segundos, esta comparación es entre dos modelos que pierden ambos, y la respuesta es un modelo más pequeño y más rápido en cualquiera de los dos lados.

Al ejecutar ambos, ¿cuál es la respuesta real?

La razón por la que este enfrentamiento se resiste a un veredicto es que los dos modelos están diseñados para etapas diferentes del mismo pipeline. Carbon para el extremo de entrada, donde la modalidad y el contexto dominan y el volumen es bajo. Grok para el extremo de salida larga, donde la tarea es producir mucho texto a partir de un prompt acotado, y donde una tarifa de salida de $6 supera a una de $20. La mayoría de los equipos que necesitan cualquiera de los dos necesitan ambos, y el error es firmar dos contratos, dos SDKs y dos relaciones de facturación para conseguirlos.

Un endpoint compatible con OpenAI es el atajo, y está disponible hoy para la mitad enrutable de este par: grok/grok-4.7está en OrcaRouter con el propio precio de xAI de $2/$6 —el mismo precio de lista, transferido con un margen del 0 %, incluido el tramo de $4/$12 por encima de 200.000 tokens de entrada— junto a google/gemini-4-argona $2/$10 para el trabajo del lado de Gemini que no necesita el conjunto de modalidades de Carbon. Gemini 4 Carbon en sí no está en el catálogo; se accede a él mediante la API de pago de Google, y ese tramo del pipeline es una integración directa.

El DSL de enrutamiento es la parte que hace que la división sea práctica y no solo aspiracional: la misma solicitud puede componerse para intentar la ruta económica y escalar ante un fallo de validación, con conmutación automática por error si un proveedor se degrada. Eso importa más aquí que de costumbre, porque el modelo caro de este par ha cambiado sus condiciones de acceso dos veces en catorce días. Un pipeline que puede mover una rama a un modelo distinto sin necesidad de un redespliegue es la única versión de esta arquitectura que sobrevive al roadmap de su propio proveedor.

Elige según la restricción que realmente tengas

• Si el entregable es una salida larga de un prompt acotado — Grok 4.7, y revisa primero el volumen de tu caché.

• Si la entrada incluye audio, vídeo o PDF escaneados — Carbon, porque no hay alternativa en este par.

• Si la tarea es análisis de seguridad o clasificación de vulnerabilidades: Carbon, respaldado por las cifras de ciberseguridad reportadas por Google y la propia decisión de filtrado de la empresa, con la salvedad de que ninguna de esas cifras ha sido reproducida de forma independiente.

• Si necesitas todo el repositorio en contexto — la ventana de 1M de Carbon, aceptando la latencia.

• Si necesitas un modelo cuyos términos no cambien el próximo mes — Grok 4.7, y este es un argumento más sólido de lo que parece.

• Si no puedes decidirte — ejecuta ambos. El costo medido por tarea está dentro de un centavo, así que una prueba comparativa de dos semanas cuesta aproximadamente lo que cuesta un modelo, y produce una mejor respuesta que cualquier puntuación compuesta.

Lo que ninguna de estas listas puede decirte es qué modelo es más inteligente, porque «más inteligente» es la magnitud equivocada a esta distancia. Veinticinco puntos de índice constituyen una brecha grande si se mide correctamente, y aun así dejan al modelo más barato sobre el papel empatado en coste por resultado y por delante en techo de salida, madurez y tiempo hasta el primer token. Eso no es una contradicción en los benchmarks. Es lo que ocurre cuando dos modelos se construyen para trabajos distintos y se comercializan con la misma palabra.