La segunda faceta de la IA: la eficiencia económica supera a la mera inteligencia
Cada mes surge una nueva arquitectura de IA que se proclama como la más avanzada del planeta. Mientras el debate público se centra en cuál es el modelo superior, la verdadera contienda se libra en otro plano: quién consigue ofrecer soluciones de IA a menor costo, con mayor rapidez y bajo qué infraestructura. Esta pugna está redefiniendo el precio de la IA y determinando quiénes podrán costearla.
El indicio más evidente de que esta promesa se ha convertido en un negocio tangible reside en el capital privado y la presión de los accionistas. La búsqueda de eficiencias operativas y la necesidad de sustentar valoraciones multimillonarias —OpenAI ronda los 150 mil millones de dólares y Anthropic se sitúa en decenas de miles de millones tras sus últimas rondas de financiación— imponen un ritmo acelerado. Ambas organizaciones pretenden incrementar sus ingresos recurrentes mientras reducen los elevados gastos de entrenamiento e infraestructura, con el objetivo de demostrar rentabilidad antes de cotizar en bolsa. La eventual salida a mercado de estas firmas servirá como prueba de fuego: si los inversores validan esas proyecciones, confirmarán que la IA generativa se consolida como un modelo de negocio, no solo como una innovación tecnológica. De lo contrario, el retroceso afectará a gran parte del ecosistema que ha surgido a su alrededor, desde fabricantes de semiconductores hasta proveedores de centros de datos.
Esa exigencia de rentabilidad se traduce en un punto crítico: los precios. Diversos estudios de mercado coinciden en que el costo por token —el gasto necesario para procesar cada fragmento de texto que entra o sale del modelo— ha experimentado una caída pronunciada: algunas estimaciones hablan de una reducción cercana al 80 % en los últimos años, mientras que otras sitúan la disminución del costo de inferencia en un orden de magnitud anual para capacidades equivalentes. Lo indiscutible es que el rendimiento que ofrecían los modelos más avanzados hace apenas un par de años ahora se obtiene a una fracción de ese precio. La lógica subyacente es sencilla: para sostener valoraciones que proyectan resultados a varios años, los laboratorios necesitan ingresos inmediatos. Sin embargo, precios excesivos reducen la base de clientes, y subsidios exagerados ponen en riesgo la rentabilidad exigida por el mercado. En medio de esta tensión, la competencia entre proveedores empuja los precios a la baja, y la tendencia parece encaminada a continuar.
Surge, entonces, un segundo eje, quizás el más revelador para identificar oportunidades concretas: la divergencia estratégica entre los laboratorios estadounidenses y los chinos. Mientras los primeros resguardan sus modelos más potentes como activos cerrados, los segundos —con conglomerados como Huawei, Alibaba o DeepSeek respaldándolos— apuestan agresivamente por modelos abiertos, lo que ya se refleja en los índices de adopción de la comunidad global de desarrollo.
A finales de 2024, los modelos de código abierto de origen chino representaban una mínima proporción en las plataformas globales de enrutamiento de modelos. Con el progreso de alternativas competitivas de código abierto, esa cuota creció rápidamente hasta constituir una parte sustancial del consumo en entornos como OpenRouter, ofreciendo costos de inferencia entre un 60 % y un 90 % inferiores a los de las API propietarias de referencia. La motivación no es altruista: el verdadero negocio de los laboratorios chinos radica en la infraestructura y la energía necesarias para ejecutar esos modelos a gran escala. La estrategia es clara: liberar el modelo y capturar valor en la capa inferior, manteniendo un rendimiento altamente competitivo. A largo plazo, la ventaja competitiva no residirá en el modelo mismo, sino en quien disponga de la capacidad energética y de cómputo para sostenerlo.
Esta dinámica de modelos abiertos, más económicos y potentes, reduce la brecha con los sistemas propietarios, tanto en desempeño como en coste. Para una empresa, esto plantea una cuestión poco explorada hasta ahora: ¿cuánto se invertirá en tokens en los próximos años y qué proporción de ese gasto conviene internalizar mediante infraestructura propia en lugar de depender exclusivamente de un proveedor externo? La respuesta ya no depende únicamente de la potencia de cómputo disponible, sino del rendimiento de los modelos abiertos, que permite adaptar su uso al modelo de negocio de cada organización y desarrollar soluciones de datos e IA a medida, en lugar de ajustarse a lo que ofrece un proveedor cerrado.
Aplicaciones que hace poco eran inviables —por su coste, por el volumen de tokens requerido o por la sensibilidad de los datos— comienzan a estar al alcance de infraestructuras on‑premise basadas en modelos abiertos. Sectores como la salud o las finanzas, donde la gestión de información delicada impone restricciones que un servicio en la nube no siempre puede atender, ilustran este fenómeno. En este contexto, la discusión no se centra en “¿qué versión del modelo más reciente conviene?”, sino en cuál configuración de modelo, infraestructura, ciberseguridad, robustez y presupuesto se adapta mejor a cada proyecto, reconociendo que dicha configuración probablemente evolucionará varias veces durante su ciclo de vida.
Resulta imprescindible vigilar de cerca estas tendencias de negocio, mercado y tecnología para anticipar oportunidades estratégicas. Con frecuencia, una idea que hoy resulta inviable técnica o económicamente se volverá factible en pocos meses, y esa es precisamente una de las transformaciones que merece un seguimiento continuo.
CEO y cofundador de 7Puentes
Fuente: Ambito.com
