La otra carrera de la IA: no es quién es más inteligente, es quién es más barato

Muchas veces una idea que hoy no es viable técnica o económicamente lo será en pocos meses, y esa es exactamente una de las transformaciones que vale la pena monitorear de forma constante.

Distintos relevamientos de mercado coinciden en que el costo por token —lo que cuesta procesar cada fragmento de texto que entra o sale de un modelo— viene cayendo de forma pronunciada

Cerebrum

Todos los meses aparece un modelo de inteligencia artificial que promete ser el más inteligente del mundo. Pero mientras la conversación pública se concentra en quién tiene el mejor modelo, la pelea de fondo se está dando en otro lado: quién puede ofrecer inteligencia artificial más barata, más rápido, y con qué infraestructura la sostiene. Esa batalla ya está redefiniendo cuánto va a costar usar inteligencia artificial y quiénes van a poder pagarla.

La señal más clara de que esto dejó de ser una promesa y pasó a ser un negocio real está en el capital privado y la presión de los inversores. La búsqueda de eficiencias operativas y la presión para sostener valuaciones multimillonarias —OpenAI ronda los 150 mil millones de dólares y Anthropic se ubica en decenas de miles de millones tras sus últimas rondas de inversión— imponen un ritmo vertiginoso. Ambas compañías buscan acelerar sus ingresos anualizados mientras recortan sus abultados costos de entrenamiento e infraestructura para demostrar una rentabilidad real antes de dar el salto a los mercados públicos. La eventual salida a bolsa de estas compañías funcionará como un test de la realidad: si el mercado convalida estas expectativas, confirma que la inteligencia artificial generativa llegó para quedarse como negocio, no solo como tecnología. Si no, el efecto arrastra a buena parte del ecosistema que creció a su alrededor, desde los fabricantes de chips hasta los proveedores de centros de datos.

Esa exigencia de rentabilidad presiona sobre un punto muy concreto: los precios. Distintos relevamientos de mercado coinciden en que el costo por token —lo que cuesta procesar cada fragmento de texto que entra o sale de un modelo— viene cayendo de forma pronunciada: algunos hablan de una baja del orden del 80% en los últimos años, otros directamente ubican la caída del costo de inferencia en un orden de magnitud anual en capacidades equivalentes. Lo cierto es que un rendimiento equivalente al de los modelos más avanzados de hace apenas un par de años hoy se consigue a una fracción de ese costo. La ecuación de fondo es simple: para sostener valuaciones que anticipan resultados de varios años hacia adelante, los laboratorios necesitan ingresos hoy mismo. Pero cobrar de más achica la base de clientes, y subsidiar de más pone en riesgo la rentabilidad que el mercado va a exigir. En medio de esa tensión, la competencia entre proveedores viene empujando los precios hacia abajo, y todo indica que esa tendencia va a continuar.

Allí emerge un segundo eje, tal vez el más interesante para pensar oportunidades concretas: la diferencia de estrategia entre los laboratorios estadounidenses y los chinos. Mientras los primeros protegen sus modelos más potentes como activos cerrados, los segundos —con compañías de la escala de Huawei, Alibaba o DeepSeek detrás— vienen apostando agresivamente a modelos abiertos, y esa apuesta ya se refleja en los números de adopción de la comunidad global de desarrollo.

A fines de 2024, los modelos abiertos de origen chino representaban una fracción mínima en las plataformas globales de ruteo de modelos. Con el avance de modelos competitivos de código abierto, esa cuota escaló velozmente hasta representar una porción significativa del consumo en entornos como OpenRouter, con costos de inferencia entre un 60% y un 90% más bajos que los de las API de punta propietarias. La lógica de fondo no es filantrópica: el negocio real de los laboratorios chinos está en la infraestructura y en la energía necesaria para correr esos modelos a escala. Se trata de una táctica sencilla: liberar el modelo y capturar valor en la capa de abajo, con un rendimiento muy competitivo. A largo plazo, la apuesta es que la ventaja competitiva no esté en el modelo en sí, sino en quien tenga la capacidad energética y de cómputo para sostenerlo.

Esta dinámica de modelos abiertos más baratos y más potentes acorta la distancia con los modelos propietarios, tanto en performance como en costo. Para una empresa, esto abre una pregunta poco explorada hasta ahora: ¿cuánto se va a gastar en tokens en los próximos años, y qué parte de ese gasto conviene resolver con infraestructura propia en lugar de depender exclusivamente de un proveedor? La respuesta ya no depende únicamente de la potencia de cómputo disponible, sino de la performance de los modelos abiertos, que permite adaptar su uso al modelo de negocio de cada organización y desarrollar productos de datos e inteligencia artificial a medida, en lugar de ajustarse a lo que ofrece un proveedor cerrado.

Casos de uso que hasta hace poco no eran viables —por costo, por volumen de tokens necesario, o por la sensibilidad de los datos involucrados— empiezan a estar al alcance de infraestructura on-premise con modelos abiertos. Sectores como salud o finanzas, donde el manejo de información sensible impone restricciones que un servicio en la nube no siempre puede resolver, son un buen ejemplo. Ahí el debate no es "¿qué versión del modelo más nuevo conviene?", sino qué configuración de modelo, infraestructura, ciberseguridad, robustez y presupuesto se ajusta mejor a cada proyecto, sabiendo que esa configuración probablemente cambie más de una vez durante su desarrollo.

Se vuelve fundamental seguir de cerca estas tendencias de negocio, mercado y tecnología para anticipar oportunidades estratégicas. Muchas veces una idea que hoy no es viable técnica o económicamente lo será en pocos meses, y esa es exactamente una de las transformaciones que vale la pena monitorear de forma constante.

CEO y cofundador de 7Puentes