Durante los últimos dos años, la carrera de la inteligencia artificial ha sido fácil de puntuar: modelos más grandes, mejores puntos de referencia y cualquier empresa que pueda reclamar la ventaja, al menos hasta el próximo lanzamiento.
Ese cuadro de mando empieza a parecer incompleto.
A medida que las empresas pasan de probar la IA a usarla en productos y flujos de trabajo reales, ya no se trata de aprovechar el mejor modelo, sino de acceder al que mejor se adapta a un trabajo específico, al costo adecuado, con los datos necesarios y en un entorno elegido.
Ese cambio está abriendo la puerta a un nuevo tipo de competencia de IA, centrada menos en el tamaño del modelo y más en el enrutamiento, el costo, el control y la computación.
“El modelo por sí solo ya no es el producto”, dijo a CNBC el director ejecutivo de Perplexity, Aravind Srinivas. “Es el arnés, el sistema de orquestación, lo que coloca al modelo dentro de un arnés muy capaz y lo combina con muchas herramientas”.
Eso significa que los productos de IA se están convirtiendo en sistemas que pueden decidir qué modelo usar, cuándo usarlo y qué herramientas externas o fuentes de datos empresariales son necesarias. Es posible que una tarea de servicio al cliente no necesite el modelo más caro. Un problema de codificación complejo podría. Un flujo de trabajo interno de rutina podría ejecutarse en un modelo abierto más económico. Un paso más difícil podría convertirse en uno más poderoso.
“La respuesta es siempre utilizar lo que sea mejor para la tarea”, dijo Srinivas.
El surgimiento de modelos alternativos se produce cuando las empresas estadounidenses se aprietan el cinturón en el gasto en IA y presenta otro desafío para OpenAI y Anthropic, que han florecido en los últimos años vendiendo la tecnología más avanzada.
Aravind Srinivas, director ejecutivo de Perplexity AI.
CNBC
Perplexity presentó esta semana un avance de un nuevo sistema para su producto de uso informático construido alrededor de GLM 5.2, un modelo abierto de Z.ai de China. El sistema está diseñado para permitir que un modelo más económico se encargue de una mayor parte del trabajo y, al mismo tiempo, solicitar un modelo más potente sólo cuando sea necesario.
Ese enfoque refleja un cambio más amplio en el mercado. Los modelos de peso abierto, que las propias empresas pueden descargar, ajustar y ejecutar, son cada vez más capaces. También son más baratos de ejecutar que los modelos patentados premium de los laboratorios de inteligencia artificial más grandes.
El socio general de Benchmark, Peter Fenton, dijo que el cambio podría ser dramático.
“Una visión quizás contraria que se está convirtiendo en consenso es nuestra creencia de que más del 90 por ciento de los tokens creados saldrán de modelos abiertos durante los próximos 18 a 24 meses, posiblemente incluso para finales de año”, dijo Fenton a CNBC.
Los tokens son las unidades de datos que los modelos de IA procesan y generan.
“Creo que los márgenes de inferencia generados por las compañías de modelos fronterizos se verán presionados cuando se puedan ejecutar sin el margen de beneficio que ofrecen, cuando se tengan modelos suficientemente buenos de pesos abiertos”, dijo Fenton.
Fenton dijo que la transición hacia modelos abiertos no se trata solo de ahorrar dinero. En algunos casos, los modelos más pequeños que están ajustados para una tarea específica pueden ser más rápidos y funcionar mejor que los modelos más grandes de uso general.
‘Dónde corre y cómo corre’
Ésa es una de las razones por las que Benchmark invirtió en Ollama, una empresa que facilita a los desarrolladores y empresas la descarga, ejecución y gestión de modelos abiertos.
“Una cosa es de dónde proviene el modelo y dónde fue creado y entrenado”, dijo el director ejecutivo de Ollama, Jeff Morgan. “Pero lo más importante para estas empresas con las que hablamos es dónde funcionan y cómo funcionan”.
Morgan dijo que Ollama ha sido adoptado por más del 85% de las empresas Fortune 500, incluidas empresas de industrias reguladas como la aviación, los seguros y la atención médica. Dijo que muchas empresas comienzan con modelos más pequeños que se ejecutan cerca de sus propios datos y luego se expanden a modelos abiertos más grandes a medida que se sienten más cómodos.
El auge de los modelos abiertos también crea un desafío estratégico para EE.UU. Muchos de los modelos abiertos más competitivos provienen de laboratorios chinos, incluidos Z.ai y DeepSeek. Eso ha convertido la IA de código abierto en una cuestión empresarial, una cuestión de políticas y una cuestión de competitividad nacional.
Srinivas dijo que Estados Unidos debería apoyar los modelos abiertos porque hacen que la IA sea más asequible y accesible.
“Si desea que los beneficios de la IA se distribuyan ampliamente entre las pequeñas empresas de Estados Unidos y los países aliados de Estados Unidos, entonces realmente necesita que la IA sea mucho más asequible”, dijo Srinivas. “Y el código abierto es la única manera de hacerlo”.
El cambio también podría afectar la construcción masiva de centros de datos que se está llevando a cabo en toda la industria tecnológica. El actual auge de la IA supone que la demanda seguirá fluyendo hacia grandes centros de datos en la nube llenos de chips de alta gama. Srinivas dice que parte del trabajo de IA podría eventualmente ejecutarse localmente, en dispositivos propiedad de consumidores o empresas.
Eso no eliminaría la necesidad de centros de datos, pero podría crear un sistema de IA más híbrido, con tareas rutinarias ejecutadas localmente y el trabajo más difícil enviado a un modelo más potente en la nube.
Para los inversores, la pregunta es si los laboratorios de IA más grandes pueden mantener su poder de fijación de precios a medida que los modelos abiertos mejoran y las empresas se vuelven más selectivas sobre lo que utilizan.
MIRAR: Sam Altman de OpenAI dice que los modelos chinos de código abierto se están volviendo muy buenos
