Los modelos de pesos abiertos han alcanzado en aproximadamente cuatro meses el nivel de los mejores modelos cerrados de frontera evaluados públicamente, y la brecha entre ellos solo se ha vuelto más volátil.
Esto está convirtiendo la carrera entre la IA abierta y la cerrada en una cuestión comercial cada vez más importante. Si los modelos abiertos pueden acercarse al rendimiento de frontera mientras ofrecen a las empresas un mayor control sobre sus datos, infraestructura y personalización, ¿por qué siguen pagando las empresas a los laboratorios de frontera? Y, en última instancia, ¿dónde se acumula el valor?
Para entender el panorama, ayuda comenzar aclarando qué entendemos por modelos abiertos y cerrados. La apertura existe en un espectro, desde modelos totalmente abiertos que los usuarios pueden descargar y modificar libremente hasta modelos de pesos abiertos con diversas restricciones. Los modelos cerrados mantienen sus pesos privados y controlan el acceso.
Para las empresas que deciden sobre qué modelos construir, las diferencias van más allá del rendimiento y el precio.
Alex Karp, CEO de Palantir, ha advertido que las empresas corren el riesgo de entregar su “alpha”, es decir, el conocimiento propietario y los procesos que distinguen a sus negocios, a los proveedores de modelos de frontera.
Satya Nadella hizo un punto similar en un ensayo publicado en X: “Básicamente, pagas por la inteligencia dos veces: una con dinero, y otra con algo aún más valioso: el conocimiento propietario que debes revelar para hacer útil esa inteligencia. ¡Cuanto mejor quieras que funcione el modelo, más de ese conocimiento tienes que alimentarlo!”
Ambas son advertencias sobre la dependencia estratégica y ayudan a explicar por qué más empresas están explorando los modelos abiertos.
Pero, a pesar de las preocupaciones sobre ceder conocimiento propietario, la evidencia muestra que las empresas siguen dispuestas a pagar por el rendimiento de frontera, incluso cuando los mejores modelos de pesos abiertos quedan solo unos meses por detrás. Los ingresos de los laboratorios de frontera continúan acelerándose, incluso mientras el gasto en tokens se distribuye entre una gama mucho más amplia de modelos.
Las empresas líderes están utilizando ambos tipos, eligiendo modelos abiertos para la personalización y el control, y modelos cerrados de frontera cuando necesitan la máxima capacidad disponible. Algunas han reportado ganancias de eficiencia varias veces superiores y ahorros drásticos en costos al emparejar diferentes modelos con los flujos de trabajo que mejor se adaptan a ellos. Cubrimos algunos de estos ejemplos en el Análisis Profundo (Deep Dive) a continuación.
Algunos creadores de modelos también están adoptando ambos enfoques. Google tiene Gemini y Gemma, mientras que Meta tiene Muse Spark y Llama. ¿Por qué mantener un modelo cerrado y regalar otro? Y si los modelos abiertos son gratuitos para descargar, ¿qué condiciones están asociadas? ¿Cómo compiten financieramente sus desarrolladores con los laboratorios cerrados?
Nuestro Análisis Profundo de 99 páginas examina la economía detrás de estas elecciones y cómo podrían moldear quién captura las ganancias de la IA y qué empresas pueden preservar su poder de fijación de precios a medida que la IA se vuelve cada vez más barata de usar.
El informe completo también incluye:
- Si los laboratorios de frontera pueden sostener el costo de mantenerse a la vanguardia mientras los competidores chinos impulsan los precios hacia abajo.
- Los cinco factores en los que compiten los modelos y las compensaciones (trade-offs) que requiere cada uno.
- Los tres lugares donde puede ejecutarse un modelo y cómo se divide la industria entre ellos.
- Un estudio de caso que reporta hasta 12x mayor eficiencia de ingeniería y más de 20x en ahorros de costos.
- Por qué NVIDIA y Samsung están invirtiendo en pesos abiertos y de dónde podrían provenir los retornos.
Espero que disfruten la lectura y háganme saber qué piensan en nuestro grupo:
