Todos los meses aparece un modelo de inteligencia artificial que promete ser el más avanzado del mercado. Pero mientras la conversación pública se concentra en quién tiene el mejor modelo, la disputa de fondo se desarrolla en otro eje: quién puede ofrecer inteligencia artificial más barata, más rápido, y con qué infraestructura la sostiene. Esa dinámica ya está redefiniendo cuánto va a costar usar inteligencia artificial y quiénes realmente 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 mercado de capitales. Anthropic y OpenAI presentaron sus solicitudes confidenciales de oferta pública inicial con apenas una semana de diferencia: Anthropic el 1 de junio de 2026, tras una ronda que la valuó en 965 mil millones de dólares (Fortune), y OpenAI el 8 de junio, con una valuación de 852 mil millones (IndMoney). Ambas compañías buscan acelerar sus ingresos mientras administran costos de entrenamiento e infraestructura muy elevados, en el camino hacia una eventual salida a bolsa hacia fines de 2026 o 2027. Esa salida funcionará como un test de la realidad: si el mercado convalida esas 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. Según el AI Index 2025 de Stanford HAI, el costo de consultar un modelo con un desempeño equivalente a GPT-3.5 cayó de 20 dólares por millón de tokens en noviembre de 2022 a apenas 0,07 dólares por millón hacia octubre de 2024: una reducción de más de 280 veces en menos de dos años (Stanford HAI). Otros relevamientos del sector, como el de Epoch AI, ubican la caída anual del costo de inferencia en un rango de entre 9 y 900 veces según la tarea (EPOCH AI). 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 reduce sustancialmente 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. Según una investigación de CNBC, a fines de 2024 los modelos chinos representaban menos del 2% del tráfico en OpenRouter, una de las plataformas de referencia para medir el uso real de modelos de IA; desde febrero de 2026 esa participación no bajó del 30% semanal, con picos de hasta 46%, y sus precios de inferencia llegan a ser entre un 60% y un 90% más bajos que los de las APIs de punta propietarias (CNBC).
La lógica de fondo no es filantrópica: el negocio real 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.
Ese avance presenta claras fricciones. En Estados Unidos crece el debate sobre restringir el uso de modelos de IA de origen chino, motivado por preocupaciones de seguridad nacional, posible espionaje de propiedad intelectual y competencia económica. Todavía no existe una prohibición nacional, pero sí un conjunto de medidas más acotadas que ya están en marcha o en discusión: proyectos de ley en el Congreso para vetar el uso de modelos como DeepSeek en dispositivos del gobierno federal, restricciones en las cadenas de suministro de agencias de defensa, y advertencias de agencias de inteligencia sobre campañas de «destilación» —el uso masivo de consultas a modelos estadounidenses para entrenar versiones más económicas— como forma de espionaje de propiedad intelectual (Axios; Just Security). Especialistas en política tecnológica coinciden en que una prohibición total enfrentaría obstáculos legales y prácticos considerables, ya que los pesos de un modelo abierto, una vez publicados y descargados en todo el mundo, no pueden retirarse de circulación. Para las empresas que evalúan qué modelos incorporar a su operación, este frente regulatorio se suma como una variable más a monitorear, además del costo y la performance.
Claramente esa dinámica ya acorta la distancia entre modelos propietarios y modelos abiertos, 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.
De este modo, algunos 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.
Una mirada estratégica sobre los modelos de IA
Desde 7Puentes seguimos de cerca este tipo de tendencias de negocio, mercado y tecnología para anticipar oportunidades estratégicas a nuestros clientes. 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.
Quienes estén evaluando cómo adoptar inteligencia artificial de manera sostenible e integral a sus soluciones de negocio, o resolver desafíos de tecnología y datos con una mirada actualizada del mercado, pueden contactarse con el equipo de 7Puentes para recibir asesoramiento especializado.
