La industria de la inteligencia artificial está redefiniendo sus prioridades, enfocándose en la relación costo-eficacia de los modelos. IBM, a través de su CEO Arvind Krishna, sugiere que los modelos de pesos abiertos han alcanzado aproximadamente el 90% de la eficacia de las soluciones más avanzadas, pero a un costo significativamente menor por token. Este cambio plantea una alternativa viable para empresas que buscan optimizar el gasto y mantener el control sobre sus implementaciones de IA, sin sacrificar la calidad en la mayoría de las tareas cotidianas.
La evolución de la inteligencia artificial ha estado marcada por la búsqueda del modelo más potente. Sin embargo, una pregunta crucial emerge cuando las empresas consideran la implementación real de estas herramientas: ¿cuánto cuesta obtener una respuesta de calidad suficiente? Esta cuestión se vuelve relevante al considerar la repetición de millones de solicitudes.
Las opciones para acceder a la IA son variadas, desde servicios gratuitos y suscripciones pagas hasta proveedores con tarifas basadas en el uso. Además, existen modelos de pesos abiertos que pueden ejecutarse en infraestructura propia o de terceros. Para las empresas, esto abre un abanico de posibilidades más allá de contratar el servicio más sofisticado del mercado.
Esta discusión fue abordada durante la presentación de resultados financieros de IBM. Matt Swanson, analista de RBC Capital Markets, preguntó cómo las grandes corporaciones equilibran la necesidad de controlar los gastos en IA con el deseo de mantener el control sobre su despliegue. Arvind Krishna, CEO de IBM, respondió haciendo una retrospectiva hasta finales de 2024 y comparando el progreso de los modelos de frontera con el de las alternativas de pesos abiertos. Su argumento sugiere un cambio significativo que está alterando las decisiones estratégicas en este ámbito.
Para comprender la magnitud del cambio que describe Krishna, es útil revisar los datos que presentó. A finales de 2024, ejemplificó que un modelo de frontera podría obtener 70 puntos en una evaluación amplia, mientras que una alternativa abierta lograba entre 20 y 30 puntos. En ese momento, afirmó que la brecha era inaceptable. Sin embargo, para finales de 2025, estimó que la diferencia se habría reducido a 70 frente a 50. Actualmente, Krishna calcula que los modelos de pesos abiertos alcanzan aproximadamente el 90% de la eficacia de los más avanzados, con un costo por token que oscila entre el 10% y el 25% de lo que cuestan estos últimos. Estas son valoraciones de Krishna, sin que identificara pruebas concretas para respaldarlas.
Es importante entender el concepto de modelos de pesos abiertos en esta comparación. Los "pesos" son los parámetros numéricos que un sistema de inteligencia artificial aprende y ajusta durante su entrenamiento, y que luego utiliza para procesar información y generar respuestas. Cuando una empresa publica estos pesos, otros pueden descargarlos y ejecutar el modelo en sus propios equipos, siempre bajo las condiciones de la licencia correspondiente. No obstante, esto no implica que se conozca cómo fue entrenado el modelo ni que se tenga acceso a todos sus datos y herramientas. Por lo tanto, como explica la Open Source Initiative, disponer de los pesos no siempre equivale a tener un modelo de código completamente abierto.
El ahorro al que se refiere Krishna se comprende mejor al analizar cómo se facturan estos sistemas. Un token es una unidad que el modelo utiliza para representar fragmentos de texto, y muchos proveedores cobran en función de la cantidad procesada. Krishna planteó la pregunta: "¿Prefiere algo que cuesta el 10% si alcanza el 90% del rendimiento del mejor, o quiere pagar un costo diez veces superior?" Según los cálculos de IBM, una empresa grande promedio podría necesitar entre dos o tres racks, que son armarios que albergan servidores y otros equipos, para ejecutar estas alternativas. Sin embargo, esta infraestructura requiere inversión inicial, consumo eléctrico, mantenimiento y personal especializado. El ahorro real dependerá del volumen de uso, al punto de que contratar una API podría seguir siendo más económico para cargas de trabajo reducidas.
Más allá de los costos, surge la pregunta inevitable: ¿qué tareas realmente requieren el modelo de IA más avanzado? Krishna reconoce que algunas sí lo necesitan, pero considera que muchas tareas empresariales pueden resolverse con opciones más económicas. Mencionó ejemplos cotidianos como resumir y redactar correos electrónicos, examinar contratos o gestionar llamadas de clientes. "Todo eso puede hacerse igual de bien con la alternativa mucho más barata", afirmó. Esta es su valoración sobre esos usos, y no una garantía de que cualquier sistema ofrecerá resultados equivalentes en todos los casos. La elección también depende de la complejidad de cada tarea y del nivel de fiabilidad requerido.
Las afirmaciones de IBM no son un caso aislado. En mayo de 2026, la Organización para la Cooperación y el Desarrollo Económicos (OCDE) publicó un informe, basado en datos previos, que indicaba que los modelos de pesos abiertos alcanzaban aproximadamente el 90% del índice de calidad de las alternativas cerradas al ser lanzados al mercado, pero con un precio equivalente al 20% en servicios en la nube. Existen matices importantes: el AI Index 2026 de Stanford señaló que, en marzo, el mejor modelo cerrado superaba en un 3.3% la puntuación del mejor de pesos abiertos en Arena, una clasificación basada en evaluaciones comparativas de usuarios. Estas son métricas diferentes y ninguna establece una equivalencia universal de capacidades.
Es relevante considerar quién presenta esta comparación. IBM desarrolla su propia familia de modelos Granite y trabaja en tecnologías para facilitar el despliegue de inteligencia artificial, además de mantener una alianza con OpenAI. Por lo tanto, tiene intereses comerciales en este mercado, pero el debate que plantea va más allá de sus propios productos. Si una empresa puede satisfacer gran parte de sus necesidades con alternativas más económicas, la decisión de utilizar siempre el sistema más avanzado deja de ser tan obvia. La clave está en encontrar el equilibrio adecuado entre capacidades, costos y control, sin comprometer la calidad de los resultados.
