El movimiento de IA de código abierto ha producido modelos genuinamente impresionantes. DeepSeek ahora procesa más de un tercio de todos los tokens que fluyen a través de la pasarela de IA de Vercel. El GLM-5.2 de Z.ai se sitúa cómodamente entre los cuatro principales de la plataforma por volumen. Estos no son proyectos de aficionados. Son sistemas de grado de producción que gestionan cargas de trabajo empresariales reales a una escala masiva. Dados estos números, sería fácil asumir que los laboratorios de frontera como Anthropic se enfrentan a una amenaza existencial para su posición en el mercado.
Esa suposición pasa por alto lo que está sucediendo realmente.
El verdadero trabajo de los modelos de frontera
El CEO de Decagon, Jesse Zhang, ha propuesto una forma más clara de entender la división entre la IA propietaria y la de código abierto. La competencia no es una simple carrera para reemplazarse mutuamente. En cambio, las dos categorías sirven a diferentes fases de un único ciclo de vida empresarial.
Los modelos de frontera funcionan como la capa de descubrimiento. Cuando una empresa comienza a explorar cómo la IA podría cambiar un proceso interno, la tarea casi siempre está mal definida. Las entradas son desordenadas. Los resultados deseados son vagos. El éxito requiere razonar a través de la ambigüedad, manejar casos límite que el equipo aún no ha catalogado y adaptarse a prompts que cambian cada hora. Este es un trabajo de prototipado y prueba de concepto. Exige el sistema más capaz disponible, sin importar el coste, porque la alternativa es un experimento fallido que no enseña nada.
En esta fase, un modelo de frontera costoso no es un gasto general. Es el coste de la investigación de mercado comprimido en unas pocas llamadas de API. Una vez que el caso de uso se demuestra y el flujo de trabajo se mapea, la naturaleza del problema cambia. La ambigüedad desaparece. Las entradas se estandarizan. Los prompts se estabilizan. La tarea se ha vuelto rutinaria. En ese punto, muchas empresas migran la carga de trabajo a un modelo más ligero y económico. Las alternativas de código abierto entran en juego y se apoderan de la etapa de producción, mientras que los modelos de frontera permanecen estacionados en la frontera, gestionando la próxima ola de problemas desconocidos.
Esto no es una teoría sobre cómo debería funcionar la IA. Es una descripción de cómo se están moviendo ya los presupuestos.
Cuando las cargas de trabajo se desplazan hacia abajo
La migración al código abierto es real y es visible en los datos de tráfico. El aumento de DeepSeek a más de un tercio del volumen de tokens en la infraestructura de Vercel muestra que las empresas están ejecutando enormes cantidades de inferencia a través de modelos más baratos. El GLM-5.2 de Z.ai también se ha hecho con una posición entre los cuatro primeros al gestionar un tráfico constante y predecible.
Estos modelos destacan en tareas que ya han sido domadas. Piense en la extracción de datos de alto volumen a partir de formularios estandarizados, el triaje de soporte al cliente de primera pasada que enruta tickets basándose en palabras clave obvias, o el linting de código rutinario y la generación de documentación. Los prompts están basados en plantillas. Los modos de error se comprenden. El riesgo empresarial de un mal resultado está contenido. Cuando el trabajo está definido y es repetitivo, el coste de la inferencia se convierte en la principal preocupación. Ejecutar esa misma carga de trabajo en un modelo de seis centavos en lugar de uno de nivel premium tiene sentido financiero inmediato.
Pero el volumen no es ingresos. El hecho de que los modelos de código abierto dominen el recuento de tokens no significa que dominen la creación de valor. El volumen de tokens mide la actividad. El gasto en tokens mide lo que las empresas están dispuestas a pagar por una capacidad insustituible.
Dónde fluye realmente el dinero
Los datos de la pasarela de IA de Vercel hacen que la división económica sea imposible de ignorar. A pesar del dominio de DeepSeek en el tráfico bruto de tokens, Anthropic sigue capturando más de la mitad del gasto total en IA en la plataforma. La brecha entre la actividad y el gasto se reduce a un diferencial de precios asombroso.
Según los datos de OpenRouter, el Opus 4.8 de Anthropic cuesta aproximadamente 1,37 dólares por millón de tokens. El V4Flash de DeepSeek cuesta alrededor de seis centavos para el mismo volumen. Opus tiene un precio unas veintitrés veces superior. Ese multiplicador importa más de lo que el recuento bruto de tokens podría jamás. Un equipo de desarrollo podría trasladar el noventa por ciento de su volumen de inferencia al modelo más barato y aun así ver que el modelo caro representa la mayor parte de su presupuesto.
Esta discrepancia no es un accidente. Refleja la realidad de que los proveedores de modelos de frontera están vendiendo algo diferente. No solo venden tokens. Venden la capacidad de razonar a través de problemas que carecen de estrategias establecidas. Las empresas que pagan tarifas premium no lo hacen por ignorancia. Lo hacen porque las tareas que asignan a estos modelos son de alto riesgo o estructuralmente complejas. Un equipo legal que analiza una nueva exposición regulatoria no puede permitirse una cita alucinada. Un equipo de producto que diseña un flujo de trabajo agéntico de varios pasos necesita que el modelo encadene correctamente la lógica a lo largo de varias interacciones. El coste del fallo en estos escenarios supera con creces el coste de la llamada a la API.
El gasto de capital fluye hacia la capa donde todavía se está creando valor, no simplemente donde se ejecuta.
El mercado crece más rápido que la migración
Si los modelos de código abierto son mucho más baratos, y las empresas están trasladando activamente cargas de trabajo maduras hacia ellos, ¿por qué no se ha desplomado el gasto en modelos de frontera? La respuesta es que el mercado total de tareas de IA direccionables se está expandiendo más rápido de lo que cualquier modelo individual puede comoditizarlas.
Cada vez que una empresa automatiza con éxito un flujo de trabajo predecible con una alternativa de código abierto, suceden dos cosas. Primero, ese equipo ahorra dinero en la ejecución. Segundo, esos recursos y ese talento se redirigen hacia problemas adyacentes más difíciles. El trabajo rutinario ahora lo manejan las máquinas, lo que significa que los humanos pueden centrarse en lo irregular, lo estratégico y lo inédito. El problema recién descubierto casi siempre requiere la profundidad de razonamiento de un modelo de frontera.
Este patrón se repite en todas las industrias. Un banco automatiza la revisión de documentos utilizando un modelo barato, y luego dirige su atención a la construcción de un modelo de riesgo dinámico que requiere un juicio matizado. Una empresa de software automatiza la generación de pruebas y luego intenta construir un agente de depuración autónomo que debe rastrear errores a través de sistemas distribuidos. La frontera sigue avanzando. Tan pronto como una tarea se convierte en un commodity, surge un caso de uso más complejo que exige una capacidad premium.
Muchas tareas empresariales también siguen siendo demasiado sensibles para delegarlas a la generación actual de alternativas de código abierto. El soporte de triaje médico, las previsiones financieras bajo escrutinio regulatorio y el análisis de estrategia ejecutiva conllevan riesgos de pérdida que hacen que el coste de inferencia sea irrelevante frente a la precisión y la fiabilidad. Estas cargas de trabajo crean un nivel premium duradero. El resultado es una economía estable de dos niveles: una capa de alto margen para el razonamiento complejo y el descubrimiento, y una capa de commodities de alto volumen para la ejecución de producción rutinaria.
Qué significa esto para los compradores empresariales
La conclusión práctica es que la selección de modelos debe seguir la madurez del trabajo, no la ideología. Construya y valide nuevas aplicaciones de IA en los modelos de frontera más capaces a los que pueda acceder. Pague el sobrecoste durante la fase de descubrimiento. Es más barato que construir sobre un modelo limitado, no lograr demostrar su valor y abandonar el proyecto. Una vez que se conocen las entradas, las salidas y los modos de fallo, entonces optimice agresivamente. Traslade la carga de trabajo estable a una alternativa de código abierto y capture el ahorro de costes.
Intentar forzar cada tarea en un único nivel es una receta para el desperdicio de capital o la pérdida de capacidad. Las empresas que naveguen esto correctamente ejecutarán arquitecturas híbridas por defecto, no como un compromiso.
La historia aquí no es que el código abierto esté perdiendo, o que los laboratorios de frontera sean invencibles. Es que ambos niveles están creciendo, pero lo hacen en direcciones diferentes. Los modelos de código abierto están devorando el mundo conocido de las tareas de IA. Los modelos de frontera están reclamando territorio en lo desconocido. Por el futuro previsible, ese es un acuerdo cómodo para ambos.