Cómo los modelos chinos de IA están cambiando la ecuación de costos para las empresas
Ganan terreno por su menor costo y la posibilidad de ejecutarlos en infraestructura propia. Red Hat ya prueba GLM con hasta 1.400 ingenieros, mientras el avance reabre el debate sobre rendimiento, seguridad y dependencia tecnológica.
La competencia por la inteligencia artificial empresarial empieza a desplazarse de una pregunta a otra. Ya no alcanza con determinar qué modelo ofrece la respuesta más sofisticada: las compañías también necesitan saber cuánto cuesta cada tarea, qué infraestructura requiere y si pueden ejecutarlo bajo su propio control. En ese terreno, los modelos chinos de pesos abiertos están ganando espacio y ofreciendo a las empresas una alternativa frente a los servicios propietarios de los grandes laboratorios estadounidenses.
El cambio se refleja en el consumo. Según datos de OpenRouter citados por AI Business, los modelos chinos representaron más de la mitad del volumen de tokens reportado en su plataforma global durante la semana que terminó el 25 de octubre de 2026. Un año antes, solo uno de los nueve modelos destacados en su clasificación semanal de uso era chino. OpenRouter permite acceder a distintos modelos mediante una misma API, por lo que sus cifras ofrecen una referencia sobre las preferencias de quienes utilizan ese tipo de servicios, aunque no representan la totalidad del mercado empresarial.
El atractivo no se limita a su precio. Modelos como Qwen, de Alibaba, y GLM, de Z.ai, pueden ejecutarse en infraestructura propia o en entornos privados, una posibilidad que modifica la relación entre las empresas y los proveedores de IA. En lugar de enviar cada consulta a una plataforma externa y pagar por su consumo, una organización puede alojar el modelo, administrar sus recursos y mantener un mayor control sobre los datos y las operaciones.
Red Hat está experimentando con esa alternativa. La compañía, especializada en software empresarial de código abierto, lleva adelante un piloto interno de GLM, desarrollado por Z.ai, con hasta 1.400 ingenieros. Cerca del 70% del tráfico de inferencia de ese grupo ya se dirige a modelos de pesos abiertos. Alibaba Qwen también está disponible, aunque en una escala menor.
Stephen Watt, vicepresidente de ingeniería distinguido y miembro de la oficina del CTO de Red Hat, explicó que las dudas iniciales sobre la capacidad de estos modelos fueron disminuyendo a medida que los equipos comprobaron que podían resolver satisfactoriamente una parte importante de sus tareas. En determinados casos de uso, afirmó, los modelos abiertos habían alcanzado una eficacia comparable con Opus 4.6, de Anthropic.
Su conclusión resume el cambio de criterio que empieza a extenderse entre los equipos técnicos: los modelos más potentes pueden ser un buen punto de partida, pero no necesariamente la opción más conveniente para cada operación. Watt advirtió que permanecer utilizando modelos de frontera para todo tipo de tareas puede erosionar los márgenes de una compañía debido a sus costos.
Red Hat está intentando traducir esa lógica en disciplina presupuestaria. La empresa estableció una cuota experimental de US$300 mensuales por empleado para el uso de modelos de frontera. Los ingenieros pueden distribuir sus tareas entre modelos propietarios y abiertos según la complejidad del trabajo, y solicitar excepciones a sus responsables cuando lo consideran necesario. Watt describió la evolución del gasto en modelos alojados externamente como un proceso que pasó de crecer sin control a estabilizarse y luego a reducirse de manera pronunciada.
La tendencia también aparece en otros indicadores de mercado. El índice de producción de AI Gateway publicado por Vercel en octubre señaló que los modelos de pesos abiertos procesaban el 71,5% de los tokens que circulaban por su plataforma, aunque representaban el 23% del gasto. Su participación en el desembolso total se había multiplicado más de cuatro veces desde junio. El informe también registró que el gasto total en servicios de IA durante septiembre era aproximadamente 13 veces mayor que en diciembre, pese a que el precio promedio por token había caído 47%. Son datos de la actividad que pasa por la infraestructura de Vercel, no una medición de todo el mercado, pero ilustran la presión competitiva que están generando los modelos abiertos.
La ventaja económica, sin embargo, no es automática. El costo por token no siempre refleja el costo total de completar una tarea. Un modelo más barato puede necesitar más consultas, consumir más tokens o producir un resultado que requiera una revisión humana más extensa. AI Business recoge el ejemplo de una tarea legal: un modelo abierto podría tardar media hora en generar un borrador que luego demande cinco horas de revisión, mientras que un modelo propietario podría producirlo en 15 minutos y requerir otros 30 minutos de correcciones. En ese escenario, comparar únicamente el precio de la inferencia conduce a una conclusión incompleta.
La infraestructura es otro límite. Jonathan Cornelissen, cofundador y CEO de DataCamp, señaló que algunos proveedores de modelos abiertos todavía no pueden ofrecer la velocidad o la capacidad necesarias para competir en entornos de producción. La latencia puede ser demasiado alta y, en otros casos, los servicios no consiguen sostener el volumen de solicitudes. DataCamp, una plataforma de aprendizaje de IA utilizada por unas 6.000 organizaciones, analizó alrededor de 1,4 millones de horas de aprendizaje durante el mes más reciente y evaluaba Gemma 4, de Google, para su tutor de IA. Cornelissen también explicó que la compañía estaba trasladando ese tutor desde Anthropic hacia OpenAI porque consideraba que la alternativa era menos costosa, aunque todavía no había migrado a un modelo abierto.
La geopolítica agrega una dificultad que no puede resolverse con una planilla de costos. Algunas organizaciones y gobiernos desconfían de los modelos chinos por el posible acceso a información sensible o por las implicaciones de depender de proveedores sujetos a intereses y regulaciones de otro país. El Departamento de Seguridad Nacional de Estados Unidos prohibió durante octubre que las agencias civiles federales utilizaran tecnología de DeepSeek, aludiendo a varios riesgos potenciales, entre ellos la posibilidad de transferencia de datos a China. La medida, según el artículo de AI Business, no distingue entre las versiones alojadas por el proveedor y aquellas que una empresa ejecuta en sus propios servidores.
Esa distinción es central. Ejecutar un modelo localmente puede reducir la exposición de los datos a un proveedor externo, pero no elimina automáticamente los riesgos asociados con el origen del software, sus dependencias, sus mecanismos de actualización o la seguridad de la infraestructura donde funciona. Tampoco resuelve las exigencias de rendimiento, auditoría y aceptación de los clientes.
La evaluación de GLM realizada por Xbow, una compañía de seguridad ofensiva autónoma, muestra otra limitación. Su responsable de IA, Albert Ziegler, dijo que el modelo llegó a necesitar sustancialmente más tokens que uno cerrado para resolver determinados problemas, lo que reducía buena parte de su ventaja de precio. Para algunas aplicaciones de producción, la empresa encontró modelos propietarios, como Grok, más eficientes. Xbow probó GLM, pero todavía no lo utilizaba en producción.
El escenario, por tanto, no apunta a una sustitución inmediata de los modelos estadounidenses por alternativas chinas. Lo que comienza a emerger es una arquitectura más heterogénea: modelos propietarios para tareas que exigen mayor rendimiento, modelos abiertos para operaciones repetitivas o sensibles al costo, y despliegues locales cuando el control de datos y la soberanía tecnológica son prioritarios.
La advertencia de Ziegler introduce una dimensión adicional. El ejecutivo anticipó que, en un año, los modelos abiertos podrían superar la capacidad de los modelos cerrados disponibles actualmente, y advirtió que sistemas de ese nivel podrían ejecutarse en clústeres privados sin las restricciones que imponen los proveedores comerciales. Es una predicción, no un resultado demostrado, pero señala el dilema que acompaña a la democratización de la IA: reducir el costo y ampliar el control también puede distribuir capacidades avanzadas fuera de los mecanismos de supervisión de los grandes laboratorios.
Para las empresas, el desafío ya no consiste en elegir un único modelo ganador. Consiste en construir una estrategia que asigne cada tarea a la herramienta adecuada, mida el costo real de obtener resultados y establezca controles sobre dónde se procesan los datos. La irrupción china está ampliando las opciones, pero también obliga a revisar qué significa realmente comprar inteligencia artificial y quién conserva el control sobre ella.
Comentarios