Hoy las empresas están cambiando la manera de comprar inteligencia artificial. Ya no miran primero cuál es el modelo más grande, sino cuál resuelve una tarea concreta sin convertir la factura en un problema.
Después de meses de debate sobre quién tenía el sistema más avanzado, la prioridad se ha movido. Basta con un rendimiento lo bastante bueno si a cambio hay más velocidad, más control y mucho menos coste en trabajos como resumir documentos, clasificar tickets, revisar contratos o responder consultas internas.
Detrás de ese giro hay un factor que pesa más que el resto: la inferencia, es decir, lo que cuesta de verdad usar estos sistemas cuando dejan de ser una prueba y pasan a producción.
En una empresa grande, esa factura puede irse a millones al mes y, aunque el precio por token ha caído con fuerza, el gasto total sigue subiendo. Los flujos de trabajo con agentes consumen muchos más tokens por tarea y, en algunos despliegues, pueden llegar a triplicar el desembolso.
Por eso los equipos tecnológicos ya no evalúan cada modelo como si fuera una respuesta para todo. Lo tratan como una pieza más de la cadena y comparan si una tarea concreta puede resolverse con un sistema más pequeño, más rápido y también más predecible.
La diferencia de dinero cuesta ignorarla. Según estimaciones del sector, entrenar un modelo puntero como GPT-4 de OpenAI puede costar más de 100 millones, mientras que modelos de lenguaje más pequeños pueden desarrollarse por menos de 10 millones.
Y en la operación diaria la distancia también salta a la vista: según comparativas de costes del mercado, una petición a un modelo como Mistral 7B de Mistral AI puede salir más de 200 veces más barata que una hecha a GPT-4 de OpenAI.
Para departamentos que procesan miles o millones de consultas, esa brecha cambia el cálculo por completo. Si el resultado sirve para la tarea, el modelo más caro deja de ser la opción evidente.
De ahí que cada vez más empresas estén adoptando el enrutamiento de modelos, esto es, enviar cada petición al sistema que mejor encaja según coste, latencia y precisión.
En la práctica, eso se traduce en arquitecturas multimodelo donde varios motores trabajan a la vez: uno clasifica, otro redacta, otro busca o verifica.
La tendencia también va de la mano del avance de los agentes especializados. Gartner prevé que el 40% de las aplicaciones empresariales incorpore agentes específicos para tareas antes de finales de 2026, frente a menos del 5% aproximadamente un año antes.
La presión sobre los proveedores tampoco afloja.
Nikesh Arora dirige Palo Alto Networks y sostiene que el precio por token quizá tenga que caer hasta un 90% para que la adopción se acelere de verdad. A eso se suma que los modelos abiertos y las alternativas chinas de menor coste están recortando distancia en rendimiento y poniendo un límite a lo que puede cobrarse por resultados estándar.
Además, varios estudios señalan que entre 2022 y 2024 el tamaño necesario para alcanzar un mismo nivel de rendimiento se redujo 142 veces. También apuntan a que, con un presupuesto fijo de computación, modelos más pequeños entrenados con más datos pueden superar a modelos más grandes entrenados con menos.
El efecto sobre el negocio es profundo: a medida que las capacidades se parecen más entre proveedores, el valor deja de concentrarse en crear el modelo y se desplaza hacia desplegarlo bien, con optimización de inferencia, orquestación, gobernanza, seguridad y fiabilidad a gran escala.
Todavía no está claro hasta dónde llegará este ajuste de precios, pero la gran pregunta ya no es quién tiene el modelo más grande. La cuestión es cuál puede funcionar a escala masiva sin arruinar al cliente.
