Los modelos de IA de peso abierto están cerrando la brecha con los modelos de frontera cerrada a un ritmo sorprendente: con cada era sucesiva de grandes modelos de lenguaje, los modelos abiertos tardan la mitad de tiempo en alcanzar al primer modelo cerrado de esa era, según un nuevo análisis realizado por la firma de investigación de semiconductores SemiAnalysis.
El estudio, titulado "¿Se están poniendo al día los modelos abiertos?" y publicado el 21 de agosto por Evan Cloutier, Max Kan, Jordan Nanos y Dylan Patel, es uno de los intentos más sistemáticos hasta ahora de cuantificar una pregunta que se cierne sobre toda la industria de la IA: si los modelos abiertos siguen siendo casi tan capaces como los de frontera cerrada a una fracción del costo, ¿tienen los laboratorios de frontera un negocio duradero? Para obtener una cobertura detallada de los lanzamientos de modelos que impulsan este cambio, siga AI Buzz Wire.
Tres eras de la IA fronteriza
Los autores sostienen que la historia de los LLM se divide en tres eras distintas (escalamiento temprano, razonamiento y agencia), cada una de las cuales representa un aumento de la función escalonada en lo que los modelos pueden hacer de manera útil.
Su punto metodológico central es que comparar modelos de distintas épocas con un único punto de referencia es un error. Cada punto de referencia es un producto de su época: se crea para discernir las diferencias de capacidad que existen en ese momento, luego los fabricantes de modelos lo escalan hasta que se satura, momento en el que la industria deja de preocuparse y sigue adelante. En cambio, el equipo de SemiAnalysis ejecutó conjuntos de puntos de referencia seleccionados para los modelos de cada época para producir una puntuación de capacidad compuesta.
Visto de esta manera, la brecha entre apertura y cierre se mueve en ciclos. Al comienzo de cada era, un laboratorio de vanguardia completa una investigación prometedora, entrena un modelo impresionante y avanza. Luego, otros laboratorios identifican los avances clave, les aplican ingeniería inversa y cierran la brecha. "Nada permanece en secreto para siempre, especialmente si se tiene en cuenta la destilación", escriben los autores. "Es sólo una cuestión de cuánto tiempo lleva".
Su medición de esa pregunta produjo el hallazgo principal del estudio: con cada generación, los modelos de código abierto tardan la mitad de tiempo en alcanzar al primer modelo de código cerrado de la época.
Por qué este ciclo se siente diferente
El informe es directo sobre la diferencia entre los momentos pasados del modelo abierto y el actual. El "momento DeepSeek" de enero de 2025 fue noticia, pero "nadie utilizó realmente R1 para realizar ningún trabajo económicamente valioso", señalan los autores.
Por el contrario, señalan modelos como GLM 5.3 y Kimi K3 como "realmente capaces de realizar muchas de las mismas tareas de codificación y agencia que impulsaron a Anthropic a $ 65 mil millones + ARR", una referencia a la trayectoria de ingresos que la codificación y las cargas de trabajo de agencia han impulsado para el fabricante de Claude. Esta afirmación tiene un peso particular porque estos modelos abiertos no son sólo software de demostración; se están implementando en producción para las mismas tareas que generan ingresos reales para los laboratorios cerrados.
Las cifras de uso refuerzan el cambio. Fireworks, un proveedor de inferencia que sirve a muchos modelos abiertos, ahora procesa más de 40 billones de tokens por día, el doble del volumen de la API de OpenAI a finales de marzo, según SemiAnalysis. Es, como lo expresa el informe, "un momento emocionante para ser un consumidor de tokens", y la batalla por los tokens ahora se extiende mucho más allá del duopolio OpenAI-Anthropic.
La cuestión de la mercantilización
El estudio aborda directamente el temor, que desde algunos rincones etiqueta como FUD, de que los modelos abiertos, capaces y baratos, mercantilicen por completo la capa del modelo, un resultado que sería desastroso para los márgenes de los laboratorios fronterizos.
La parte pública del análisis no llega a una respuesta completa, y señala a los lectores el modelo Tokenomics pagado de la empresa para un tratamiento detallado de las finanzas de OpenAI y Anthropic. Pero la dirección del viaje es clara: si los modelos abiertos de cada era llegan en la mitad de tiempo que los de la era anterior, la ventana en la que los laboratorios cerrados pueden cobrar precios superiores por la capacidad de vanguardia sigue reduciéndose.
Los autores también advierten contra la interpretación de esta tendencia como una sentencia de muerte para la investigación de frontera. Los puntos de referencia, escriben, "no cuentan la historia completa", y las conclusiones del informe se describen como "menos bajistas" en los modelos de frontera de lo que los lectores podrían pensar inicialmente, en parte porque la paridad bruta de los puntos de referencia no es lo mismo que la paridad en confiabilidad, integración de productos, distribución empresarial o el capital necesario para servir modelos a escala.
Por qué es importante
Para los compradores, los hallazgos validan una estrategia que muchas empresas ya han adoptado: optar por modelos abiertos o más baratos para la mayor parte del volumen de tokens y reservar modelos cerrados premium para las tareas más difíciles. Para los laboratorios, cuantifica la presión que enfrentan en dos frentes: modelos abiertos debajo y enormes costos de computación arriba.
Y para el ecosistema de código abierto, los datos de SemiAnalysis ofrecen algo que a menudo ha sido escaso: evidencia, más que ideología, de que la brecha se está cerrando en un cronograma predecible. Si el patrón de medio tiempo se mantiene en la próxima era de la IA de frontera, la pregunta más valiosa de la industria no será si los modelos abiertos se pondrán al día, sino qué seguirá siendo defendible después de que lo hagan.
Sigue la carrera de IA de peso abierto Leer más noticias sobre IA →
