El dilema de la IA empresarial: IBM destaca el potencial de los modelos de pesos abiertos frente a los de frontera en costes y rendimiento

Tecnologia
La industria de la inteligencia artificial se enfoca cada vez más en la eficiencia de costos, no solo en la capacidad de los modelos. IBM, a través de su CEO Arvind Krishna, ha puesto de manifiesto cómo los modelos de pesos abiertos están alcanzando un rendimiento competitivo, ofreciendo hasta el 90% de la eficacia de los modelos más avanzados con una fracción de su costo. Esta tendencia sugiere un cambio significativo en la estrategia de adopción de IA para las empresas, priorizando la relación costo-beneficio.

La evolución de la inteligencia artificial ha estado marcada por la búsqueda del modelo más potente. Sin embargo, a medida que las empresas buscan integrar estas herramientas en sus operaciones diarias, surge una pregunta crucial: ¿cuánto cuesta obtener una respuesta de calidad suficiente? Esta cuestión adquiere relevancia al considerar el volumen de solicitudes que una empresa puede generar, transformando una pequeña diferencia de costo en un ahorro o gasto considerable.

Las opciones para acceder a la IA son variadas: desde servicios gratuitos y suscripciones de pago hasta proveedores que facturan por uso. Además, existen modelos de pesos abiertos que pueden implementarse en infraestructura propia o a través de terceros, lo que ofrece a las compañías una flexibilidad que va más allá de contratar el servicio más avanzado.

Esta discusión llegó al centro de la presentación de resultados financieros de IBM. Matt Swanson, analista de RBC Capital Markets, inquirió sobre cómo las grandes empresas gestionan la tensión entre contener el gasto en IA y mantener el control sobre su despliegue. Arvind Krishna, CEO de IBM, respondió comparando la trayectoria de los modelos de frontera con la de las alternativas de pesos abiertos, señalando un cambio que, a su juicio, está redefiniendo esta elección.

Para ilustrar la magnitud de este cambio, Krishna utilizó cifras. A finales de 2024, un modelo de frontera podría obtener 70 puntos en una evaluación amplia, mientras que una alternativa abierta alcanzaría entre 20 y 30 puntos, una brecha que consideró inaceptable. Sin embargo, proyectó que a finales de 2025, la diferencia se reduciría a 70 frente a 50. Actualmente, estima que los modelos de pesos abiertos logran aproximadamente el 90% de la eficacia de los más avanzados, pero con un costo por token que oscila entre el 10% y el 25% de estos últimos. Estas son valoraciones de Krishna, no respaldadas por pruebas concretas.

Es fundamental entender el concepto de modelos de pesos abiertos. 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 su licencia. No obstante, esto no implica acceso al proceso de entrenamiento ni a todos sus datos y herramientas. La Open Source Initiative aclara que disponer de los pesos no es sinónimo de tener un modelo de código abierto.

El ahorro mencionado por Krishna se comprende mejor al analizar cómo se factura el uso de estos sistemas. Un token es la unidad con la que el modelo representa fragmentos de texto, y muchos proveedores cobran en función de la cantidad procesada. Krishna planteó la disyuntiva: “¿Prefiere algo que cuesta el 10% si alcanza el 90% del rendimiento del mejor, o quiere pagar un coste diez veces superior?”. Según los cálculos de IBM, una empresa grande podría necesitar dos o tres racks (armarios con servidores y equipos) para ejecutar estas alternativas. Sin embargo, esta infraestructura implica inversión, consumo eléctrico, mantenimiento y personal especializado. El ahorro real depende del volumen de uso, y para cargas de trabajo reducidas, contratar una API podría seguir siendo más económico.

Más allá de los costes, surge la pregunta: ¿qué tareas requieren realmente el modelo más avanzado? Krishna reconoce que algunas sí, pero considera que muchas tareas empresariales pueden resolverse con opciones más económicas. Citó ejemplos comunes como resumir un correo electrónico, redactar otro, examinar un contrato o gestionar una llamada de cliente. “Todo eso puede hacerse igual de bien con la alternativa mucho más barata”, afirmó. Esta es su valoración sobre esos usos, no una garantía de que cualquier sistema ofrezca resultados equivalentes en todos los casos, ya que la elección también depende de la complejidad de cada tarea y de la fiabilidad requerida.

Las observaciones 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 salir al mercado, con un precio equivalente al 20% en servicios en la nube. Sin embargo, hay matices importantes: el AI Index 2026 de Stanford señaló en marzo que 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 distintas y ninguna establece una equivalencia universal de capacidades.

Es importante considerar la fuente de 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 trasciende sus productos. Si una empresa puede satisfacer gran parte de sus necesidades con alternativas más económicas, la decisión de usar siempre el sistema más avanzado deja de ser tan obvia. La clave reside en encontrar el equilibrio adecuado entre capacidades, costes y control, sin comprometer la calidad de los resultados.