La reciente presentación de resultados financieros de IBM incluyó una afirmación que está generando debate en la industria de la inteligencia artificial. El director ejecutivo, Arvind Krishna, sostuvo que los modelos de “pesos abiertos” –aquellos cuyas configuraciones pueden descargarse y ejecutarse en infraestructura propia– alcanzan hoy alrededor del 90% de la eficacia de los sistemas propietarios más avanzados, mientras que su costo por token se sitúa entre el 10% y el 25% del precio de los modelos cerrados. Según IBM, esta brecha de rendimiento se está reduciendo rápidamente, lo que abre una nueva alternativa para empresas que buscan equilibrar capacidad y gasto.
Este argumento surgió durante la sesión de preguntas y respuestas del cuarto trimestre, cuando el analista Matt Swanson de RBC Capital Markets indagó sobre cómo las grandes corporaciones pueden contener sus gastos en IA sin perder control sobre el despliegue. Krishna respondió remontándose a proyecciones de finales de 2024 y 2025, donde la diferencia de puntuación en evaluaciones amplias pasaría de 70‑30 a 70‑50 puntos entre los modelos de frontera y los de código abierto. Aunque no presentó datos independientes que corroboren esas cifras, la compañía utilizó el ejemplo para ilustrar una tendencia que, según ellos, está alterando la decisión de compra de soluciones de IA.
Los “pesos” son los parámetros que definen el comportamiento de un modelo tras su entrenamiento. Cuando una empresa publica estos pesos, otros pueden ejecutar el modelo en sus propios servidores, siempre bajo los términos de la licencia correspondiente. Esta apertura no implica acceso al código fuente ni a los datos de entrenamiento, pero sí permite un mayor control sobre la infraestructura y, potencialmente, una reducción significativa de costos operativos, especialmente cuando el consumo de tokens es elevado.
En la práctica, el modelo de cobro por token es el estándar de la mayoría de los proveedores de IA en la nube. Cada fragmento de texto que el modelo procesa o genera se traduce en un token, y el precio varía según la capacidad del modelo. Krishna planteó la pregunta que ahora enfrentan los directivos: “¿Prefiere pagar diez veces más por el 100% del rendimiento o diez por ciento del costo por el 90% de la capacidad?”. IBM calculó que una empresa mediana podría iniciar con dos o tres racks de servidores para ejecutar modelos abiertos, aunque esa inversión implica gastos de electricidad, mantenimiento y personal especializado.
El ejecutivo también subrayó que muchas tareas empresariales cotidianas –resumen de correos, redacción de documentos, revisión de contratos o atención al cliente– pueden resolverse con la alternativa más económica sin sacrificar calidad. Sin embargo, admitió que ciertos casos de uso críticos podrían requerir la precisión y la actualización constante que ofrecen los modelos propietarios.
Estos planteamientos coinciden con estudios recientes de la OCDE y del AI Index de Stanford, que sitúan la calidad de los modelos abiertos cerca del 90% de los cerrados, pero a un costo mucho menor. La discusión no es meramente técnica; también involucra intereses comerciales, ya que IBM desarrolla su propia familia de modelos Granite y mantiene alianzas con proveedores como OpenAI. En última instancia, la decisión de adoptar IA abierta o cerrada dependerá del equilibrio entre desempeño, presupuesto y control que cada organización requiera.
Fuente: xataka