Enrique Dans

Durante años hemos hablado de inteligencia artificial como si la batalla decisiva estuviese en el modelo. GPT contra Claude, Gemini contra Llama, DeepSeek contra todos. Una competición de benchmarks, ventanas de contexto, parámetros, precios por millón de tokens y comunicados de prensa cada vez más hiperbólicos. Pero esa fase empieza a agotarse. No porque los modelos dejen de ser importantes, sino porque están convirtiéndose en una commodity: una materia prima imprescindible, sí, pero cada vez más intercambiable. Lo que empieza a importar no es tanto qué modelo usamos, sino qué capa decide qué modelo usar, cuándo, para qué, con qué nivel de riesgo, con qué contexto y a qué precio.

Este artículo de CNBC, «Chinese AI models are gaining ground with U.S. companies as OpenAI, Anthropic costs surge«, lo ilustra perfectamente: los modelos chinos como DeepSeek, Z.ai o Qwen están ganando terreno entre empresas norteamericanas porque se acercan mucho en prestaciones a los grandes modelos propietarios estadounidenses, pero cuestan muchísimo menos. Según los datos citados por el artículo, la cuota de tokens usados por compañías estadounidenses en modelos chinos a través de OpenRouter ha estado por encima del 30% semanal desde el 8 de febrero, llegando incluso al 46%, frente a una media del 11% en los doce meses anteriores y solo el 4,5% en la primera mitad de 2025. Eso no es una anécdota: es toda una migración económica. Se llama commoditización, y pasa hasta en las mejores familias. 

El caso de Lindy resulta particularmente revelador: la compañía trasladó todo su tráfico desde Claude hacia DeepSeek, y su CEO afirma que la curva de costes literalmente se desplomó, con ahorros de millones de dólares en cuestión de meses. Vercel, por su parte, vio cómo GLM 5.2, de Z.ai, se convertía en el modelo de adopción más rápida de 2026 dentro de su plataforma, multiplicando por 27 su volumen diario de tokens y por 80 el número de clientes en su primera semana completa. La frase de Harpreet Arora, responsable de infraestructura agéntica en Vercel, resume el fenómeno: «cuando una tarea no necesita el mejor modelo, los equipos empiezan a enviarla al modelo más barato que sea suficientemente bueno». Eso es exactamente lo que ocurre en cualquier mercado que madura: dejamos de pagar por lo máximo cuando basta con pagar por lo adecuado. Orquestar, lo llaman.

La cuestión es que ese “suficientemente bueno” está subiendo de nivel muy deprisa. Artificial Analysis sitúa GLM-5.2 con una ventana de contexto de un millón de tokens, 753,000 millones de parámetros totales, 40,000 millones activos por token y licencia MIT, muy cerca de modelos frontier en varios índices de inteligencia y coste por tarea. OpenRouter lo ofrece a 0.9086 dólares por millón de tokens de entrada y 2,856 por millón de salida, y lo describe como un modelo adecuado para flujos agentic de largo recorrido, ingeniería de software a nivel de proyecto y automatización compleja. Comparemos eso con el precio oficial de GPT-5.5, cinco dólares por millón de tokens de entrada y treinta por millón de salida. A partir de cierto volumen, la diferencia ya no es una optimización: es una ventaja competitiva.

La noticia de que Beijing está estudiando restringir el acceso internacional a sus modelos de inteligencia artificial más avanzados añade una capa geopolítica fundamental a esta discusión: si los modelos chinos se han convertido en una alternativa cada vez más atractiva por su relación entre prestaciones y coste, y están empezando a ganar cuota entre empresas estadounidenses, su posible cierre o limitación confirma precisamente que ya no estamos ante simples productos tecnológicos, sino ante infraestructura estratégica. China, como Estados Unidos, empieza a tratar sus mejores modelos como activos nacionales, sujetos a controles, restricciones y lógica de seguridad nacional, lo que convierte la capa de orquestación, esa capacidad de elegir, sustituir y combinar modelos según coste, disponibilidad, riesgo y jurisdicción, en una competencia crítica para cualquier empresa o usuario avanzado que quiera construir sobre inteligencia artificial sin quedar atrapado en un único proveedor.

Aquí es donde empieza la parte verdaderamente interesante. Si los modelos se comoditizan, el valor se desplaza hacia arriba en la pila. La nueva capa crítica es la de orquestación: sistemas que reciben una tarea, la descomponen, deciden qué modelo conviene usar para cada parte, consultan memoria, llaman herramientas, verifican resultados, aplican políticas de seguridad, calculan costes y, en muchos casos, actúan. El modelo deja de ser el protagonista absoluto y pasa a ser un motor bajo el capó. La inteligencia empieza a estar en el router, en el agente, en la memoria, en los permisos, en los conectores, en la evaluación y en la gobernanza.

La literatura técnica ya apuntaba claramente en esa dirección. RouteLLM, por ejemplo, plantea precisamente la idea de enrutar dinámicamente las consultas entre modelos más fuertes y más débiles para optimizar la relación entre coste y calidad. Braintrust define el routing de modelos como una capa que se interpone entre la aplicación y los proveedores, y decide dónde enviar cada petición según reglas, puntuaciones o lógica de respaldo. CloudZero habla de agregación de APIs como una forma de crear un punto de control único que permite orquestar modelos, controlar gasto y ganar visibilidad extremo a extremo. Es decir: el problema ya no es simplemente “qué modelo contrato”, sino “cómo diseño una arquitectura que use muchos modelos sin perder control”.

En las empresas, esto se está convirtiendo en algo enorme y muy rápido. Las compañías que comenzaron usando un único modelo de los llamados «de frontera» para todo se están encontrando con facturas difíciles de justificar. Un agente corporativo que resume documentos, escribe código, consulta bases de datos, abre tickets, responde correos, prepara propuestas y revisa contratos no consume tokens como un chatbot ocasional: los devora. Si cada paso de esa cadena pasa por el modelo más caro, el sistema puede funcionar técnicamente y fracasar económicamente. Por eso aparece una nueva disciplina: la contabilidad del token. Saber cuánto cuesta cada agente, cada flujo, cada cliente, cada producto interno. Y, sobre todo, saber cuándo no merece la pena pagar por la máxima inteligencia.

Pero lo más interesante es que este fenómeno ya no se limita a grandes empresas. También está llegando a usuarios individuales sofisticados. Herramientas como OpenClaw permiten construir asistentes personales de código abierto que corren en la máquina del usuario, se conectan a canales como WhatsApp, Telegram o Slack y pueden gestionar correo, calendario, tareas o automatizaciones. Su documentación habla de un asistente siempre activo, conectado a las aplicaciones de mensajería que ya usamos, y su repositorio en GitHub lo presenta como un asistente personal que vive en nuestros propios dispositivos. La implicación es enorme: un usuario avanzado ya no necesita “casarse” con un modelo. Puede usar el modelo al que tenga acceso, el que le resulte más barato, el que prefiera por privacidad o el que funcione mejor para una tarea concreta. Basta con darle la API Key que mejor te venga en cada momento.

Ese cambio es más profundo de lo que parece. Hasta ahora, muchos usuarios pensaban en la inteligencia artificial como una conversación con una marca: ChatGPT, Claude, Gemini. La siguiente etapa será pensar en un asistente propio, persistente, con memoria, contexto y permisos, que utiliza modelos como quien utiliza proveedores. Hoy uno para razonar, mañana otro para resumir, otro para programar, otro local para datos sensibles, otro barato para tareas rutinarias. El usuario no quiere saber qué motor lleva cada ascensor; quiere simplemente que funcione.

Para OpenAI, Anthropic, Google y el resto de laboratorios de frontera, esto plantea un dilema evidente. Seguirán siendo imprescindibles para la frontera, para tareas complejas, para investigación avanzada, para decisiones críticas o para situaciones donde la fiabilidad extrema justifique el precio. Pero una parte gigantesca del mercado no necesita siempre lo mejor: necesita lo suficientemente bueno, suficientemente barato, suficientemente rápido y suficientemente gobernable. Y ahí los modelos abiertos, chinos o no, tienen una oportunidad formidable.

La historia de la tecnología se repite una vez más. Primero admiramos la infraestructura, después la damos por supuesta. Nadie elige hoy una aplicación porque admire el servidor sobre el que corre, salvo que sea administrador de sistemas. Pronto dejaremos de preguntar “qué modelo hay detrás” y empezaremos a preguntar “qué sistema decide”. La inteligencia artificial será mucho más interesante cuando dejemos de obsesionarnos con sus modelos. Porque entonces empezaremos a construir lo importante: capas capaces de convertir inteligencia abundante, barata y distribuida en acción útil, controlada y económicamente sostenible.