El problema de costos de la industria de la IA se está volviendo cada vez más difícil de ignorar. Las empresas que se apresuraron a construir sobre los modelos más potentes de OpenAI, Anthropic y Google DeepMind ahora se enfrentan a facturas que pueden salirse de control, y un número creciente de ellas está recurriendo a modelos de IA de código abierto como el camino más sostenible a seguir. Ese cambio, antes tentativo, ahora es lo suficientemente visible como para que el principal tecnólogo de Amazon lo señale públicamente.
Summary
Conclusiones clave
- El CTO de Amazon, Werner Vogels, dijo que las empresas están cambiando cada vez más a modelos de IA de código abierto más baratos para controlar los crecientes costos de IA.
- Uber agotó todo su presupuesto de IA de 2026 en solo cuatro meses, y según se informa gastó medio billón de dólares en un solo mes.
- Los modelos de código abierto suelen ser gratuitos para descargar; los usuarios solo pagan por la infraestructura en la nube, lo que a menudo los hace más baratos que las alternativas propietarias.
- Amazon lanzó una nueva herramienta de IA de código abierto en la cumbre de la ONU AI for Good para ayudar a los investigadores a buscar en más de 1.100 conjuntos de datos científicos utilizando lenguaje natural.
- La transparencia en torno a los datos de entrenamiento de IA está emergiendo como un requisito innegociable en los sectores de salud, gobierno y trabajo humanitario.
El aumento de los costos de IA impulsa el cambio hacia modelos de código abierto
Hablando al margen de la cumbre AI for Good de la ONU el 10 de julio de 2026, Werner Vogels, director de tecnología (CTO) de Amazon, lo expresó claramente: «Vemos que se está produciendo un cambio entre los modelos de código abierto más baratos y los modelos grandes y costosos». Fue un reconocimiento franco de que la fiebre del oro de la IA tiene un precio, y muchas empresas ya no están dispuestas a pagarlo incondicionalmente.
Modelos propietarios costosos de los líderes de la industria
Los modelos insignia de OpenAI, Anthropic y Google DeepMind se sitúan en la parte superior de las clasificaciones de rendimiento. Pero el rendimiento a escala viene con una estructura de costos que ha tomado por sorpresa a más de una organización. Estos sistemas facturan por token, lo que significa que los costos se acumulan rápidamente a medida que el uso crece entre equipos y productos.
La ilustración más contundente de esto vino de Uber. La empresa supuestamente agotó todo su presupuesto de IA de 2026 en solo cuatro meses y, según los informes, gastó aproximadamente medio billón de dólares en un solo mes después de no limitar el uso de IA por parte de los empleados. Ese tipo de trayectoria de gasto obliga incluso a las grandes organizaciones a reevaluar su enfoque rápidamente.
Vogels lo planteó como una cuestión de arquitectura más que puramente financiera. «El costo es una parte muy importante de tu arquitectura, tienes que tenerlo en cuenta», dijo. «¿Realmente necesitas tener el modelo más grande y de gama más alta para resolver esto? La respuesta es no, no lo necesitas».
Ventajas de costo de los modelos de IA de código abierto
Los modelos de código abierto, a veces llamados modelos de pesos abiertos, generalmente se pueden descargar de forma gratuita. El costo principal proviene de la infraestructura de computación en la nube necesaria para ejecutarlos. Esa configuración a menudo resulta significativamente más barata que pagar tarifas continuas basadas en tokens a proveedores propietarios, especialmente a gran escala.
La ventaja de costo no es marginal. Según datos de OpenRouter, una plataforma para desarrolladores que agrega acceso a múltiples modelos de IA, los modelos chinos de código abierto pueden ser entre un 60 % y un 90 % más baratos que las principales alternativas de Anthropic y OpenAI. Esa diferencia ayuda a explicar por qué la proporción de tokens utilizados por empresas estadounidenses en modelos de IA chinos a través de OpenRouter llegó hasta el 46 %, frente a un promedio de solo el 11 % en los 12 meses anteriores.
La tendencia no se trata solo de recortar costos. Como dijo Peter Fenton, de Benchmark, inversor en la herramienta de desarrollo de IA de código abierto Ollama: cada empresa con altos gastos de inferencia tiene un «proyecto existencial vital» que la empuja hacia modelos de pesos abiertos. La propia Ollama, que ayuda a los desarrolladores a ejecutar modelos de pesos abiertos localmente, ahora cuenta con casi 9 millones de usuarios activos mensuales y está presente en el 85 % de las empresas Fortune 500, una señal de lo generalizado que se ha vuelto este cambio.
El CTO de Amazon destaca la transparencia y el pragmatismo en la adopción de IA
El argumento de costos por sí solo no captura el panorama completo. Más allá de la economía, algo más estructural está cambiando en la forma en que las organizaciones piensan sobre la IA que implementan.
Comentarios de Werner Vogels en la cumbre AI for Good de la ONU
Junto con la conversación sobre costos, Vogels señaló una segunda fuerza que está remodelando la adquisición de IA: la demanda de transparencia. «La transparencia se vuelve extremadamente importante», dijo en la cumbre. «La gente quiere saber cuáles son los datos que se utilizan».
Esto no es una preocupación abstracta. Las empresas ahora examinan no solo lo que puede hacer un modelo de IA, sino cómo se construyó: con qué datos se entrenó, qué sesgos podrían estar incorporados y cómo se pueden explicar sus decisiones. Ese escrutinio refleja una maduración más amplia en la adopción empresarial de la IA, que pasa de la fase inicial de entusiasmo a una evaluación más rigurosa de la transparencia de la IA y la gobernanza de datos.
Importancia de la confianza en sectores sensibles
El imperativo de transparencia es especialmente agudo en sectores donde las consecuencias de una salida de IA errónea o inexplicable son altas. En salud, gobierno y trabajo humanitario, comprender cómo se entrenó un sistema puede ser tan importante como su rendimiento bruto. «Si estas personas sirven a comunidades vulnerables. Si no confían en el sistema, no lo usarán», dijo Vogels.
Los modelos de código abierto ofrecen aquí una ventaja estructural. Debido a que los desarrolladores pueden inspeccionar y modificar el código, y ajustar con mayor facilidad los modelos con sus propios datos propietarios, tienden a alinearse mejor con las expectativas de transparencia de entornos regulados o sensibles. Sin embargo, la salvedad es real: incluso la mayoría de los proveedores de pesos abiertos no revelan completamente todos los datos con los que se entrenó inicialmente el modelo. La apertura es un espectro, no un binario.
Lo que hace que este momento sea analíticamente interesante es la convergencia de dos presiones separadas —la contención de costos y los requisitos de confianza— que apuntan en la misma dirección. Las organizaciones que podrían haber justificado altos costos de modelos propietarios durante la fase de experimentación ahora se enfrentan a un cálculo diferente: ¿pueden mantener la confianza a nivel de junta directiva en sus inversiones en IA cuando los costos son impredecibles y el origen de los datos de entrenamiento es opaco? Para muchas, la respuesta está remodelando toda su pila de IA.
Nueva herramienta de código abierto de Amazon busca empoderar a los investigadores científicos
Vogels, de Amazon, no solo diagnosticó la dirección de la industria en la cumbre, sino que también anunció un paso concreto en esa dirección. Una nueva herramienta de IA de código abierto de Amazon está diseñada para hacer que los datos científicos sean significativamente más accesibles, con un enfoque particular en las instituciones que carecen de los recursos técnicos de las grandes universidades de investigación o de los laboratorios bien financiados.
Integración con el AWS Registry of Open Data
La herramienta se conecta al AWS Registry of Open Data, que alberga más de 1.100 conjuntos de datos de importantes organizaciones científicas, incluidas la NASA, la NOAA y los NIH. En lugar de navegar por complejos catálogos de datos —un proceso que antes podía consumir horas—, los investigadores ahora pueden consultar el registro utilizando lenguaje natural sencillo. Un científico podría pedir imágenes satelitales con términos de licencia específicos o solicitar conjuntos de datos genómicos para una población determinada y recibir resultados relevantes sin necesidad de comprender la arquitectura de datos subyacente.
Facilitar el acceso para instituciones con pocos recursos
La implicación práctica para la investigación es significativa. Las instituciones con pocos recursos, como universidades pequeñas, ONG y agencias de salud pública en regiones en desarrollo, han enfrentado durante mucho tiempo una desventaja estructural en lo que respecta al descubrimiento de datos. La carga técnica de trabajar con grandes registros científicos favorece a las instituciones con ingenieros de datos dedicados. Al reducir esa barrera mediante la búsqueda en lenguaje natural, la herramienta abre el acceso a conjuntos de datos en campos como la ciencia climática y la salud pública que antes eran más difíciles de alcanzar para equipos no especializados.
También sitúa a Amazon de lleno dentro del ecosistema de IA de código abierto en un momento en que ese ecosistema está atrayendo capital y talento serios. La reciente Serie B de 65 millones de dólares de Ollama, que eleva su financiación total a 88 millones, indica que la comunidad de capital de riesgo ve las herramientas de IA de código abierto como un negocio duradero, no solo como una fase transitoria antes de que los modelos propietarios vuelvan a imponer su dominio. La trayectoria de código abierto, en otras palabras, ahora tiene un impulso institucional detrás, no solo lógica de costos.
La pregunta más difícil que se cierne sobre todo esto es qué sucede con el techo de rendimiento. Los modelos de código abierto están cerrando la brecha con los sistemas propietarios de frontera, pero las tareas más complejas —las que justifican los costos de modelo más altos— todavía tienden a favorecer a los sistemas cerrados y con grandes recursos. Es posible que las empresas terminen ejecutando pilas híbridas: modelos de código abierto para la mayor parte de su carga de inferencia, con modelos propietarios reservados para tareas específicas de alto riesgo. Esa arquitectura, y no un cambio limpio de uno a otro, puede ser donde realmente termine la industria.
Preguntas frecuentes
¿Por qué las empresas están cambiando a modelos de IA de código abierto?
Las empresas están cambiando a modelos de IA de código abierto principalmente para reducir los crecientes costos de IA. Los modelos propietarios de proveedores como OpenAI y Anthropic facturan por token, lo que puede generar gastos impredecibles y muy elevados a gran escala. Los modelos de código abierto generalmente son gratuitos para descargar, y los usuarios solo pagan por la infraestructura en la nube necesaria para ejecutarlos, un arreglo que a menudo resulta significativamente más barato, especialmente para implementaciones de alto volumen.
¿Qué preocupaciones destaca el CTO de Amazon sobre la transparencia en IA?
El CTO de Amazon, Werner Vogels, enfatizó que la transparencia sobre los datos de entrenamiento de IA es cada vez más importante para la adopción empresarial. Las organizaciones quieren saber qué datos se utilizaron para entrenar los modelos que implementan. Esto es particularmente crítico en sectores como la salud, el gobierno y el trabajo humanitario, donde la confianza en el sistema es un requisito previo para su uso real, especialmente cuando esos sistemas sirven a comunidades vulnerables.
¿Cuál es el propósito de la nueva herramienta de IA de código abierto de Amazon?
La herramienta permite a los investigadores buscar en el AWS Registry of Open Data —que contiene más de 1.100 conjuntos de datos de organizaciones como la NASA, la NOAA y los NIH— utilizando consultas en lenguaje natural en lugar de navegar por complejos catálogos técnicos. El objetivo es reducir el tiempo y la experiencia técnica necesarios para encontrar conjuntos de datos científicos relevantes, con un enfoque particular en hacer que ese acceso sea más equitativo para las instituciones de investigación con pocos recursos.
{«@context»:»https://schema.org»,»@type»:»FAQPage»,»mainEntity»:[{«@type»:»Question»,»name»:»¿Por qué las empresas están cambiando a modelos de IA de código abierto?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»Las empresas están cambiando a modelos de IA de código abierto principalmente para reducir los crecientes costos de IA. Los modelos propietarios de proveedores como OpenAI y Anthropic facturan por token, lo que puede generar gastos impredecibles y muy elevados a gran escala. Los modelos de código abierto generalmente son gratuitos para descargar, y los usuarios solo pagan por la infraestructura en la nube necesaria para ejecutarlos, un arreglo que a menudo resulta significativamente más barato, especialmente para implementaciones de alto volumen.»}},{«@type»:»Question»,»name»:»¿Qué preocupaciones destaca el CTO de Amazon sobre la transparencia en IA?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»El CTO de Amazon, Werner Vogels, enfatizó que la transparencia sobre los datos de entrenamiento de IA es cada vez más importante para la adopción empresarial. Las organizaciones quieren saber qué datos se utilizaron para entrenar los modelos que implementan. Esto es particularmente crítico en sectores como la salud, el gobierno y el trabajo humanitario, donde la confianza en el sistema es un requisito previo para su uso real, especialmente cuando esos sistemas sirven a comunidades vulnerables.»}},{«@type»:»Question»,»name»:»¿Cuál es el propósito de la nueva herramienta de IA de código abierto de Amazon?»,»acceptedAnswer»:{«@type»:»Answer»,»text»:»La herramienta permite a los investigadores buscar en el AWS Registry of Open Data —que contiene más de 1.100 conjuntos de datos de organizaciones como la NASA, la NOAA y los NIH— utilizando consultas en lenguaje natural en lugar de navegar por complejos catálogos técnicos. El objetivo es reducir el tiempo y la experiencia técnica necesarios para encontrar conjuntos de datos científicos relevantes, con un enfoque particular en hacer que ese acceso sea más equitativo para las instituciones de investigación con pocos recursos.»}}]}
Artículo producido con la ayuda de inteligencia artificial y revisado por el equipo editorial.
