La relación entre Replit y Anthropic ha entrado en terreno confuso. Amjad Masad, CEO y cofundador de Replit, afirmó en TechCrunch Disrupt que la plataforma ya no trabaja con Anthropic y apuntó tres motivos: coste, alianza y rendimiento. Según él, los modelos de OpenAI funcionan mejor para crear aplicaciones desde cero. Hasta ahora, Replit usaba los modelos Claude para ejecutar su plataforma. Sin embargo, una fuente cercana a la relación sostiene que la alianza sigue vigente. Conviene separar lo declarado de lo comprobado.
Qué ha dicho Masad y por qué importa la ruptura entre Replit y Anthropic
En TechCrunch Disrupt, Amjad Masad dejó claro que Replit ya no trabaja con Anthropic. Dio tres motivos: coste, alianza y rendimiento. En el último fue más concreto: según él, los modelos de OpenAI obtienen mejores resultados que los de Anthropic en benchmarks internos y públicos cuando la tarea consiste en crear aplicaciones desde cero. Ese es precisamente el caso de uso central de Replit, así que la comparación no es menor. Hasta este anuncio, la plataforma utilizaba los modelos Claude para ejecutar su servicio, es decir, Anthropic no era un proveedor accesorio, sino una pieza de la infraestructura. Que el CEO lo diga en un escenario público da peso a la declaración, aunque sigue siendo la versión de una de las dos partes. En lo publicado hasta ahora no consta cuánto pesó cada uno de los tres motivos, ni cuándo se produjo el cambio, ni qué parte del tráfico se ha movido de un modelo a otro.
La historia tiene aristas. Una fuente cercana a la relación entre ambas compañías aseguró que la alianza sigue vigente. Además, un blog de septiembre citaba modelos de Anthropic dentro de Replit Agent, lo que indica que hasta entonces seguían presentes en el producto. Las dos versiones no son necesariamente incompatibles: una cosa es mantener un acuerdo y otra distinta es qué modelo ejecuta cada tarea. Pero sin comunicado conjunto ni cifras, lo prudente es tratar el titular como una declaración de Masad y no como un hecho confirmado por ambas empresas. Para quien decide compras de IA, esa distinción importa.
Benchmarks, coste y dependencia: lo que revela el caso de Replit y Anthropic
Lo más útil de la declaración es el criterio de evaluación. Masad habla de benchmarks internos y públicos, y esa combinación tiene sentido. Los públicos permiten comparar modelos con una vara común, pero miden tareas genéricas. Los internos reflejan lo que de verdad hace el producto: en el caso de Replit, generar una aplicación completa a partir de una descripción. Un modelo puede liderar un ranking público y quedar peor en el flujo concreto de una empresa, y al revés. Por eso cualquier plataforma que dependa de un LLM necesita su propia batería de pruebas y debería repetirla cuando salen versiones nuevas. El inconveniente es que esos resultados internos no se pueden verificar desde fuera, así que el lector debe tomarlos como datos de parte. El coste es el segundo eje. En una plataforma que llama a un modelo con cada petición de sus usuarios, el precio por uso afecta directamente al margen. Cuando dos modelos rinden parecido, suele decidir el precio; cuando uno rinde claramente mejor, puede justificar pagar más. Masad cita los dos ejes a la vez, y esa es la ecuación que resuelve cualquier equipo técnico al elegir proveedor.
El CEO añadió datos sobre el negocio. Los contratos enterprise pasaron de aproximadamente un 2% de los ingresos el año pasado a un 15% este año, y más del 50% de los ingresos es B2B. Esas cifras no explican por sí solas la decisión sobre el proveedor de modelos, y Masad no las vinculó de forma explícita en lo recogido. Pero sí dibujan una empresa cuyo peso se desplaza hacia clientes corporativos, que miran la calidad del resultado y el coste con más detalle que un usuario individual. En ese contexto, la discusión sobre Replit y Anthropic deja de ser una anécdota de proveedor y se convierte en una decisión con efecto directo en cuentas y en producto.
Qué significa este movimiento para el mercado de modelos de lenguaje
Para los proveedores de modelos, el mensaje es incómodo: un cliente grande puede compararlos de forma continua y cambiar de opinión en público. Para OpenAI, el comentario de Masad es un argumento comercial en un caso de uso muy concreto, la creación de aplicaciones desde cero. Para Anthropic, es una declaración que, de momento, otra fuente matiza, y su respuesta oficial será lo que ayude a aclarar el alcance real del cambio. Para las plataformas que construyen sobre LLM, el caso de Replit y Anthropic confirma que el modelo es un componente que se evalúa y se sustituye según resultados y precio, no una relación cerrada. Para los compradores de estas herramientas, la lección es práctica: conviene preguntar a los proveedores de software qué modelos usan, con qué criterio los eligen y qué pasa con el servicio si cambian. Y quien contrate una plataforma de desarrollo asistido por IA debería asumir que el motor interno puede variar durante la vida del contrato, algo que merece una cláusula o, al menos, una conversación previa.
Análisis Blixel
Un proveedor de modelos no se elige para siempre, y las plataformas que lo olvidan acaban pagándolo en margen o en calidad. Esa es la lectura que me parece más sólida de este episodio, con independencia de quién tenga razón en los detalles. Masad ha puesto sobre la mesa tres motivos, pero solo uno, el rendimiento, viene acompañado de un criterio medible, y aun así los datos internos no los podemos auditar. Mi posición es de cautela: la versión de Replit es creíble como argumento técnico, pero no está confirmada por la otra parte, y existe una fuente que habla de una alianza vigente y un blog reciente que mostraba a Claude dentro de Replit Agent. Quien saque titulares categóricos de ahí se adelanta a los hechos. Lo que sí es firme es el patrón. Cuando el negocio crece hacia clientes enterprise, como indican esas cifras del 2% al 15%, cada décima de coste y de calidad pesa más, y el proveedor del modelo pasa a ser una decisión de producto, no de infraestructura. Para cualquier empresa que construya sobre un LLM, la enseñanza es diseñar para poder cambiar: separar la capa del modelo del resto de la aplicación, mantener pruebas propias con casos reales y revisar el proveedor con una periodicidad fija. El caso de Replit y Anthropic no demuestra que un modelo sea mejor que otro. Demuestra que depender de uno solo, sin plan B ni métricas propias, es una apuesta que conviene hacer con los ojos abiertos.
¿Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido común. Hablemos.
Deja una respuesta