La irrupcion de la IA open source frente a modelos de frontera parecia el principio del fin para laboratorios como Anthropic. Los datos dicen otra cosa. Segun cifras de Vercel, DeepSeek ya procesa mas de un tercio de los tokens, pero Anthropic conserva mas de la mitad del gasto total en IA gracias a sus precios premium. Jesse Zhang, de Decagon, plantea que ambos mundos no compiten de frente, sino que forman parte de un mismo ciclo de adopcion. Entender esa mecanica cambia como una empresa deberia leer la supuesta guerra de precios.
Que ha pasado y por que importa
El argumento central lo formula Jesse Zhang, fundador de Decagon: los modelos open source y los de frontera no se disputan el mismo cliente en el mismo momento. Las empresas usan primero los modelos caros y potentes para validar un caso de uso, y solo cuando funciona migran a alternativas mas baratas para escalar en produccion. Es una secuencia, no un enfrentamiento directo. La discusion sobre IA open source frente a modelos de frontera suele ignorar ese matiz temporal.
Los numeros de Vercel dan cuerpo a la tesis. DeepSeek maneja mas de un tercio de los tokens procesados, una cuota enorme en volumen. Sin embargo, Anthropic retiene mas del 50% del gasto total en IA porque cobra tarifas premium por token. Dicho de otro modo: unos mueven cantidad, otros capturan valor. Esta divergencia entre volumen y facturacion es el dato que desmonta la lectura simplista de que el open source arrasa con el negocio de los laboratorios cerrados.
El contexto ayuda a situarlo. Durante el ultimo ano, la caida de precios de los modelos abiertos alimento la idea de que la ventaja de los laboratorios de frontera se evaporaba. La realidad de la IA open source frente a modelos de frontera es mas ordenada: cada capa ocupa un tramo distinto del ciclo de vida de un proyecto.
Implicaciones de mercado de la economia de dos niveles
Zhang describe una economia de dos niveles que reparte el pastel de forma nada trivial. El tramo alto, el de la experimentacion y los casos de uso de mayor exigencia, se lo quedan los modelos de frontera, que es justamente donde estan los margenes. El tramo bajo, el de la produccion masiva y sensible al coste, migra hacia el open source. Cada nivel es rentable para quien lo ocupa, pero no del mismo modo. En el debate IA open source frente a modelos de frontera, esta segmentacion explica por que Anthropic aguanta.
La consecuencia estrategica es directa. Los laboratorios de frontera se quedan con la parte mas rentable aunque pierdan cuota de volumen, mientras los modelos abiertos dominan el procesamiento a gran escala con margenes mas ajustados. Para un laboratorio como Anthropic, esto significa que la presion de precios de DeepSeek no ataca su nucleo de negocio de inmediato. Para los proveedores de open source, implica competir por volumen en un terreno donde diferenciarse por precio es cada vez mas dificil.
El matiz importante es el «por ahora». El modelo funciona mientras exista una brecha de capacidad clara entre ambos niveles. Si el open source cierra esa distancia en tareas de alta exigencia, el ciclo que describe Zhang podria comprimirse y erosionar el tramo premium.
Que significa este movimiento para el mercado
Para los buyers, la leccura practica es que elegir un unico proveedor para todo el ciclo suele ser un error economico. La logica de la IA open source frente a modelos de frontera sugiere una arquitectura por fases: prototipar con el modelo mas capaz para reducir incertidumbre, y trasladar la carga estable a modelos mas baratos una vez validado el caso. Quien mezcla ambos niveles optimiza gasto sin sacrificar la fase de descubrimiento, que es donde un modelo potente evita callejones sin salida.
Para los competidores, la senal es que competir solo en precio contra el open source es una carrera hacia el suelo. Los laboratorios de frontera defienden margen mientras mantengan una ventaja tangible en capacidad; el dia que esa ventaja se estreche, el 50% de gasto que hoy retiene Anthropic quedara expuesto. Para los proveedores de infraestructura como Vercel, la posicion es comoda: ganan tanto si crece el volumen open source como si sube el gasto premium, porque orquestan ambos. El riesgo real no es tecnologico sino temporal: cuanto tarde el open source en alcanzar a la frontera en las tareas que hoy justifican el sobreprecio.
Analisis Blixel
Conviene desconfiar de las narrativas de sustitucion total. Cada vez que aparece una tecnologia mas barata, alguien anuncia el entierro de la anterior, y casi nunca ocurre asi de limpio. Lo que describe Zhang no es una tregua entre bandos, es la fotografia de un mercado que se estratifica por funcion y no por bando ganador. El dato de Vercel es elocuente precisamente porque separa dos cosas que solemos confundir: procesar muchos tokens y ganar dinero no son lo mismo. Quien mide adopcion por volumen concluye que los abiertos arrasan; quien la mide por facturacion ve que los premium siguen mandando donde importa.
El punto ciego de esta tesis es su fecha de caducidad. Todo el equilibrio depende de que la brecha de capacidad entre niveles se mantenga lo bastante ancha como para justificar pagar de mas en la fase de experimentacion. Esa brecha se ha estrechado antes y no hay motivo para pensar que se congele. Si un modelo abierto empieza a servir para prototipar casos exigentes con garantias, el ciclo de «caro primero, barato despues» se acorta y el tramo rentable se comprime. Para una empresa espanola la conclusion operativa es sobria: no case su arquitectura con un solo proveedor ni con una sola narrativa. Disene por fases, mida coste por resultado y no por moda, y revise el reparto cada pocos meses. Hoy el equilibrio favorece a los de frontera en margen; manana el terreno puede moverse sin avisar.
Quieres aplicar esto en tu empresa? En Blixel.ai te ayudamos a integrar IA con sentido comun. Hablemos.