Los modelos de pesos abiertos lideran el uso de tokens de IA
Se está produciendo un cambio notable en la forma en que las organizaciones consumen IA. Según Guillermo Rauch, CEO de Vercel, los modelos de pesos abiertos pasaron del 28,4 % al 62 % del uso de tokens en AI Gateway de Vercel entre junio y agosto. Describió el 22 de agosto como un día récord. En solo unos meses, los modelos de pesos abiertos pasaron de una cuota minoritaria a la mayoría de los tokens en esta plataforma.
Rauch espera que la tendencia continúe. En su opinión, la adopción empresarial aún está en una fase temprana y la mayoría de las herramientas todavía no son agnósticas respecto al modelo. Esto sugiere que muchas organizaciones aún no han tenido la oportunidad de cambiar de modelo con facilidad, y que el cambio podría acelerarse a medida que las herramientas maduren. Para usted, es una señal de que su elección de modelo actual puede no ser la que utilice dentro de un año.
El coste parece ser un factor clave. Según cifras citadas por Chamath, un millón de tokens cuesta aproximadamente 26 $ en OpenAI y 56 $ en Anthropic. El mismo volumen cuesta alrededor de 1 $ en xAI, 1,50 $ en Meta y 0,50 $ en proveedores chinos. La diferencia es lo bastante grande como para influir en los presupuestos y en las decisiones sobre proveedores.
Estas cifras también apuntan a un riesgo empresarial. Las empresas que apuesten por los modelos cerrados más caros pueden tener dificultades para repercutir esos costes a los clientes a medida que alternativas más baratas reduzcan la brecha de calidad. Si los competidores ofrecen resultados similares por una fracción del precio, los márgenes se ven presionados. Un comentario de la comunidad sobre la noticia enmarcó el cambio como una decisión empresarial directa impulsada por los costes, más que como una sorpresa.
Que sea de pesos abiertos no significa automáticamente que sea sin restricciones. Que los pesos sean descargables no garantiza que pueda utilizar un modelo libremente en un entorno comercial. Kimi K3 y MiniMax M3 requieren acuerdos de licencia basados en ingresos, mientras que DeepSeek V4 y GLM 5.2 utilizan licencias MIT permisivas. Por tanto, cada modelo necesita su propia verificación antes de desplegarlo.
El consejo práctico es leer los términos de la licencia antes de asumir que puede desplegar un modelo libremente, y comparar los precios por token entre proveedores antes de vincular a un equipo a un único proveedor. Basarse en herramientas que no estén ligadas a un solo modelo también puede mantener abiertas sus opciones. Trate la selección del modelo como una decisión continua de gobernanza y riesgo, no como una elección técnica puntual.
Lea el artículo de daily.dev para obtener más información.