El costo de la inteligencia artificial empuja a las empresas hacia modelos abiertos

Las grandes empresas siguen entrando a la inteligencia artificial mediante modelos propietarios, como ChatGPT, Claude o Gemini porque ofrecen acceso inmediato a sistemas potentes sin construir infraestructura propia. Ese predominio empieza a encontrar un límite en el costo de procesar consultas y en la dependencia de un proveedor de inteligencia artificial.

La filial de IBM dedicada al software de código abierto Red Hat prevé que esa combinación llevará a más compañías hacia arquitecturas híbridas que mezclen servicios cerrados con modelos abiertos o de pesos abiertos ejecutados dentro de centros de datos empresariales, de acuerdo con Chris McBrayne, vicepresidente global de Enterprise de la compañía.

“En general, todo el mundo está mirando los modelos propietarios ahora mismo. Son los que están usando porque están disponibles, son fáciles y son potentes. Ya estamos llegando a un punto en el que se observan ganancias de productividad. Ahora empiezan a aparecer otros problemas. Hay mucho gasto en tokens que no está particularmente bien administrado y, si utilizas un modelo propietario, tiendes a tener mucha menos flexibilidad”, dijo McBrayne en entrevista. El directivo considera que el siguiente paso será una infraestructura híbrida de IA semejante a la expansión de la nube.

Buena parte de los modelos descargables son de pesos abiertos, una categoría distinta del código abierto definido por la Open Source Initiative. Los pesos son los parámetros aprendidos durante el entrenamiento y permiten ejecutar una copia funcional en infraestructura propia. La definición de IA de código abierto exige además materiales suficientes para estudiar y modificar el sistema. La oferta descargable ha crecido con modelos como Kimi K3 y las familias de DeepSeek, con licencias que determinan el control efectivo de quien los instala.

El cambio se da cuando México acelera su gasto en inteligencia artificial. IDC estima que las empresas mexicanas destinarán 776 millones de dólares a software y servicios de IA durante 2026, un crecimiento anual de 52 por ciento. La infraestructura de nube pública alcanzará 2,038 millones de dólares y avanzará 25 por ciento. Un estudio elaborado por Strand Partners para AWS calculó que 48% de las empresas mexicanas ya utiliza IA. El 63% permanece en aplicaciones básicas y 13 por ciento alcanzó una integración avanzada. Otro 46 por ciento reconoce que carece de una forma confiable de medir el retorno de inversión.

Costos de la IA

Para Alejandro Rafaelle, líder del segmento Enterprise de Red Hat en América Latina, esa diferencia entre adopción y despliegue obliga a revisar primero el problema que quiere resolver cada empresa.

“Las compañías están entendiendo poco a poco el costo de los tokens y el impacto que puede tener cuando llevan esto a producción. La opción de construir primero una plataforma, decidir qué casos de uso van a utilizar y tratar de desarrollar conocimiento para hacerlo ellas mismas es la forma en que creo que están creciendo en inteligencia artificial”, dijo.

Rafaelle espera que el uso empresarial evolucione hacia aplicaciones específicas instaladas dentro de la empresa o en esquemas híbridos.

Los servicios propietarios de inteligencia artificial suelen cobrar por los tokens procesados, es decir, las pequeñas unidades en las que un modelo divide el texto para interpretarlo y generar una respuesta. Un sistema integrado en operaciones puede generar consultas durante toda la jornada y elevar rápidamente ese gasto. Red Hat utiliza el término tokenomics para describir cómo ese consumo afecta el presupuesto de una compañía o proyecto y desarrolló su plataforma de inferencia alrededor de tecnologías abiertas como vLLM. La compañía busca aumentar el rendimiento del hardware para reducir el costo por token cuando la IA pasa a producción.

Los modelos de inteligencia artificial abiertos también tienen costos propios. Una empresa que descarga un sistema necesita capacidad de cómputo y personal para mantenerlo. McBrayne identifica además una restricción inmediata en la disponibilidad de GPU, los procesadores especializados que permiten realizar en paralelo los enormes volúmenes de cálculo que requieren muchos modelos de IA. La alta demanda, la oferta limitada de los equipos más avanzados y su elevado costo dificultan que una empresa construya rápidamente infraestructura propia, por lo que muchas recurren inicialmente a modelos alojados por grandes proveedores de nube. El directivo observa que China ofrece una señal de hacia dónde puede avanzar esa especialización.

“Hay una enorme entrada de modelos que son casi tan buenos, o están a la par, de los grandes modelos propietarios y que están saliendo de China. Ahí creo que estará una de las grandes cosas que habrá que observar en el mercado, cómo son adoptados frente a los demás, porque al final todo termina dependiendo de la economía y de la seguridad”, dijo y añadió que las compañías occidentales comienzan a buscar sistemas más pequeños para implementarlos en procesos específicos.

Seguridad y control

Ejecutar un modelo dentro de la infraestructura corporativa permite además mantener información sensible bajo control directo de la empresa. La organización asume también la vigilancia de vulnerabilidades. Esa discusión cobró relevancia en julio, cuando Nvidia y otras 36 organizaciones crearon la Open Secure AI Alliance y Red Hat se incorporó al grupo. Anthropic ha advertido que la publicación de pesos de modelos muy capaces vuelve permanente su distribución, pues una copia descargada puede seguir funcionando después de que el fabricante retire una versión. Para Red Hat, el crecimiento de los agentes obliga a trasladar controles hacia capas inferiores de la infraestructura.

“Quieres intentar controlar al agente en el nivel más bajo posible dentro de tu infraestructura. En tu propio entorno necesitas estar en el nivel del sistema operativo. Eso es lo que hemos estado construyendo, barreras específicamente para controlar agentes y evitar que actúen fuera de lo previsto en esa capa”, dijo McBrayne.

La trayectoria que Red Hat anticipa para México y América Latina parte de los servicios propietarios y avanza hacia una combinación de modelos cerrados y abiertos. McBrayne espera que las restricciones de infraestructura se reduzcan durante el próximo año. Rafaelle considera que las empresas de la región tendrán que preparar sus procesos y mejorar la calidad de los datos antes de ampliar estos sistemas.

rodrigo.riquelme@eleconomista.mx