No hay día en que no salgan a relucir los nombres de OpenAI y Anthropic o de Sam Altman y Dario Amodei. Los enterados saben qué venden: modelos –fundacionales o de frontera– para el entrenamiento de algoritmos de inteligencia artificial. Hay muchos modelos en danza. El miércoles pasado, Google presentaba Gemini 4, apodado Argon, su respuesta a las últimas versiones de GPT 6 Astra (OpenAI) y Claude Opus 5.5. (Anthropic). Los tres, destinados a optimizar y automatizar las aplicaciones empresariales existentes. Se enfrentan a no menos de media docena de modelos chinos (DeepSeek, Z.ai, Qwen y Kimi K3 son los más notorios) que les van comiendo la tostada. Por otra vía, en los modelos de consumo –hoy gratuitos– Meta ha tomado la delantera, asociando su modelo a una familia de dispositivos individuales. Tal vez Apple quiera seguir ese camino.
En este panorama, es menos conocida y más complicada la economía de los modelos de IA en su durísima competición: la rentabilidad requiere que, mientras crece el consumo, los precios suban o los costes de energía bajen, o las dos cosas, pero no está ocurriendo ni una ni la otra.
Las crónicas de estos días cuentan que Anthropic anuncia su salida a bolsa a la vez que desvela pérdidas de 48.000 millones de dólares, mientras Open- AI, que ha postergado la suya por miedo a un patinazo, reconoce haber perdido 21.600 millones en el primer semestre. En disonancia con estas cifras, Anthropic confía en alcanzar una valoración bursátil de 965.000 millones de dólares, mientras su rival directo sigue endeudándose sobre el supuesto de que valdrá 852.000 millones. He ahí una faz de la ingeniería financiera que soporta la IA de la que habla tanta gente.
La ingeniería financiera para invertir se combina con la lucha por las cuotas de mercado
Tres factores intervienen en la formación de la demanda empresarial. Primero, una escalada de los costes de computación; segundo, la irrupción de los modelos de pesos abiertos chinos mucho más baratos, y, tercero, la vigilancia en las empresas para que sus presupuestos de IA no se disparen. En el debate de las últimas semanas acerca de la propuesta, compartida por Amodei y Altman –que no se hablan–, de ralentizar el desarrollo de la IA, el cuarto factor es la existencia de una guerra de precios no confesada. Los clientes han empezado a combinar modelos en sus flujos de trabajo, lo que implica ausencia de fidelidad.
A menos que la Administración Trump encuentre un pretexto para bloquear los modelos chinos, estos se van a llevar la parte del león. En abril, el uso de DeepSeek era del 1% y un mes después, del 17%. Y desde mayo goza de la mayor cuota de uso, muy por delante de los estadounidenses, y se entiende por qué: sus precios son entre tres y diez veces más bajos.
Los modelos chinos, mucho más baratos, arrebatan posiciones a los de EE.UU.
¿Es inevitable una guerra de precios? Eso parece, con un matiz enigmático: las tarifas se calculan en tokens (de ahí el neologismo tokenomics ), unidad que mide los datos de entrada y de salida consumidos. Un ejemplo: Astra (el más moderno de OpenAI) cuesta 10 dólares por millón de tokens y 50 dólares por millón según sean de input o de output. El engorro ha llegado a un punto en el que se discute si sería conveniente abandonar los tokens y facturar por tarea completada, un método supuestamente más veraz. Otra fórmula ensayada, con escaso éxito, es la suscripción a precio fijo por un volumen máximo.
Si el coste de usar un modelo, medido en tokens, excede el coste de los empleados a los que se supone que reemplazará, los precios tendrían que caer lo suficiente para que el invento se sostenga. Entonces, ¿quién absorberá las pérdidas entre el momento actual y el día en que se alcance la paridad? Los inversores lo preguntan y las futuras cotizadas no tienen respuestas creíbles.
