IBM: modelos open weight al 10% del costo y 90% efectivos

Qué dijo IBM sobre los modelos open weight

Arvind Krishna, CEO de IBM, usó la llamada de resultados del tercer trimestre para ponerle números a un cambio que muchos equipos técnicos ya intuían: los modelos de pesos abiertos dejaron de ser la opción barata y mediocre. Según The Register, Krishna afirmó que hoy cuestan "entre el 25% y el 10% del costo por token de los modelos frontier" y que son "90% igual de efectivos".

La comparación que usó es la más útil para decidir. En 2024, un benchmark amplio podía dar 70 al mejor modelo cerrado y 20 o 30 al abierto. A fines de 2025 la brecha se había reducido a 70 contra 50. Hoy, dice, la pregunta se simplificó: "¿Quieres algo que cuesta 10% si es 90% igual de bueno que lo mejor, o quieres pagar 10 veces más?"

Krishna no cree que la mayoría de las empresas elija pagar el premium. "Algunas tareas sí lo requieren, pero la gran mayoría —resumir un correo, revisar un contrato, atender una llamada de cliente, redactar un email— se hacen igual de bien con la respuesta mucho más barata", dijo.

Por qué la brecha se cerró tan rápido

El argumento de Krishna no es una opinión aislada. El informe State of Open Source AI v1.1 de la Mozilla Foundation, publicado en septiembre de 2026, encontró que el mejor modelo de pesos abiertos quedó a solo tres puntos del líder cerrado en el Artificial Analysis Intelligence Index, con un costo de aproximadamente 40% por millón de tokens, según recogió TechTimes. Frente a un modelo frontier específico, la distancia era de dos puntos a cerca del 30% del costo.

Mozilla también midió la brecha en tiempo de trabajo humano: el mejor modelo cerrado resolvía tareas de unas 12 horas de un experto, y los abiertos alcanzaban ese umbral unos 4,4 meses después. Para tareas de menos de ocho horas de complejidad equivalente, la diferencia es "editorial más que operativa", según el mismo informe.

El otro dato que explica el fenómeno es de dónde vienen esos modelos. En agosto de 2026, ocho de los diez modelos más usados por volumen de tokens en OpenRouter eran de pesos abiertos, y siete de ellos de laboratorios chinos, según el informe de Mozilla recogido por TechTimes. Alibaba (Qwen), DeepSeek y Moonshot empujan los precios a la baja con una estrategia que Mozilla describe como política industrial: regalar los pesos elimina el costo de servir y crea dependencia de infraestructura.

Eso ya obligó a reaccionar a los laboratorios cerrados. En septiembre, OpenAI lanzó GPT-6 Sol y GPT-6 Luna recortando precios de API 50% frente al pricing promocional de GPT-5.6, y Anthropic presentó Claude Opus 5.5, que según CNBC cuesta cerca de 40% menos de operar que Opus 5.

El cuello de botella no es el modelo, es la infraestructura

Acá está la parte que Krishna admitió no tener resuelta. Su cálculo es que una empresa grande promedio puede arrancar con "dos o tres racks", una cantidad de infraestructura no enorme. Pero la pregunta que sigue es operativa: "¿Dónde están mis ingenieros de kernel? ¿Quiénes se preocupan por la red subyacente? ¿Quién garantiza que el modelo esté agrupado en GPUs cercanas en proximidad de red?"

Es exactamente el problema que documenta la encuesta de Mozilla a unos 1.494 desarrolladores: solo 51% de los equipos que usan modelos abiertos los llevaron a producción, contra 63% de los que usan modelos cerrados. La brecha no se cierra al crecer la empresa. Las barreras reportadas son costos de infraestructura y cómputo (27%), seguridad y cumplimiento (26%), mantenimiento continuo (24%) y complejidad de despliegue (23%), según TechTimes.

El costo de cómputo es concreto: el checkpoint de un modelo frontier abierto puede requerir 64 o más aceleradores en configuración de producción, según la model card citada por TechTimes. Del otro lado existen opciones que caben en una sola GPU, como el modelo Apache 2.0 de Thinking Machines. La elección real no es "abierto o cerrado" sino qué tamaño de modelo necesita tu caso de uso.

Krishna prometió que IBM responderá con software para simplificar despliegues y anticipó demanda para sus tarjetas aceleradoras Spyre en mainframe. También hay jugadores occidentales empujando en la misma dirección: Reflection AI presentó Beam, un modelo abierto de 501.000 millones de parámetros con 23.000 millones activos, que según TechCrunch dice igualar a los principales modelos abiertos chinos usando "3-4x menos cómputo de inferencia".

Los números del trimestre que acompañan el mensaje

El contexto financiero importa porque el mensaje de Krishna es también una estrategia comercial. IBM reportó ingresos totales de US$17.100 millones, un 5% más interanual, y superó el consenso de US$16.820 millones, según CNBC. Las ganancias ajustadas fueron de US$2,95 por acción contra US$2,86 esperados.

El software creció 9% hasta US$7.800 millones, con Red Hat como estrella: 11% de crecimiento y 30% más de ingreso recurrente anual. La virtualización de Red Hat, lanzada en 2024, acumuló US$800 millones en contratos ganados y una pipeline de US$750 millones más. La infraestructura creció 5% a US$3.700 millones, un ritmo muy inferior al de Dell, HPE y Lenovo, y los ingresos de mainframe cayeron 20%, algo que IBM esperaba a 18 meses del lanzamiento del z17.

Para un founder, el dato relevante es otro: el CFO Jim Kavanaugh dijo que la IA ya representa cerca del 30% de los ingresos de consultoría y 35% del backlog, según CNBC. La IA dejó de ser un piloto separado y se volvió parte del presupuesto de transformación.

¿Qué significa esto para tu startup?

La tesis de Krishna es una invitación a revisar tu factura de inferencia con criterio, no con fe.

• Clasifica tus tareas por complejidad antes de elegir modelo. Si tu producto resume documentos, clasifica tickets o extrae datos de contratos, el trabajo cae en el rango donde los modelos abiertos son competitivos. Reserva los modelos frontier para razonamiento sostenido, contexto largo con alta fidelidad de recuperación o tareas agénticas de varios pasos.
• Calcula el costo total, no el precio por token. El ahorro de 60-90% en tokens se consume rápido si tienes que contratar ingeniería de infraestructura. Si tu equipo no tiene experiencia en clústeres de GPU, vLLM o caching de resultados, un endpoint gestionado de un modelo abierto puede ser el punto medio antes de saltar al self-hosting.
• Si el argumento es soberanía de datos, el self-hosting es la única versión que lo cumple. Mozilla advierte que usar un modelo abierto a través de la API alojada de su desarrollador no elimina la exposición legal del proveedor. Los pesos descargados y corriendo en hardware propio son estructuralmente distintos: ninguna adquisición ni cambio de política puede revocarlos.

El mensaje de fondo para un founder hispanohablante es que la ventaja competitiva en IA se está corriendo del acceso al modelo hacia la ejecución: qué tan bien defines el caso de uso, qué tan limpio está tu dato y qué tan barato puedes servir. Ese terreno es más parejo que el de los modelos frontier, y ahí es donde un equipo chico puede ganar.

Fuentes

• The Register: IBM CEO says open weight models are now irresistibly good and cheap on-prem
• CNBC: IBM Q3 earnings report 2026
• TechTimes: Chinese Open-Weight AI Handles Most Developer Tokens
• TechCrunch: Reflection debuts Beam, an open-weight AI model
• Yahoo Finance: IBM CEO Says Open AI Models Are 90% as Good as Frontier Models
• CNBC: Anthropic and OpenAI roll out cheaper models