Model pickers: la trampa del ‘sin vendor lock-in’ en IA

El argumento: un wrapper de modelos no es producto

En un post publicado esta semana, el founder Ferran (ferran.sh) lanza una tesis directa: vender un producto de IA con la promesa de «no vendor lock-in» —es decir, permitir al usuario elegir entre decenas de modelos de distintos proveedores— es, en la mayoría de los casos, la señal más clara de que no hay producto debajo.

El razonamiento es incómodo porque toca una fibra sensible del ecosistema actual. Decenas de startups lanzadas en 2025 y 2026 se presentaron al mercado como «clones de [producto X] pero con un model picker»: Claude Code con otros modelos, ChatGPT con otros modelos, Grok con otros modelos. La única defensa frente a la pregunta obvia —¿por qué existiría este producto?— solía ser una de estas dos:

«El día que OpenAI o Anthropic suban los precios, te quedas atrapado.»
«Existen modelos open source baratos, así que tú no deberías depender de uno solo.»

Ferran rebate ambas con una observación simple: nadie elige un modelo por la marca ni por el precio. Lo elige porque es el que mejor resuelve la tarea. Cuando aparece un modelo claramente superior, los usuarios migran, sin importar que el proveedor suba tarifas o cierre el grifo.

🤖 La IA no es solo para leer sobre ella

En la comunidad la aplicamos: automatización, agentes IA y herramientas reales para emprender, no solo para informarte.

👥 Aplicarla en la comunidad

Qué es realmente un «custom harness» y por qué YC lo respalda

Para fundamentar su punto, Ferran apela a un término que el propio Y Combinator empezó a usar en sus Paper Club talks recientes: custom harness —un arnés de software a medida que envuelve un modelo frontera para resolver un caso de uso específico. Según Ferran, la mayor parte de la última cohorte de YC está construyendo exactamente eso: un harness fino, no un agregador.

La diferencia importa. Un harness hace tres cosas que un model picker no hace:

Modela el flujo de trabajo del usuario alrededor de la tarea, no alrededor del modelo.
Oculta o esconde la decisión técnica (qué modelo corre por debajo) para que el usuario no tenga que tomarla.
Optimiza el resultado por tarea completada, no por tokens consumidos.

Un model picker, en cambio, expone al usuario la decisión de qué modelo elegir. Y según Ferran, eso solo tiene sentido si los modelos son intercambiables en calidad. No lo son.

Lo que dicen los datos: la frontera todavía gana

¿Es esto una opinión o una tendencia medible? El State of Open Source AI 2026, publicado por Mozilla el 15 de septiembre y reportado por Ars Technica, aporta el dato clave: la brecha de capacidad entre los modelos frontera cerrados de las big tech estadounidenses y los mejores modelos open-weights chinos se redujo a 4,4 meses, según el Artificial Analysis Intelligence Index.

El reporte pone un ejemplo concreto: el modelo Kimi K3 de Moonshot AI queda a solo 3 puntos del modelo Fable 5 de Anthropic en el índice compuesto, al 30% del costo. Es el cierre de brecha más agresivo medido hasta ahora. Y, aun así, sigue siendo brecha.

Raffi Krikorian, CTO de Mozilla, lo resume en una frase citada por Ars Technica: «[Un modelo cerrado] gana su premium en pocos lugares: trabajo profesional experto, retrieval de alta intensidad y contexto largo». O sea: para la mayoría de tareas rutinarias, el modelo abierto ya sirve. Para las tareas que importan en un producto premium, todavía no.

Mozilla, además, recomienda que la mayoría de organizaciones use modelos abiertos como default y reserve los frontera para cargas específicas. Es el opuesto exacto del pitch del model picker: la decisión de qué modelo correr no la toma el usuario final — la toma el equipo de producto según el workload.

El nuevo manual: esconder el modelo, mostrar el resultado

Ferran señala a dos productos como referencia de lo que funciona hoy: Codex y ChatGPT Work, ambos de OpenAI. La tesis de producto que describe coincide con lo que OpenAI presentó oficialmente en su DevDay 2026 (29 de septiembre), cubierto por Pulse 2 y otras publicaciones del sector.

En esa keynote, OpenAI lanzó Dots, agentes persistentes powered por GPT-6 Astra que ejecutan tareas en su propia computadora en la nube, y ChatGPT Space, un espacio colaborativo donde humanos y agentes editan los mismos documentos. La pieza clave del anuncio no fue el modelo: fue que el usuario promedio ya no necesita saber qué modelo está corriendo para obtener el mejor resultado. La interfaz decide por él según la tarea.

Ferran lo formula así: «El trabajo es entregarle al usuario el resultado. Lo entregan sin importar qué modelo esté seleccionado debajo.» Y agrega que Anthropic se mueve en la misma dirección con su computer use, cada vez más capaz.

El benchmark mental que propone es potente: pasemos de costo por millón de tokens a costo por tarea completada. Un modelo más caro por token que resuelve más tareas por dólar gana. Y eso casi siempre es el modelo frontera.

Qué significa esto para tu startup

Si estás construyendo un producto de IA en 2026, la pregunta que Ferran te está haciendo es directa: ¿qué hay debajo del model picker? Si la respuesta es «ningún flujo de trabajo propio, solo una API que cambia de modelo», tienes un problema. Y no se arregla agregando más modelos a la lista.

Tres acciones concretas que puedes tomar esta semana:

Audita tu producto sin el model picker. Si quitás el selector de modelos y el producto sigue funcionando igual, el model picker era decoración. Si se rompe, ya tenés la tesis de producto que necesitás defender.
Optimiza por tarea, no por token. Cambia el dashboard interno de «costo por millón de tokens» a «costo por tarea completada con calidad aceptable». Vas a descubrir que el modelo más barato casi nunca es el más eficiente.
Asume la decisión de modelo por el usuario. Si tu ICP (perfil de cliente ideal) necesita el mejor resultado, elegí el modelo frontera por defecto y dejá la opción avanzada enterrada. Codex, ChatGPT Work y Dots son la prueba de que ese modelo de interacción convierte mejor.

El aviso final de Ferran es el que más duele: los productos que ganan no compiten en tier list de modelos, compiten en experiencia de uso. El modelo debajo importa cada vez menos. Lo que importa es si tu producto resuelve la tarea del usuario sin pedirle que entienda de IA.