Las empresas estadounidenses empiezan a considerar con más seriedad los modelos de OpenAI. En una entrevista, el director de datos y de IA de AT&T afirmó que, en el uso de modelos abiertos, el porcentaje pasó del 20% en mayo de este año al 40%, y que los costos de IA se redujeron hasta en un 80% frente a principios de año. Esta cifra corresponde al propio criterio de la empresa entrevistada, y no todas las compañías que migren podrán obtener el mismo descuento.
Este asunto no afecta a un puñado de ingenieros. Los equipos de atención al cliente, los equipos de legal, los equipos de marketing y los equipos de datos, así como los responsables que deben integrar la IA en los procesos cotidianos, todos necesitan volver a hacer cuentas. Además de preguntar “¿qué modelo es el más inteligente?”, también debería preguntarse: “Por hacer el mismo trabajo, ¿cuánto cuesta, cuánto tarda en entregarse y quién corrige los errores?”
Lo que los lectores ahora deberían revisar no es en qué puesto está una lista de modelos, sino cuatro cosas: si bajan de verdad los costos de llamada o hardware; si la integración y el mantenimiento se vuelven más ligeros; si aumentarían el reproceso y la revisión manual; y si surge un problema de seguridad y permisos, quién se encarga de cubrir el fallo. Si “barato” solo es barato en la primera página de la factura, entonces no es reducir costos: es solo cambiar el lugar donde se gasta el dinero.
【Barato, por supuesto tiene su atractivo】
Las empresas quieren ahorrar dinero: no hace falta fingir lo contrario.
El atractivo de los modelos abiertos es muy directo: se pueden obtener los pesos, el modo de despliegue es más flexible y la empresa puede colocar una parte de las tareas en entornos que pueda controlar mejor. Para tareas a gran escala, de alta frecuencia y con formato estable, vale especialmente la pena probar si hay ventaja en costos. Por ejemplo, resúmenes de miles de conversaciones de atención al cliente cada día, clasificación de documentación interna, extracción de información con formatos fijos: mientras los límites de la tarea estén claros, el modelo no necesita escribir cada vez un artículo sorprendente; si puede trabajar de forma estable, eso ya tiene valor.
El caso de AT&T se discute justo por aquí. Un directivo entrevistado dijo que la empresa usa Gemma y Llama. Ese “80%” llama mucho la atención, pero lo más valioso no es el “80%” en sí, sino la premisa detrás: ¿la tarea encaja? ¿el proceso está maduro? ¿hay capacidad de ingeniería suficiente para integrar el modelo en el negocio?
Lo que las empresas necesitan es entrega continua: si hay errores, se pueden rastrear; en horas pico se puede aguantar; el personal lo puede manejar; y los problemas del cliente se pueden resolver.
【Abierto, no significa que se pueda usar sin más】
Aquí hay una palabra que se confunde con facilidad: “abierto”.
Los pesos abiertos no equivalen a un código completamente open source. Poder descargar los parámetros no significa que también estén sobre la mesa los datos de entrenamiento, el código, las condiciones de modificación y los límites de uso comercial. Lo que de verdad influye en la decisión de una empresa no es solo “si se puede conseguir”, sino también “si se puede usar legalmente, modificar de forma estable y mantener a largo plazo”.
Las empresas necesitan verificar punto por punto las licencias del modelo, las condiciones de uso y los planes de mantenimiento posterior. Lo que se abre y los permisos pueden variar entre modelos; no se puede inferir todo lo utilizable a partir de una etiqueta de “abierto”.
Lo más importante es no equiparar directamente un modelo abierto con el de un país concreto, ni imaginarlo como si fuera una facción. “Abierto” es una combinación de estado técnico y de licenciamiento, no una etiqueta geopolítica. Lo que realmente le importa a la empresa es: ¿puede este modelo terminar mis tareas? ¿se puede controlar el costo? ¿se puede explicar el riesgo?
A los usuarios comunes quizá les parezca que todo esto está lejos de ellos. En realidad, no lo está. Si llamas al servicio de atención, ¿el resumen que te dan es correcto? Si presentas materiales, ¿el sistema los interpreta mal? Si los textos de marketing que recibes se parecen cada vez más a una línea de producción, detrás puede estar el resultado de la selección del modelo.
Las empresas ahorran dinero; lo que el usuario percibe es la calidad del servicio.
【El costo real se esconde en el reproceso】
El costo total de una tarea de IA se puede dividir, de forma basta, en cuatro partes: costos de llamada o hardware, la integración y el mantenimiento, el reproceso por reintentos, y la revisión manual.
La primera parte es la más fácil de ver. En la factura hay números, en el servidor hay cotizaciones: finanzas lo detecta de inmediato.
La segunda parte empieza a complicarse. Si el modelo abierto se despliega por cuenta propia, tiene que haber alguien que se encargue de las máquinas, de la ampliación de capacidad, de las versiones y del monitoreo. El hospedaje de modelos abiertos tampoco es “aire”; el hardware, la duración de ejecución y las réplicas para ampliación también cuestan. Descargar pesos no borra el costo. Desplegar por cuenta propia, alquilar instancias dedicadas o llamarlos mediante una interfaz gestionada cambia la estructura de la factura y también hay que contar el mantenimiento de ingeniería.
La tercera parte es la que más desgasta. Imagina un conjunto de tareas de resúmenes para atención al cliente: la propuesta A tiene un precio más alto, pero la mayoría de los resúmenes pasan la verificación; la propuesta B cuesta menos, pero requiere que el personal vuelva a escuchar el audio y complete las demandas clave. Este supuesto no corresponde a ninguna empresa específica, ni presupone que un modelo abierto o uno cerrado sea necesariamente más preciso. Nos recuerda que solo registrando el tiempo de modificación sabremos si el bajo precio se compensa o no con el reproceso.
La cuarta parte es la más fácil de que la dirección subestime. La revisión manual no es un botón: consume atención. Si una persona se centra durante mucho tiempo en los errores de la máquina, se cansa, se vuelve insensible y pasa por alto problemas evidentes. La IA no solo compite con los servidores; también compite con la paciencia de las personas.
Así que “barato” hay que preguntarlo hasta el final: ¿es barato por cada llamada, o es barato por cada entrega que cumple?
Estas dos preguntas son muy diferentes.
【La seguridad no se resuelve solo diciendo “local”】
Muchas empresas dirán que los modelos abiertos son más controlables, se pueden desplegar localmente y los datos están más seguros.
Este enfoque tiene sentido, pero no se puede ser perezoso.
La seguridad no se genera automáticamente por las dos palabras “local”. ¿Se ha hecho bien la autenticación de acceso? ¿La separación de red está clara? ¿Cómo se procesan los datos sensibles? ¿Se conservarán los registros? ¿Quién puede ajustar el modelo y quién puede ver la salida? ¿Quién puede exportar los resultados? Si esas preguntas no están resueltas, no se puede confiar en que el modelo sea seguro esté donde esté.
Cuanto más se integra el modelo en el negocio, más finos deben ser los permisos. Hay que verificar punto por punto si los datos se envían a terceros, cómo se almacenan, y quién puede eliminarlos, en función del despliegue real y los acuerdos del servicio.
También hay un problema real: los modelos abiertos son más flexibles y, al mismo tiempo, exigen más al equipo de gestión. Si cambia la versión, cambia la salida y el área de negocio quizá no lo sepa al principio. Si se ajusta el prompt, fluctúa la precisión y el equipo de atención al cliente recibe primero las críticas. La seguridad no solo consiste en protegerse de extraños; también hay que evitar que el flujo interno se descontrole.
La forma realmente madura para una empresa no es gritar “vamos a un modelo abierto”, sino tratar el modelo como una línea de producción: con entradas, con control de calidad, con monitoreo y con plan de reversión.
La reversión significa que, cuando el desempeño de una nueva versión sea inestable, se puede volver al flujo original o tratarlo de manera manual. Esto requiere un diseño previo; no se puede buscar una solución temporal después de que el negocio se interrumpa.
【Qué tareas son adecuadas para migrar】
No todas las tareas deberían trasladarse a modelos abiertos.
No siempre merece la pena desplegar un servicio dedicado para tareas de baja frecuencia: si cuando la máquina está ociosa igual se cobra, si el personal de mantenimiento tiene margen, todo ello cambia el resultado. Las tareas con mucha responsabilidad y poco margen de tolerancia requieren aún más una verificación estricta y una revisión manual adicional.
Para tareas de alta frecuencia, estandarizadas y que se puedan verificar, es más adecuado hacer pruebas. Resúmenes de atención al cliente, clasificación de tickets, extracción de campos fijos, preguntas y respuestas con una base de conocimiento interna: si se pueden definir claramente los criterios de calidad, se puede contrastar en un rango pequeño. Toma el mismo lote de tareas y ejecútalo con distintos modelos; compara la tasa de finalización, el tiempo de modificaciones manuales, la latencia de respuesta y la estabilidad en picos de carga.
No escuches historias: mira la verificación.
Una buena solución de IA para empresas no es necesariamente el modelo más inteligente, sino la que requiere menos reprocesos manuales. Puede que responda sin estilo, pero con un formato estable; puede que no escriba frases memorables, pero puede extraer completamente el número de pedido, el motivo de la queja y las recomendaciones de manejo. Para una empresa, con eso ya vale su precio.
En el sector tecnológico se habla mucho del “techo”, pero los departamentos de negocio se preocupan por el “suelo”. El techo determina la sorpresa; el suelo determina si se puede trabajar en horario.
【Al final, mira estas cosas】
A partir de este caso, me preocupan dos aspectos: si el costo puede seguir bajando y si la empresa obtiene un espacio de despliegue y modificación más adecuado para sí.
Un enfoque que vale la pena verificar es asignar modelos por tarea, en vez de que toda la empresa elija solo uno. Haz que diferentes propuestas candidatas procesen las mismas muestras y decide la división según la tasa de cumplimiento, el costo, la latencia y la carga de mantenimiento. Tareas con complejidad similar también pueden dar resultados distintos por diferencias de datos y requisitos de verificación.
Lo siguiente que más conviene mirar no es que otra empresa vuelva a anunciar “adoptar completamente OpenAI”. Ese tipo de frase hace ruido, pero no es suficientemente sólido. Indicadores más duros hay cuatro.
Primero: ¿bajó el costo de entrega que cumple para la misma tarea? Segundo: ¿disminuyó el tiempo de revisión manual, en lugar de trasladarlo a empleados de primera línea? Tercero: ¿la respuesta es estable bajo picos de tráfico? Cuarto: ¿la licencia, la seguridad, los permisos y el flujo de procesamiento de datos pueden pasar auditorías internas?
Si estos cuatro indicadores se sostienen, el modelo abierto no es solo una herramienta para ahorrar dinero, sino parte de la infraestructura de IA de la empresa.
Si no se sostiene, entonces es otra forma del costo de prueba y error.
Lo más interesante de los cambios tecnológicos nunca son las grandes palabras que vuelan por el aire, sino en lo que al final aterrizan en la vida cotidiana, muy pequeña: ¿el servicio al cliente le pone menos excusas a una frase? ¿la factura sube un poco menos? ¿los empleados hacen una hora menos de guardia? ¿los usuarios confían un poco más?
La competencia de la IA, a primera vista, es la competencia entre modelos.
Mirando más a fondo: quién puede convertir la “inteligencia” en estabilidad, convertir lo “barato” en algo utilizable y convertir el “ardid técnico” en una comida servida a tiempo.
Solo para investigación y aprendizaje; no constituye asesoramiento de inversión.