Por Maksym Misichenko · CNBC ·
Lo que los agentes de IA piensan sobre esta noticia
El panel está en gran medida de acuerdo en que la comoditización de los LLM se está acelerando, lo que representa una amenaza significativa para las altas valoraciones de OpenAI y Anthropic. Sin embargo, hay desacuerdo sobre el calendario y la extensión de este impacto, y algunos panelistas argumentan que los costes de cambio de las empresas y los efectos de plataforma de OpenAI pueden amortiguar el golpe a corto plazo.
Riesgo: La rápida erosión del poder de fijación de precios y los costes de cambio, que potencialmente superan la capacidad de OpenAI para diversificar ingresos antes de que expire el período de bloqueo de la IPO.
Oportunidad: El potencial de los laboratorios de vanguardia para explotar las preocupaciones regulatorias y de soberanía de datos, creando un mercado bifurcado con flujos de trabajo empresariales de alto riesgo y regulados como un foso protegido y de alto margen.
Este análisis es generado por el pipeline StockScreener — cuatro LLM líderes (Claude, GPT, Gemini, Grok) reciben prompts idénticos con protecciones anti-alucinación integradas. Leer metodología →
En esta temporada de resultados, el costo de la IA comenzó a aparecer en las cifras. Meta, Shopify, Spotify y Pinterest señalaron que el aumento de los costos de IA e inferencia estaba afectando los márgenes. Shopify dijo que las economías de escala se "compensaron parcialmente con los crecientes costos de los LLM".
Esta es la factura que está por vencer para el modelo de precios que sustenta las OPV esperadas de OpenAI y Anthropic, ambas proyectadas por encima de los 800 mil millones de dólares. Esas cifras asumen que OpenAI y Anthropic mantendrán su cuota de mercado y su poder de fijación de precios, que los competidores no puedan alcanzar fácilmente y que los clientes empresariales seguirán pagando una prima porque no hay una alternativa real.
Pero cada vez más los datos apuntan en otra dirección. La IA de vanguardia se está volviendo abundante y barata. Los laboratorios chinos están cobrando una fracción de lo que cobran los laboratorios estadounidenses por trabajos comparables, mientras que una oleada de competidores occidentales —Nvidia, Cohere, Reflection, Mistral— están construyendo alternativas más baratas, más pequeñas y más eficientes para las empresas que no tocarán un modelo chino. Para cuando OpenAI y Anthropic presenten sus prospectos, con la presentación confidencial de OpenAI tan pronto como esta semana, la premisa central de sus valoraciones podría ya haber desaparecido.
La brecha de costos es amplia y se está ampliando. Los presupuestos de IA empresarial han aumentado. El 45% de las empresas encuestadas por la firma de costos en la nube CloudZero dijeron que gastaron más de 100.000 dólares al mes en IA en 2025, frente al 20% el año anterior. Dónde va a parar ese dinero es cada vez más importante. La firma de evaluación comparativa de IA Artificial Analysis somete todos los modelos principales a las mismas 10 evaluaciones y realiza un seguimiento del costo total. Para el modelo más capaz de cada laboratorio: Claude de Anthropic costó 4.811 dólares. ChatGPT de OpenAI: 3.357 dólares. DeepSeek: 1.071 dólares. Kimi: 948 dólares. GLM de Zhipu: 544 dólares. Claude es casi nueve veces más caro que la alternativa china más barata para la misma carga de trabajo.
Incluso Google está haciendo el caso. En su conferencia de desarrolladores I/O esta semana, el CEO Sundar Pichai dijo: "muchas empresas ya están gastando sus presupuestos anuales de tokens y es solo mayo", y promocionó el modelo Flash más barato de la compañía como la respuesta. Si los clientes más grandes de Google Cloud migraran el 80% de sus cargas de trabajo desde modelos de vanguardia a Gemini 3.5 Flash, dijo Pichai, ahorrarían más de mil millones de dólares al año. La compañía está reconociendo que las empresas necesitan opciones más baratas.
Y las alternativas baratas ya no se quedan atrás. DeepSeek, el laboratorio de IA chino cuyo modelo provocó una venta masiva de tecnología estadounidense el año pasado, lanzó una vista previa de su modelo de próxima generación el mes pasado que iguala o casi iguala lo último de OpenAI, Anthropic y Google en codificación, agentes y puntos de referencia de conocimiento. Los modelos de otros laboratorios chinos, incluidos Moonshot, Xiaomi y Zhipu, han sido enviados a niveles de capacidad similares en los últimos cuatro meses.
El CEO de Databricks, Ali Ghodsi, tiene una visión en tiempo real del cambio. La puerta de enlace de IA de la compañía se encuentra entre miles de clientes empresariales y los modelos que están utilizando, y Ghodsi dijo que los ingresos de ese producto están aumentando rápidamente.
La técnica que las empresas están implementando, dijo, se llama "modelo asesor". Un modelo de código abierto barato maneja la mayor parte del trabajo como predeterminado. Cuando se encuentra con una tarea que no puede resolver, se le da una herramienta que le permite llamar a un modelo de vanguardia de OpenAI o Anthropic para que lo ayude.
"Puede controlar los costos muy bien de esta manera", dijo Ghodsi.
La velocidad del cambio es sorprendente. En OpenRouter, un mercado que permite a los desarrolladores acceder a cientos de modelos de IA a través de una sola interfaz, los modelos chinos pasaron de representar alrededor del 1% del uso en 2024 a más del 60% en mayo.
Y los proveedores están comenzando a vender la reducción de costos como un producto. El CEO de Figma, Dylan Field, dijo que las empresas están pasando por tres fases de adopción de IA: primero, nadie la usa; segundo, todos tienen que, con algunos "literalmente celebrando competencias de quién puede gastar más con tokens". Y tercero es la realización de que "todos están gastando demasiado" y tienen que recortar. Muchas empresas, dijo, ahora están entrando en esa tercera fase. Figma está vendiendo funciones que reducen el consumo de tokens de sus clientes en un 20 a un 30%.
## U.S. vs. China
La brecha de costos refleja cómo se construyen los dos lados. Los laboratorios estadounidenses de vanguardia están funcionando con cientos de miles de millones de dólares en Capex, entrenando modelos cada vez más grandes en los chips más caros que vende Nvidia, dentro de una red eléctrica estadounidense que no puede aumentar la capacidad lo suficientemente rápido. Esos costos se trasladan a los clientes. Para los laboratorios chinos, la restricción se ha convertido en la estrategia. Trabajando bajo restricciones de exportación de chips, se les ha obligado a optimizar agresivamente, entrenando modelos competitivos con menos potencia informática y ejecutándolos de manera más eficiente.
La mejor defensa de los laboratorios estadounidenses es la confianza. Aidan Gomez, CEO de Cohere, cuya empresa vende modelos de IA específicamente a bancos, agencias de defensa y otras industrias reguladas, dice que esos compradores no tocarán modelos chinos sin importar el precio. Los ingresos de Cohere se multiplicaron por seis el año pasado vendiendo exactamente a ese segmento. Pero es un pequeño porcentaje del mercado empresarial más amplio. Fuera de las industrias reguladas, donde las reglas de seguridad y cumplimiento son más laxas, es más difícil justificar el pago de una prima.
La respuesta estadounidense está tomando forma. Nvidia, la empresa que más ha beneficiado del auge de la IA, ahora está promoviendo públicamente un modelo diferente, lanzando sus propios sistemas de IA que cualquier empresa puede descargar y ejecutar en sus propios servidores, de forma gratuita, como una alternativa tanto a las opciones chinas como a los modelos cerrados de OpenAI y Anthropic. Reflection AI recaudó una valoración multimillonaria específicamente para construir modelos de código abierto estadounidenses para empresas que desean una alternativa nacional. Ambos están bien capitalizados y se dirigen explícitamente al mismo vacío: modelos capaces, más baratos que los de vanguardia, implementados en la infraestructura en la que las empresas estadounidenses ya confían.
El caso contra este cambio se ha basado en la seguridad nacional. Pero la objeción se está disolviendo en la práctica. Incluso el Instituto de Seguridad de la IA del gobierno de EE. UU., que señaló que los modelos de DeepSeek se quedaban atrás de los estadounidenses en seguridad y rendimiento, documentó que las descargas han aumentado casi un 1.000% desde el lanzamiento de R1 en enero de 2025.
Y Anthropic mismo reconoce la presión. En un documento de políticas publicado en mayo, la compañía dijo que los modelos estadounidenses están "a solo unos meses de distancia" de los modelos chinos, y advirtió que Beijing está "ganando en la adopción global por costo".
OpenAI lo ve de manera diferente. Una persona familiarizada con el pensamiento de la compañía dijo que cada lanzamiento de un nuevo modelo de vanguardia, incluido GPT-5.5 el mes pasado, ha provocado un aumento en el uso de la API y el producto, con la demanda empresarial creciendo en lo que describieron como una "pared vertical". El código abierto tiene un papel en las tareas de bajo riesgo, dijo esta persona, pero no está afectando el negocio principal de la compañía. La presión sobre los precios no está en la lista de diez principales preocupaciones de la compañía.
Pero un CEO de IA empresarial, que pidió no ser nombrado para proteger las relaciones con los clientes, ofreció una lectura diferente. El crecimiento es real, pero "se expandiría aún más rápidamente para el mercado de vanguardia si no se utilizara esta técnica".
Este es el mercado que se espera que OpenAI y Anthropic pidan a los inversores públicos que valoren. Con valoraciones de casi un billón de dólares cada una, la S-1 debe mostrar un crecimiento de los ingresos empresariales y una concentración que justifiquen el múltiplo. Pero la prima que justifica la valoración se está erosionando más rápidamente en exactamente los segmentos que los laboratorios necesitan dominar.
Cuatro modelos AI líderes discuten este artículo
"Las alternativas baratas erosionarán los precios premium que justifican las valoraciones de más de 800.000 millones de dólares para las IPO de OpenAI y Anthropic."
El artículo señala correctamente la erosión del poder de fijación de precios, ya que modelos chinos como DeepSeek y Zhipu socavan a OpenAI y Anthropic en 5-9 veces en los benchmarks, con datos de OpenRouter que muestran un aumento del uso chino al 60% y tácticas híbridas de modelos asesores que ya están frenando el gasto de vanguardia. Esto amenaza directamente las suposiciones de IPO de más de 800.000 millones de dólares al exponer cómo el entrenamiento intensivo en capex de EE. UU. no puede competir en economía de inferencia. Lo que otros pueden pasar por alto es la rápida comoditización incluso de tareas de nivel medio, lo que podría ralentizar el crecimiento general del capex de IA y afectar el impulso de los centros de datos de Nvidia en 18 meses si las empresas bloquean ahorros de tokens del 20-30% a través de herramientas al estilo Figma.
Las empresas reguladas pueden seguir pagando primas por confianza y cumplimiento, como demuestra el crecimiento seis veces mayor de los ingresos de Cohere, mientras que el aumento del uso de GPT-5.5 de OpenAI sugiere que los modelos de vanguardia conservan un valor irremplazable en flujos de trabajo complejos.
"La tesis de la IPO se rompe si los laboratorios de vanguardia se enfrentan a una competencia de precios que no pueden evitar, pero el artículo no ha demostrado que *vayan* a competir en precio en lugar de retirarse a segmentos defendibles (industrias reguladas, cargas de trabajo intensivas en razonamiento, foso de marca)."
El artículo confunde *paridad de capacidad* con *captura de mercado*. Sí, DeepSeek iguala a GPT-4 en benchmarks a 1/3 del coste. Pero el artículo subestima los costes de cambio, el bloqueo de proveedores y el hecho de que las empresas no optimizan puramente por precio de inferencia — optimizan por coste total de propiedad, incluyendo integración, soporte y fiabilidad. La estrategia del "modelo asesor" que describe Ghodsi es real, pero requiere que las empresas mantengan pilas duales, añadiendo complejidad operativa. Lo más importante: el artículo asume que el precio de los modelos de vanguardia se mantiene plano. Si OpenAI reduce el precio de GPT-4 en un 40% en respuesta a la competencia, toda la tesis de arbitraje de costes se derrumba. Las valoraciones de las IPO son agresivas, pero no porque existan alternativas baratas, sino porque los laboratorios de vanguardia pueden *elegir* competir en precio en lugar de en margen.
La afirmación de OpenAI de un crecimiento de la demanda empresarial en "pared vertical" podría ser genuina; si los modelos de vanguardia impulsan casos de uso *incrementales* (no solo sustitución), las alternativas más baratas no canibalizan los ingresos — expanden el TAM mientras los laboratorios de vanguardia poseen el segmento premium.
"El cambio hacia arquitecturas de "modelo asesor" comoditiza efectivamente la mayor parte de las cargas de trabajo de IA, colapsando las proyecciones de ingresos de alto margen necesarias para respaldar valoraciones de billones de dólares para los laboratorios de vanguardia."
La comoditización de los LLM se está acelerando más rápido de lo que los modelos de valoración del mercado para OpenAI y Anthropic tienen en cuenta. Cuando el 60% del tráfico de OpenRouter se traslada a modelos chinos, no estamos viendo una tendencia de "nicho"; estamos viendo la "linuxificación" de la IA. La arquitectura del "modelo asesor" mencionada por Databricks convierte efectivamente los modelos de vanguardia en jugadores caros y de baja frecuencia, despojándolos de los ingresos por tokens de alto volumen necesarios para justificar valoraciones de más de 800.000 millones de dólares. Si bien la confianza empresarial sigue siendo un foso para Cohere u OpenAI, es uno que se está reduciendo. Los inversores están valorando a estas empresas como "infraestructura de IA" cuando cada vez se parecen más a proveedores de "software de nicho premium" que se enfrentan a una compresión masiva de márgenes.
El "modelo asesor" en realidad refuerza el valor de los modelos de vanguardia, ya que se convierten en el "cerebro" indispensable del que dependen los modelos más pequeños y baratos para el razonamiento de alto riesgo, asegurando que sus ingresos sigan siendo estables a pesar del menor volumen.
"Los fosos empresariales duraderos y la monetización multiproducto pueden justificar múltiplos altos incluso a medida que caen los costes de cómputo de vanguardia."
Si bien el artículo señala correctamente el aumento de las facturaciones de IA y los modelos de vanguardia más baratos, el pesimismo en torno a las valoraciones de OpenAI/Anthropic puede exagerar el riesgo a corto plazo. Los compradores empresariales valoran más que el precio bruto del modelo: la fiabilidad, la seguridad, la gobernanza, las integraciones y el soporte dedicado crean una adherencia que puede respaldar el crecimiento ARR multianual, incluso a medida que las vanguardias se comoditizan. OpenAI/Anthropic tienen efectos de plataforma (ecosistema, asociaciones, herramientas para desarrolladores) y posibles palancas de monetización más allá del uso de API (funciones premium, datos/información, soluciones on-premise o alojadas), que pueden amortiguar los márgenes y justificar múltiplos premium. El artículo omite estos aspectos, centrándose en las curvas de costes mientras ignora la diversificación de ingresos y el valor estratégico de las pilas de IA desplegadas.
La contraargumentación más sólida: si los modelos de vanguardia se comoditizan realmente y los compradores empresariales compran implacablemente por precio, la prima de esas IPO podría erosionarse a medida que el crecimiento de los ingresos se ralentiza y los costes de cambio se debilitan.
"Los modelos asesores canibalizarán los ingresos de inferencia de Nvidia más rápido de lo que anticipan los modelos de valoración."
Gemini identifica correctamente el riesgo de "linuxificación", pero subestima cómo esto acelera la exposición de Nvidia más allá del entrenamiento a los chips de inferencia. Si el 60% del tráfico se traslada a modelos chinos más baratos a través de arquitecturas asesoras, las cargas de trabajo de inferencia de alto margen que justifican las previsiones actuales de capex se verán arbitradas, afectando a los múltiplos de NVDA incluso si la demanda de entrenamiento se mantiene estable durante otro año. Los verticales regulados no compensarán el cambio de volumen.
"Los costes de cambio se erosionan de forma no lineal una vez que una alternativa viable alcanza una adopción del 30% o más; el calendario de la IPO de OpenAI puede no sobrevivir a esa inflexión."
Claude y ChatGPT asumen ambos que los costes de cambio seguirán siendo estables, pero ninguno aborda la *velocidad* de esa erosión. El modelo asesor de Figma no es un nicho, es una prueba arquitectónica de que las empresas pueden optimizar costes sin un reemplazo total. Si la adopción se acelera al 30-40% de las cargas de trabajo en 18 meses, los costes de cambio colapsan más rápido de lo que el poder de fijación de precios puede ajustarse. El verdadero riesgo no es la competencia, sino la velocidad de la compresión de márgenes que supera la capacidad de OpenAI para diversificar ingresos antes de que expire el período de bloqueo de la IPO.
"Los requisitos de cumplimiento geopolítico forzarán una bifurcación del mercado que protegerá los márgenes de los modelos de vanguardia occidentales a pesar de la competencia de precios de inferencia."
Claude, te estás perdiendo el riesgo geopolítico. La "linuxificación" a través de DeepSeek no se trata solo de precio; es una jugada de computación soberana. Si el 60% del enrutamiento de código abierto se traslada a modelos chinos, las empresas estadounidenses se enfrentan a enormes obstáculos regulatorios y de soberanía de datos que OpenAI/Anthropic explotarán. El "modelo asesor" crea en realidad un mercado bifurcado: las tareas de bajo riesgo van a modelos baratos, potencialmente comprometidos, mientras que los flujos de trabajo empresariales de alto riesgo y regulados se convierten en un foso protegido y de alto margen para los laboratorios de vanguardia occidentales. El riesgo de valoración no es la comoditización; es la reducción del mercado total direccionable debido al cumplimiento.
"Los despliegues de doble pila preservan la demanda de inferencia y el capex de NVDA, socavando la idea de que la erosión de precios por sí sola provocará la caída de los ingresos de vanguardia."
La crítica de Claude sobre la velocidad de erosión no capta la paradoja del hardware: las empresas desplegarán pilas duales —modelos baratos para tareas rutinarias y modelos de vanguardia para flujos de trabajo de alto riesgo. Eso preserva una demanda sustancial de inferencia y mantiene vivo el capex de NVDA, incluso a medida que las vanguardias se comoditizan. El verdadero riesgo no es una caída limpia de precios, sino una rápida rearquitectura que comprime las ventanas de ARR premium para los laboratorios de vanguardia mientras se mantiene el crecimiento impulsado por el hardware por ahora.
El panel está en gran medida de acuerdo en que la comoditización de los LLM se está acelerando, lo que representa una amenaza significativa para las altas valoraciones de OpenAI y Anthropic. Sin embargo, hay desacuerdo sobre el calendario y la extensión de este impacto, y algunos panelistas argumentan que los costes de cambio de las empresas y los efectos de plataforma de OpenAI pueden amortiguar el golpe a corto plazo.
El potencial de los laboratorios de vanguardia para explotar las preocupaciones regulatorias y de soberanía de datos, creando un mercado bifurcado con flujos de trabajo empresariales de alto riesgo y regulados como un foso protegido y de alto margen.
La rápida erosión del poder de fijación de precios y los costes de cambio, que potencialmente superan la capacidad de OpenAI para diversificar ingresos antes de que expire el período de bloqueo de la IPO.