IBM Cuestiona el Dominio de la IA Cerrada con Modelos Abiertos Eficientes
La inteligencia artificial avanza a pasos agigantados, pero más allá de la búsqueda del modelo más potente, emerge una cuestión pragmática: el coste de obtener respuestas de calidad. Para las empresas, esta dicotomía entre capacidad y eficiencia económica se vuelve crucial a medida que la implementación de la IA pasa de ser una mera prueba a una necesidad operativa.
Mientras que el acceso a las herramientas de IA se presenta comúnmente a través de servicios gratuitos, suscripciones o pago por uso, la existencia de modelos de pesos abiertos ofrece una alternativa viable. Estos modelos pueden ser desplegados en infraestructura propia o gestionados por terceros, abriendo un abanico de posibilidades estratégicas para las organizaciones que buscan optimizar sus inversiones en IA.
La Nueva Frontera: IA Abierta vs. IA Cerrada
La reciente presentación de resultados financieros de IBM puso de relieve esta conversación. Durante el turno de preguntas, un analista inquirió sobre cómo las grandes corporaciones equilibran la contención del gasto en IA con la necesidad de mantener el control sobre su despliegue. El CEO de IBM, Arvind Krishna, respondió proyectando una evolución que, según él, está redefiniendo las prioridades.
Krishna detalló cómo, a finales de 2024, la brecha de rendimiento entre modelos de vanguardia y alternativas abiertas era significativa. Sin embargo, para finales de 2025, esta diferencia se habría reducido drásticamente. Actualmente, estima que los modelos de pesos abiertos alcanzan aproximadamente el 90% de la eficacia de los más avanzados, pero con un coste por token que oscila entre el 10% y el 25% del de sus contrapartes cerradas.
Comprendiendo los "Pesos" y su Relevancia Económica
Los "pesos" de un modelo de IA se refieren a los parámetros numéricos que este aprende durante su entrenamiento. Cuando una compañía decide publicar estos pesos, permite que otros descarguen y ejecuten el modelo en sus propios sistemas, sujeto a las licencias correspondientes. Es importante notar que la disponibilidad de los pesos no implica automáticamente que un modelo sea de código abierto, ya que el proceso de entrenamiento y los datos subyacentes pueden no ser accesibles.
El ahorro que destaca Krishna se materializa en la forma en que se factura por el uso de estos sistemas. Un token representa una unidad de texto procesada por el modelo. Los proveedores suelen tarificar en función de la cantidad de tokens consumidos. La pregunta clave, según Krishna, es si una empresa prefiere invertir en una solución que ofrece un rendimiento cercano al máximo a una fracción del coste, o pagar un precio considerablemente mayor por una mejora marginal.
La Infraestructura como Factor Determinante
Si bien los modelos de pesos abiertos presentan una ventaja económica considerable, su implementación no está exenta de consideraciones. IBM calcula que una empresa de gran envergadura podría iniciar con una infraestructura que requiera dos o tres racks de servidores. No obstante, esta infraestructura demanda una inversión inicial, costes de electricidad, mantenimiento y personal especializado.
El ahorro real de optar por modelos abiertos, por lo tanto, depende en gran medida del volumen de uso. Para cargas de trabajo reducidas, la contratación de una API de un servicio de IA comercial podría seguir siendo una opción más económica y práctica. La decisión estratégica dependerá de un análisis detallado de las necesidades específicas y la escala de operación de cada organización.
Fuente: Ver artículo original