Por Canuto  

El aumento en el uso de agentes de IA llevó a Harvey a registrar márgenes brutos negativos, mientras varias startups buscan reducir su dependencia de modelos cerrados mediante sistemas propios y pesos abiertos.
***

  • Harvey pasó de un margen bruto cercano al 50% a comienzos de año a menos 50% en junio, según Bloomberg.
  • La startup legal lanzó en agosto un modelo interno postentrenado sobre Kimi K3 de Moonshot y volvió a márgenes positivos.
  • Abridge, Decagon y Ramp también evalúan modelos propios o de pesos abiertos para contener el gasto en tokens.

 

El fuerte aumento en el uso de agentes de inteligencia artificial está obligando a varias startups a revisar una premisa que hasta hace poco parecía conveniente: alquilar modelos avanzados a proveedores externos. Harvey, una startup legal valorada en USD $15.600 millones, vio cómo su margen bruto pasó de alrededor de 50% a comienzos de año a menos 50% en junio, cuando sus clientes incrementaron drásticamente el uso de sus herramientas. La empresa solo volvió a terreno positivo después de lanzar un modelo propio y modificar la forma en que utiliza la IA.

El caso refleja una tensión central del negocio de la IA generativa: un mayor uso puede elevar los ingresos, pero también dispara los costos variables asociados con cada consulta y cada token procesado. De acuerdo con Bloomberg, citado por The Next Web, Harvey experimentó un aumento de aproximadamente doce veces en el uso de tokens durante este año: su consumo pasó de 1 billón de tokens en enero a 12 billones en mayo, según declaraciones de su CEO. Mientras tanto, OpenAI y Anthropic comenzaron a cobrar a las empresas por el consumo de sus modelos además de las tarifas de suscripción base.

El costo de los modelos externos

Harvey había observado un salto en la actividad de sus clientes después de actualizar sus agentes de IA en marzo. Aunque ese crecimiento mostraba una mayor adopción de la plataforma legal, también elevó la factura de los modelos que la compañía alquilaba para ejecutar sus funciones, hasta convertir el crecimiento operativo en una presión directa sobre los márgenes.

Los fundadores de la startup entendieron que el aumento en el uso no podía sostenerse indefinidamente bajo esas tarifas. En agosto, Harvey presentó su primer modelo interno, postentrenado sobre Kimi K3, desarrollado por el laboratorio chino Moonshot, y las personas familiarizadas con el trabajo dijeron que los márgenes brutos volvieron a ser positivos después de ese lanzamiento y de otros cambios en el uso de la IA.

Harvey no comentó cifras financieras específicas, por lo que el resultado exacto de cada medida no se conoce públicamente. Sin embargo, la secuencia descrita muestra por qué los modelos propios pueden resultar atractivos para empresas que procesan grandes volúmenes de solicitudes: permiten controlar mejor el costo por consulta, aunque exigen inversión técnica y no necesariamente sustituyen a los sistemas más capaces.

La propia Anthropic parece reconocer esa limitación. En un foro para inversores realizado en sus oficinas, la compañía mostró una diapositiva sobre startups que están construyendo sus propios modelos, pero recordó que Harvey todavía necesita utilizar Opus para sus tareas más difíciles, una señal de que la estrategia emergente combina sistemas internos con modelos cerrados de mayor capacidad.

Una tendencia que se extiende

Harvey no es la única empresa que intenta reducir su dependencia de proveedores externos. Abridge está construyendo, junto con Nvidia, un modelo clínico que utilizará modelos abiertos Nemotron y datos clínicos desidentificados, mientras Decagon ya dirige 80% de las consultas de sus clientes a través de modelos propios, según la información citada en el reporte.

Ramp también está reconsiderando su estrategia después de recaudar USD $750 millones en junio. Karim Atiyeh, su co-director ejecutivo, afirmó que entrenar modelos propios no tenía absolutamente ningún sentido hace un año, pero que ahora empieza a tener mucho más sentido, una evolución que atribuyó al cambio en la economía del uso de la IA.

El movimiento cuenta además con respaldo financiero de firmas de capital de riesgo como Sequoia Capital y General Catalyst. Ese apoyo puede facilitar que las startups asuman los costos de investigación, infraestructura y personal necesarios para adaptar modelos, aunque la información disponible no indica cuánto capital destinará cada empresa a esos proyectos ni cuándo alcanzarán una escala comercial completa.

La discusión también tiene una dimensión estratégica. Arthur Mensch, de Mistral, sostuvo durante julio que los modelos cerrados entregan a sus proveedores un poder de negociación inmenso y mencionó como ejemplo la decisión de Anthropic de cortar el acceso a Windsurf mientras desarrollaba Claude Code.

Dependencia, contratos y poder de negociación

Los episodios recientes entre proveedores y clientes han reforzado las preocupaciones sobre la dependencia tecnológica. OpenAI anunció que pondría fin gradualmente a su contrato para ofrecer sus modelos a Cursor después de que SpaceX comprara la empresa, por preocupaciones relacionadas con el cumplimiento de los términos de servicio por parte de SpaceX.

La situación plantea una asimetría para las empresas que basan productos completos en modelos de terceros. Los compradores europeos cuentan con derechos de cambio bajo el Data Act cuando dejan a un proveedor, pero esas protecciones cubren al cliente que se marcha y no al proveedor que decide terminar la relación comercial.

Por eso, los modelos propios o de pesos abiertos pueden ofrecer algo más que ahorro. También pueden reducir el riesgo de que una startup pierda de forma repentina el acceso a una herramienta fundamental, aunque esa autonomía no elimina la necesidad de contar con infraestructura, datos, talento especializado y mecanismos de evaluación para mantener la calidad.

La experiencia europea añade otra referencia al debate. Legora, con sede en Estocolmo, alcanzó USD $100 millones en ingresos durante sus primeros 18 meses y ahora presta servicios a más de 1.200 firmas, pero nunca ha revelado qué modelos utiliza, una decisión que demuestra que el mercado puede valorar el resultado del producto por encima de la arquitectura específica que lo hace posible.

¿Una ventaja real o una cuestión de imagen?

No todos los inversionistas consideran que tener un modelo propio sea necesariamente la respuesta correcta. Matt Kraning, socio de Menlo Ventures, dijo que la pregunta sobre si una empresa posee o no su propio modelo está mal planteada y sostuvo que, en la mayoría de los casos, la diferencia tiende a ser mucho postureo.

Su crítica apunta a un riesgo concreto: que las startups presenten un modelo interno como una ventaja diferenciadora sin demostrar que mejora los costos, la precisión o la retención de clientes. Un sistema más pequeño y especializado puede ser útil para tareas frecuentes, pero seguir dependiendo de Opus u otros modelos avanzados para los encargos complejos limita la independencia total.

La estrategia también dependerá del perfil de cada compañía. Una plataforma con millones de consultas repetitivas podría justificar un modelo ajustado a sus necesidades, mientras que una startup con menor volumen quizá encuentre más eficiente negociar tarifas, combinar proveedores o reservar los modelos internos para funciones específicas.

El cambio, en cualquier caso, revela que la economía de los tokens ya está influyendo en decisiones corporativas que antes parecían exclusivamente técnicas. A medida que los agentes de IA se incorporan a productos empresariales, el control del costo por consulta y la estabilidad del acceso pueden convertirse en factores tan importantes como la capacidad del modelo.

La tendencia no implica el fin inmediato de los modelos cerrados, porque las empresas todavía los necesitan para resolver tareas de mayor dificultad. Pero los problemas de margen de Harvey y los movimientos de Abridge, Decagon y Ramp muestran que las startups están buscando una combinación menos costosa y menos dependiente de un único proveedor.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados