Por Canuto  

Microsoft, Amazon y Google están ajustando su estrategia de inteligencia artificial con una idea cada vez más clara: no toda tarea necesita un modelo de frontera. La presión por reducir costos y acercarse a la rentabilidad está empujando a los gigantes de la nube hacia modelos más pequeños, especializados y fáciles de escalar.
***

  • Microsoft estaría reemplazando gradualmente modelos de OpenAI por su familia propia MAI en varias funciones de IA.
  • Los modelos pequeños y específicos permiten bajar costos operativos, mejorar el uso del hardware y escalar más instancias por acelerador.
  • Amazon y Google siguen una lógica similar, mientras los modelos de frontera conservan un papel clave en la innovación.

La industria de la inteligencia artificial parece entrar en una nueva etapa. Tras la fiebre por construir modelos cada vez más grandes, varios gigantes tecnológicos ahora priorizan sistemas más pequeños y diseñados para tareas concretas.

Ese giro responde a un problema que el sector no ha resuelto del todo: cómo convertir la IA en un negocio consistentemente rentable. Si bien los modelos de frontera siguen siendo útiles, su costo operativo empuja a las grandes plataformas a buscar alternativas más eficientes.

De la navaja suiza a la herramienta especializada

Durante los últimos años, firmas como OpenAI y Anthropic apostaron por modelos enormes capaces de abordar casi cualquier tarea. La lógica fue simple: construir una especie de navaja suiza de la IA que sirviera para resumir, redactar, programar, razonar o generar imágenes.

Pero esa versatilidad tiene límites prácticos. No todas las empresas necesitan usar un modelo de clase frontera para resumir correos, redactar respuestas o condensar notas de reuniones.

Según explica The Register, entrenar un modelo pequeño y ajustado a un dominio específico puede resultar más barato y más simple. Además, ese tipo de sistema permite ejecutar docenas de instancias en un solo acelerador.

La ventaja no es solo económica. También ofrece mayor control sobre el producto final, algo valioso en un entorno donde los proveedores externos pueden reemplazar modelos, alterar comportamientos o enfrentar restricciones regulatorias.

El artículo usa un ejemplo llamativo para ilustrarlo. Una empresa que depende de un proveedor externo podría terminar lidiando con respuestas extrañas de su aplicación si ese proveedor sustituye un modelo viejo y apreciado por otro distinto.

También aparece otro riesgo menos técnico y más político. Si las autoridades de Estados Unidos consideran que cierto modelo es demasiado peligroso para el consumo general, una compañía demasiado dependiente de esa tecnología podría quedar expuesta.

Microsoft cambia el paso con la familia MAI

Microsoft parece haberse movido con decisión hacia esa visión más pragmática. En su conferencia Build de junio, la empresa detalló su familia MAI, una colección de modelos que cubre usos como razonamiento, codificación, generación y edición de imágenes, además de voz.

La relevancia de MAI va más allá de una simple vitrina tecnológica. Un informe reciente de Bloomberg, citado por la fuente, señala que estos modelos están reemplazando lenta pero sostenidamente a los de OpenAI dentro de funciones de IA en productos de Microsoft.

Ese dato sugiere un cambio importante en la relación entre ambas compañías. Microsoft fue uno de los grandes impulsores del auge de OpenAI, pero ahora parece querer reducir su dependencia operativa mediante herramientas propias y más enfocadas.

La lógica detrás del movimiento es directa. Cuando la empresa todavía intentaba insertar IA generativa en cada rincón de la vida digital, una solución amplia como GPT-5 era útil para experimentar y cubrir muchos casos a la vez.

Sin embargo, una vez que Microsoft entendió mejor cómo usan realmente la IA sus clientes, pudo empezar a sustituir un modelo de frontera por herramientas más precisas. Si el resultado es similar y el costo baja, el incentivo empresarial es evidente.

La compañía describió a MAI-Thinking-1 como un “modelo de tamaño mediano que se encuentra entre los más fuertes en su categoría de peso”. También afirmó que iguala a modelos líderes en métricas clave de ingeniería de software y muestra capacidades avanzadas de razonamiento matemático.

Microsoft agregó además que MAI-Thinking-1 fue preferido frente a Sonnet 4.6 en evaluaciones humanas ciegas lado a lado. La empresa no precisó públicamente qué entiende por “mediano”, pero dejó claro que el equilibrio entre desempeño y costo es central.

La presión por rentabilidad redefine la arquitectura de la IA

En la IA generativa, el tamaño sigue importando. En general, cuanto más grande es el modelo, mejores y más confiables tienden a ser sus resultados, aunque esa mejora llega acompañada de un aumento en el costo de operación.

La razón técnica es conocida dentro del sector. Un modelo con menos parámetros libera memoria y mejora la utilización del hardware, lo que abre la puerta a una infraestructura más eficiente.

Para una empresa como Microsoft, esto tiene implicaciones inmediatas. Si sube de forma repentina la demanda de voz a texto, puede activar más instancias del modelo más adecuado para esa función sin disparar los costos al mismo ritmo.

Esa elasticidad importa mucho en servicios masivos. La IA ya demostró utilidad en varias áreas, pero los equipos financieros todavía dudan sobre si puede venderse con márgenes suficientemente atractivos.

Por eso la palabra clave del momento parece ser “barato”. Para los hiperescaladores, que ya cargan con enormes facturas de infraestructura, la eficiencia dejó de ser un detalle técnico y pasó a ser una condición de negocio.

El cambio también refleja una maduración del mercado. En la primera fase del auge generativo, la prioridad era mostrar capacidad; en la segunda, la urgencia es convertir esa capacidad en un servicio repetible, escalable y con mejores números.

Chips propios, más control y menos dependencia externa

La apuesta por modelos más pequeños se conecta con otro frente estratégico. Microsoft ya diseña y construye sus propios aceleradores de IA, al igual que Amazon y Google.

En enero, la empresa anunció su serie Maia 200. Esos chips prometen un rendimiento comparable al de las piezas Blackwell de Nvidia, una referencia clave en el mercado de aceleración para IA.

La importancia de ese desarrollo va más allá del rendimiento bruto. Tener chips propios permite optimizar la pila completa, desde el hardware hasta el software y los modelos que corren encima.

Esa integración vertical puede traducirse en mejores niveles de eficiencia. También fortalece la capacidad de ajustar cada modelo a una función específica sin depender por completo de proveedores externos en cada capa del sistema.

En otras palabras, el negocio de la IA no se está decidiendo solo en el terreno algorítmico. También se juega en la arquitectura de centros de datos, en el diseño de semiconductores y en la posibilidad de unir todo en una plataforma más rentable.

Para los inversores y analistas, ese punto resulta clave. Un modelo especializado es útil, pero su verdadero valor económico crece cuando puede ejecutarse en infraestructura afinada para ese propósito.

Amazon y Google siguen rutas parecidas

Microsoft no es el único gigante de la nube que parece adoptar esta visión. Google viene trabajando desde hace tiempo con sus familias Gemini y Gemma, apoyadas en su arquitectura TPU personalizada.

Ese historial hace que su transición no parezca una ruptura, sino una evolución natural. La empresa ya había mostrado interés en combinar modelos potentes con variantes más ligeras y adaptables a distintos escenarios.

El paralelo más cercano a Microsoft, sin embargo, podría estar en Amazon. En los primeros compases del boom de la IA, Microsoft se alineó con OpenAI, mientras Amazon apostó por Anthropic.

Ahora Amazon también invierte con fuerza en su propia familia Nova. Sobre esa base desarrolla aplicaciones y asistentes de codificación que dependen de modelos diseñados para integrarse mejor con su ecosistema.

La convergencia estratégica es llamativa. Los tres grandes operadores cloud parecen concluir que depender solo de casas externas de modelos puede limitar márgenes, flexibilidad y capacidad de diferenciación.

Esa conclusión no implica una ruptura total con sus socios. Lo que sugiere es una relación más selectiva, donde los modelos de frontera se reservan para ciertos usos mientras el volumen cotidiano migra hacia alternativas más baratas.

Los modelos de frontera no desaparecen, pero cambian de papel

Aunque la industria se incline hacia herramientas más específicas, los modelos de propósito general todavía conservan un rol importante. Alguien tiene que seguir empujando la innovación en la frontera de capacidades.

Desarrollar algo realmente nuevo suele ser más difícil que perfeccionar una herramienta existente. Por eso compañías como OpenAI y Anthropic siguen siendo valiosas para sus socios entre los hiperescaladores.

Ese valor explica por qué los gigantes cloud continúan dispuestos a invertir miles de millones en estas empresas. Mantenerlas operativas y competitivas les asegura acceso a avances que luego pueden adaptar o incorporar a su propia infraestructura.

Sin embargo, la relación parece moverse hacia un equilibrio distinto. Cuanto menos dependan Microsoft, Amazon o Google de proveedores externos para funciones rutinarias, mayores serán sus posibilidades de volver rentable su negocio de IA.

En ese contexto, la idea de que “lo pequeño es hermoso” deja de ser una consigna estética. Pasa a ser una tesis empresarial con consecuencias directas sobre costos, autonomía tecnológica y estrategia competitiva.

Para el mercado, la señal es clara. La próxima fase de la IA no se definirá solo por quién construya el modelo más grande, sino por quién logre desplegar el modelo correcto, al costo correcto, en el momento correcto.


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