Diario de la Innovación

inteligencia-artificial

IBM cifra en el 90-10 la nueva ecuación de la IA: misma capacidad por una décima parte del coste por token

Fotografía que ilustra la noticia: IBM cifra en el 90-10 la nueva ecuación de la IA: misma capacidad por una décima parte del coste por token
(xataka.com)

IBM ha puesto números a un debate que recorre el sector: ¿sigue mereciendo la pena pagar la factura de los modelos de inteligencia artificial más avanzados cuando las alternativas de pesos abiertos ofrecen casi el mismo rendimiento por una fracción del coste? El consejero delegado de la compañía, Arvind Krishna, defendió durante la presentación de resultados financieros que los modelos abiertos alcanzan ya el 90% de la eficacia de los de frontera y cuestan por token entre el 10% y el 25% de lo que cuestan los primeros. La afirmación, realizada durante el turno de preguntas con inversores, no es una simple declaración de intenciones: implica replantear la estrategia de despliegue de IA de cualquier empresa que hoy esté pagando por capacidad que quizá no necesita.

Por

La comparación que plantea IBM: 70 puntos frente a 90%

El ejecutivo remontó sus cálculos a finales de 2024. En su ejemplo, un modelo de frontera obtenía entonces unos 70 puntos en una evaluación amplia, frente a los 20 o 30 de una alternativa abierta.

"Es una brecha demasiado grande. Nadie va a aceptarla", admitió Krishna. Un año después, la distancia se habría recortado hasta 70 frente a 50, y ahora la sitúa en el 90% de eficacia para las opciones de pesos abiertos.

La conclusión que extrae el CEO de IBM es directa: "¿Prefiere algo que cuesta el 10% si alcanza el 90% del rendimiento del mejor, o quiere pagar un coste diez veces superior?". Son valoraciones del propio Krishna, que durante la llamada no citó pruebas concretas para respaldarlas, pero que apuntan a un cambio de tendencia en la industria.

La comparación clave no es solo de capacidades, sino de coste por unidad de trabajo. El ejecutivo cifró el coste por token de los modelos abiertos en un rango de entre el 10% y el 25% de los propietarios, un dato que, de cumplirse, traslada la decisión de compra de tecnología a un terreno mucho más parecido al de cualquier otro gasto empresarial.

Qué significa realmente "pesos abiertos" y cuánto se ahorra

La expresión "modelos de pesos abiertos" esconde matices que conviene aclarar. Los pesos son los parámetros numéricos que el sistema aprende durante el entrenamiento y que después utiliza para procesar información. Cuando una compañía los publica, cualquiera puede descargarlos y ejecutarlos en su propia infraestructura, siempre dentro de lo que permita la licencia.

La Open Source Initiative recuerda que disponer de los pesos no equivale a tener un modelo de código abierto: no se conoce el proceso de entrenamiento ni se accede a todos los datos y herramientas. Aun así, el ahorro del que habla Krishna se entiende mejor al observar cómo se factura el uso: muchos proveedores cobran por token, la unidad con la que el modelo representa fragmentos de texto.

Su argumento no se limita al precio de la API. Según los cálculos de IBM, una gran empresa media podría empezar con dos o tres racks para ejecutar estas alternativas. Pero esa infraestructura implica inversión, electricidad, mantenimiento y personal especializado. Para cargas de trabajo reducidas, contratar una API puede seguir siendo más barato, un matiz que el propio directivo reconoce.

El coste real, por tanto, depende del volumen de uso y de la configuración concreta de cada compañía. La comparación de IBM sirve como marco general, no como receta universal.

El 90% de rendimiento llega con matices: OCDE, Stanford y el interés comercial de IBM

Las cifras de IBM no vienen solas. En mayo de 2026, la OCDE publicó un informe que situaba a los modelos de pesos abiertos en torno al 90% del índice de calidad de las alternativas cerradas al llegar al mercado, pero con un precio equivalente al 20% en servicios en la nube.

El AI Index 2026 de Stanford añade otra perspectiva: en marzo, el mejor modelo cerrado superaba en un 3,3% la puntuación del mejor de pesos abiertos en Arena, una clasificación basada en evaluaciones comparativas de usuarios. Son métricas diferentes y ninguna establece una equivalencia universal de capacidades.

Krishna admite que hay tareas que sí requieren el modelo más avanzado, pero sostiene que muchas operaciones empresariales cotidianas —resumir un correo, redactar otro, examinar un contrato o atender una llamada de cliente— pueden resolverse "igual de bien con la alternativa mucho más barata". Es su valoración, no una garantía de resultados equivalentes en todos los casos.

Conviene recordar quién lanza esta comparación: IBM desarrolla su propia familia de modelos Granite, trabaja en herramientas para facilitar su despliegue y mantiene una alianza con OpenAI. Tiene intereses comerciales directos en este mercado. Aun así, el debate que plantea tiene implicaciones que superan sus propios productos: si una empresa puede resolver gran parte de sus necesidades con opciones más económicas, la elección del sistema más avanzado deja de ser automática.