- Se dice que Kimi K3 de Moonshot Labs y Qwen 3.8 de Alibaba ofrecen un rendimiento cercano al de Fable 5 de Anthropic, y que sus pesos se publicarán en las próximas semanas, por lo que la competencia entre modelos de frontera se está extendiendo a los modelos abiertos
- El desarrollo de modelos requiere talento de investigación, cómputo y energía, pero tras el despliegue, el costo marginal de la inferencia proviene principalmente del cómputo y la energía. Si se poseen centros de datos e instalaciones de generación eléctrica, esto puede convertirse en costos fijos, permitiendo ampliar los márgenes a medida que crece el uso
- Las empresas dedicadas exclusivamente a modelos que no tienen infraestructura deben depender de tener el mejor rendimiento o de ofrecer calidad suficiente a bajo costo. Las vías de escape se reducen a auto-mejora recursiva, cerrar el mercado mediante regulación o construir productos difíciles de copiar
- Fable 5 de Anthropic tiene un costo por tarea completada aproximadamente 3 veces mayor, y harnesses como Claude Code y Cowork también compiten con OpenCode, OpenClaw y Hermes. El modelo, el producto y la estructura de costos están siendo desafiados al mismo tiempo, lo que aumenta el riesgo de desagregación
- Con la aparición sucesiva de GLM 5.2, Kimi K3 y Qwen 3.8 entre junio y julio de 2026, se confirma que varios laboratorios pueden ponerse al día. Esto debilita la capacidad defensiva de operadores centrados en modelos como Anthropic, Moonshot Labs y Knowledge Atlas
La competencia de frontera se expande a los modelos abiertos
- Kimi K3 se lanzó el 16 de julio de 2026, y Qwen 3.8 se anunció el 19 de julio
- Se dice que ambos modelos ofrecen un rendimiento cercano al de Fable 5 de Anthropic
- Los pesos de los modelos se publicarán en las próximas semanas
- GLM 5.2 de Knowledge Atlas también es un modelo abierto de primer nivel lanzado a mediados de junio
- Esta tendencia tiene un alcance mayor que el único “momento DeepSeek” de 2025
- Muestra que varios laboratorios pueden alcanzar no solo a empresas con mucho capital como Anthropic y OpenAI, sino también a Meta y a Grok de SpaceX
- La competencia y la persecución se repiten, y si se consideran también los costos, en el futuro podría haber inversiones de liderazgo en rendimiento
La estructura de costos de los modelos fundacionales
- Construir un modelo requiere talento de investigación, recursos de cómputo como chips y centros de datos, y la energía necesaria para operarlos
- En un modelo terminado, el mayor costo proviene de la inferencia, que permite a los usuarios utilizar el modelo
- En la etapa de inferencia también se emplean personal, cómputo y energía
- Como no se actualiza continuamente el modelo, la proporción de costos laborales es menor que en el entrenamiento, y la mayor parte del costo marginal se concentra en cómputo y energía
- El negocio de inferencia debe optimizar los costos de energía y centros de datos, y cuanto más se posee de la cadena de valor, más se pueden convertir costos variables en costos fijos
El alcance de la propiedad de infraestructura determina los márgenes
- Anthropic, Knowledge Atlas y Moonshot Labs obtienen centros de datos y energía de terceros, sin centros de datos ni plantas eléctricas propias
- Meta y Alibaba construyen directamente centros de datos, pero compran energía a otros proveedores
- SpaceX opta por poseer tanto instalaciones de generación eléctrica como centros de datos
- Las empresas que dependen de centros de datos y energía externos generan ingresos agregando margen a los costos de inferencia de sus clientes
- Como los costos aumentan junto con los ingresos, es difícil ampliar los márgenes aunque crezca el uso
- Si se poseen plantas eléctricas o centros de datos, una parte importante del costo de inferencia se vuelve costo fijo, lo que permite aumentar los márgenes a medida que crece el uso por parte de los clientes
La infraestructura amplía las opciones estratégicas
- Cuanto más se posee del stack de infraestructura, más se puede monetizar esa misma infraestructura
- Aunque el modelo propio no sea el mejor, se pueden alojar modelos open source de buen rendimiento
- También es posible alquilar el hardware propio a otras empresas
- Se informa que Meta está discutiendo un acuerdo de 10.000 millones de dólares para proporcionar capacidad de servidores a Anthropic
- SpaceX firmó un acuerdo de nube con Google y también está discutiendo formas de ofrecer capacidad de cómputo al Departamento de Defensa de EE. UU.
- Si no se tienen centros de datos ni instalaciones de generación eléctrica, el éxito depende de la demanda por el modelo
- El modelo debe tener el mejor rendimiento, o ser barato y a la vez lo suficientemente bueno
- La empresa queda en una competencia en la que debe seguir bajando los precios de inferencia o conservar su lugar como proveedor del mejor modelo
Tres caminos de supervivencia para las empresas dedicadas solo a modelos
- Anthropic, OpenAI, DeepSeek, Moonshot Labs y Knowledge Atlas tendrán dificultades para sobrevivir en el hipercompetitivo mercado de modelos fundacionales si no logran mantenerse a la cabeza
- Hay tres caminos por los que una empresa enfocada en modelos puede ganar
- Lograr primero la auto-mejora recursiva con suficientes recursos de cómputo y adelantarse ampliamente a sus competidores
- Cerrar el mercado mediante regulación
- Construir un producto tan único o tan pegajoso para los usuarios que no pueda replicarse
Los costos de Anthropic y su estrategia regulatoria
- Entre los laboratorios de modelos de frontera, Anthropic es el que más depende de una estrategia regulatoria y de la auto-mejora recursiva
- El enfoque centrado en la ética revelado en la autocensura de Fable y Mythos está conectado con su estrategia regulatoria
- Posteriormente, medidas del gobierno de EE. UU. también limitaron lanzamientos adicionales
- En rendimiento de modelos mantiene el liderazgo, pero sus precios son mucho más altos que los de OpenAI y los modelos abiertos
- En una comparación de Artificial Analysis, el costo por tarea completada de Fable 5 es casi 3 veces mayor
- Aún no está confirmado si los usuarios pagarán ese precio por un mejor modelo
- Algunos investigadores y fundadores prevén una guerra de precios debido a la expansión de la competencia y a la saturación de benchmarks de IA que no reflejan los precios
Competencia de harnesses y presión de desagregación
- Anthropic invirtió en productos como Claude Code y Cowork, pero una estrategia centrada en harnesses de agentes conlleva riesgos
- OpenCode, OpenClaw, Hermes y varias startups de harnesses están innovando en la misma área
- Las barreras de entrada para construir modelos fundacionales son muy altas, pero casi no existen para lanzar un harness de IA propio
- Anthropic enfrenta presión de desagregación desde tres direcciones
- Sus modelos se vuelven el estándar que los competidores deben superar
- Sus productos enfrentan desafíos cada vez más fuertes de competidores cerrados y open source
- Su modelo económico sin propiedad de infraestructura está en desventaja de costos
- Sin intervención regulatoria o la invención real de AGI, Anthropic podría tener dificultades para mantener el puesto de proveedor número uno de modelos fundacionales
La estrategia defensiva distinta que eligió OpenAI
- Los modelos de OpenAI han quedado por detrás de Anthropic en los últimos meses, pero la empresa invirtió en productos, experiencia de consumidor, publicación en sitios, voz y hardware
- En estas áreas, una base defendible es más clara que en los productos de Anthropic centrados en harnesses
- También es más abierta a poseer centros de datos e invertir en instalaciones de generación eléctrica
- Aunque algunos opinan que esta estrategia reduce el foco, a largo plazo puede aumentar su resiliencia
- Tiene la flexibilidad y la disposición a asumir riesgos para probar productos con efectos de red y capacidad defensiva
- Puede optimizar los márgenes a largo plazo
La capacidad defensiva cada vez más débil de los operadores centrados en modelos
- Kimi K3 y Qwen 3.8 muestran que los modelos abiertos también pueden llegar al territorio de rendimiento de frontera
- Bajo el criterio de un negocio sostenible a largo plazo, las empresas que solo suministran modelos son especialmente vulnerables
- A Knowledge Atlas, Moonshot Labs y Anthropic les resulta más difícil asegurar capacidad defensiva que a OpenAI, Alibaba, SpaceX, Meta y Google, que cuentan con infraestructura y otros activos de producto
1 comentarios
Opiniones de Hacker News
Viendo la avalancha reciente de modelos con pesos abiertos y arquitectura abierta, parece cada vez más probable que al final gane quien logre hornear modelos en ASIC más rápido
Como se vio en el anuncio de K3, el propio LLM también puede encargarse de parte del diseño de chips, y los modelos de punta ya son lo bastante buenos para una amplia variedad de tareas y pronto llegarán a ese nivel para una parte considerable del desarrollo de software
Si Fable 5 pudiera ejecutarse en un ASIC a 9,000 tokens por segundo en vez de 150 tokens por segundo en una GPU de Nvidia, podría cubrir la mayor parte de la demanda
Las empresas también podrían manejar distintos usos de forma más segura con unos pocos ASIC on-premise, en vez de entregar sus datos a OpenAI o Anthropic
No querría arriesgarme a que salga un nuevo paper o enfoque varias veces más rápido mientras todavía estoy coordinando los detalles del lanzamiento del chip
Los desarrolladores tienen muy poca lealtad de marca y se mueven enseguida al mejor modelo, así que mientras el mejor modelo corra en GPUs programables, las GPU seguirán dominando
Los uso seguido, pero rompen por completo las condiciones pedidas, y cerca de la mitad de las paradas sugeridas no cumplen los filtros
Si sigues a clientes que piden modelos cada vez más grandes como si los recursos fueran ilimitados, puedes ganar mucho dinero por ahora, pero corres el riesgo de que te supere algo como Apple Silicon, que creció con eficiencia y mejoras continuas
Un laboratorio ya llevó un modelo de 8 mil millones de parámetros de unos 100 tokens por segundo en una pila de software general a unos 3,000 tokens por segundo en una sola MI300X
También se están desarrollando flashes de alto ancho de banda de varios TB que leen más de 1 TB por segundo, así que en unos años quizá se puedan correr localmente modelos de 3 billones de parámetros en tarjetas con 40~90GB de HBM y 4TB de HBF por unos 10,000~20,000 dólares
No dejo de pensar en el caso de Figma
Mike Krieger, CPO de Anthropic y cofundador de Instagram, era director de Figma, pero renunció justo antes del lanzamiento de Claude Design, y se reporta que Figma, aunque dependía de una integración conjunta “Code to Canvas” con modelos de Anthropic, no conocía de antemano el alcance de Claude Design
Justo después del anuncio, la acción de Figma cayó 7%, y el apocalipsis SaaS en el que las empresas de modelos base invaden la capa de aplicación de sus socios SaaS se volvió real
Hay que ser cuidadosos al entregar datos o depender de empresas de LLM, porque si la idea de una startup de IA tiene éxito, ellas pueden competir directamente o influir en el precio de la API
OpenAI incluso está diseñando su propio hardware para dejar de depender de Apple y Android, apostando fuerte por un superdispositivo de consumo
La partida de largo plazo no es IA vs SaaS, sino competir con grandes marcas de consumo como Apple, Google, Meta y Amazon; si alguien completa primero al asistente digital definitivo capaz de recibir cualquier tarea y crear al instante el código y la interfaz, hasta Apple podría volverse anticuada
Los productos construidos sobre otros servicios son fáciles de adquirir o absorber por el servicio base, y Apple también ha ido incorporando silenciosamente a iOS funciones de muchas apps populares
Competir con los laboratorios haciendo wrappers delgados es riesgoso, pero también es una nueva era del software en la que no hay de qué preocuparse si construyes un producto valioso que un chatbot no pueda copiar enseguida
Creo que el riesgo está exagerado
Existe demanda dispuesta a pagar más por mejores modelos, y el valor que obtengo en mi flujo de trabajo es mucho mayor que los 200 dólares al mes que pago a un laboratorio de punta, así que no pienso recortar mucho ese gasto
El valor que aportan Claude Code o el entorno de ejecución de Codex es mayor que el del LLM en sí, y las implementaciones open source como OpenCode todavía están muy por detrás
Excel también tiene alternativas como Google Sheets, que es casi equivalente y ofrece más del 90% de sus funciones, pero el valor que generan las hojas de cálculo es muy superior a 100 dólares al año, así que el fuerte foso de Microsoft se mantiene
Tampoco es que ambas compañías estén valuadas en un billón de dólares por sus entornos de ejecución
Excel empresarial cuesta unos 50 dólares al mes, pero los laboratorios cerrados cobran varias veces más por usuario, y yo ni siquiera programo tanto y aun así gasto al menos unos 50 dólares al día
Donde yo vivo, un sueldo de 200 dólares al mes no es raro y un desarrollador gana cerca de 1,000 dólares, así que por mucho valor que aporte, si no puedes pagar renta y comida, no puedes usarlo
Incluso en países desarrollados, 200 dólares al mes es difícil de costear para estudiantes o emprendedores que no tienen dinero
Hasta la semana pasada valía la pena pagar por Fable, pero con la salida de K3 la diferencia se redujo tanto que para mí ya no justifica el costo
Si el resultado real fuera 10% mejor, pagaría 5 veces más, pero mucha menos gente pagará 5 veces más por una mejora de 2%
Además, que te obliguen a usar Claude Code en vez del entorno de ejecución que prefieres no es una ventaja de Anthropic, sino una desventaja
Sorprende la velocidad con la que Fable pasó de ser un “modelo que cambia el tablero y debería prohibirse” a “está bien, pero OpenAI ofrece algo parecido y también hay alternativas de pesos abiertos”
El ciclo de hype se ha acortado, y quizá esta vez sí hayamos llegado a una meseta
La información sigue cambiando y hay que actualizar los modelos, pero los datos disponibles gratuitamente se irán agotando cada vez más
OpenAI, igual que Anthropic, es en la práctica un proveedor centrado en modelos, así que me pregunto por qué no sería vulnerable de la misma manera
Ese historial aporta contexto personal para mejorar el producto, y también puede usarse para entrenamiento del modelo y publicidad
En un futuro donde escribas “planea mis vacaciones” y coordine todo el proceso, los usuarios no se irán fácilmente a otro modelo que sea 10% más barato o mejor
Si sus productos realmente salen al mercado y tienen cierto éxito, podría ocupar una posición única frente a otros laboratorios de punta
Aun así, hoy esas diferencias o están por debajo de lo esperado o, como en el caso del hardware, siguen totalmente sin probarse
Crear un buen modelo y entregarlo rápido mientras se absorbe la demanda son cosas distintas
Anthropic tuvo este problema hace unos 6 meses, y Moonshot tampoco pudo absorber la demanda, así que ya suspendió sus suscripciones al plan de coding
Si el techo del avance de la IA es la mejora recursiva de sí misma, entonces la IA hará mejores modelos y ganarán los dueños de los centros de datos, así que Anthropic y OpenAI estarían acabados
Si el piso es el estancamiento, la competencia pasará a ser quién ofrece un rendimiento máximo estable al menor precio
Que Google esté haciendo chips Gemini con los pesos grabados en silicio implica que, considerando una vida útil mínima de 2 a 3 años para un chip, esperan que en los próximos 3 años no haya avances de un nivel muy distinto; al final eso lleva a competir con el margen más bajo y ambas compañías vuelven a quedar en desventaja
Para sobrevivir, el avance de la IA tendría que mantenerse entre esos dos extremos
OpenAI parece estar mucho más en peligro que Anthropic
Que un lado esté impulsando una IPO mientras el otro evita abrir sus libros dice bastante
La clave es si otros laboratorios pueden crear modelos superiores a los de Anthropic y OpenAI
También importa cuánto dependen de las APIs de ambas compañías mediante destilación y similares; si son modelos derivados, cabe esperar que su rango de rendimiento sea más estrecho y que su progreso también sea limitado
En las empresas que compran tokens ya se está viendo que aumentar la inteligencia no se traduce en más ingresos, así que al final las finanzas decidirán
Si yo fuera OpenAI o Anthropic, estaría muy nervioso
Dario podría darle la vuelta a la narrativa si vuelve a hacer gira de pódcasts amenazando con que por culpa de su IA desaparecerá el 75% de los empleos
Si no funciona, que suba a 85%, y si tampoco basta, entonces al 100%
En noviembre de 2025, Anthropic Opus 4.5 y Claude Code eran claramente el único sistema que implementaba bien de una sola vez funciones claramente definidas, pero ahora estoy casi igual de satisfecho con Claude y Codex
Si ambas empresas presionan los precios o refuerzan demasiado las políticas de seguridad, parece que también habrá muchas más opciones para pasarse a modelos competentes de pesos abiertos y a entornos de ejecución verdaderamente open source
Gemini 3.1 Pro parece fuerte, pero la última vez que usé Antigravity fue incompetente
Está bien que Anthropic sobreviva como uno de los competidores fuertes, pero por su filosofía de seguridad primero está aumentando los rechazos y la ignorancia intencional de los modelos más recientes
A largo plazo, quizá se le recuerde como la empresa que aceleró el desarrollo de software para que otros crearan herramientas menos tímidas