Resumen de los principales puntos
Los tres acontecimientos importantes relacionados con la IA que ocurrieron en Silicon Valley ayer (el lanzamiento de Gemini 3.8 Flash por parte de Google, la actualización de Muse Spark1.3 por Meta y el éxito del startup Mostik en la publicación WIRED) parecen ser simplemente actualizaciones de las capacidades de los modelos, pero en realidad apuntan a una “revolución multidimensional en la reducción de costos de la inferencia artificial”: desde la “equiparación de las capacidades de alta gama” hasta la “reducción del trabajo innecesario en las tareas”, pasando por la posibilidad de “transmitir datos internos directamente sin usar lenguaje natural”. La economía de la IA está cambiando de un modelo de pago por token a uno basado en el costo real de las tareas, lo que significa que la inteligencia se está volviendo cada vez más accesible. Esto podría dar lugar al surgimiento de numerosas aplicaciones de IA que antes no eran viables desde el punto de vista económico.
1. Google: Incorpora capacidades de IA de alta gama en paquetes asequibles
Gemini 3.8 Flash, que anteriormente se caracterizaba por ser rápido y económico pero con capacidades limitadas, ahora incluye habilidades de ingeniería de software de nivel superior (como completar tareas de código de varias etapas en pruebas como DeepSWE).
- Rendimiento: Alcanzó el 74% en DeepSWE, lo mismo que el modelo más avanzado, Claude Opus5.
- Costo: El costo promedio para completar una tarea es de 2.36 dólares, en comparación con los 11.84 dólares de Claude y los 6.46 dólares de GPT.
¿Por qué es importante? En la era de los agentes inteligentes, la IA no se limita a intercambiar frases; requiere ejecutar múltiples acciones consecutivas (como escribir código o realizar investigaciones). Una diferencia significativa en los costos puede influir en la decisión de las empresas de utilizarla. Google afirma que, gracias a los bajos costos de los tokens, los modelos pueden pensar de manera más exhaustiva sin necesidad de restringir su capacidad de razonamiento para ahorrar dinero.
2. Meta: Menos errores en la IA = ahorros directos
La versión 1.3 de Muse Spark de Meta ha mejorado sus resultados de pruebas de un 55% a un 75.4%, pero lo más importante son dos aspectos: ha disminuido en un 20% el número de llamadas a herramientas y en un 25% el consumo de tokens.
- Lógica de ahorro: Los agentes inteligentes desperdician mucho dinero en errores, como cuando entienden mal las instrucciones y realizan cambios innecesarios o ejecutan pruebas repetidas. Muse puede detectar ambigüedades más rápidamente, solicitar ayuda cuando no sabe cómo proceder y recordar las restricciones iniciales, lo que reduce significativamente el trabajo innecesario.
- Importancia: En la era de los chatbots, mejorar los resultados de pruebas puede ser atractivo, pero en la era de los agentes inteligentes, cometer menos errores es lo que realmente genera ahorros económicos.
3. Mostik: Los modelos pueden comunicarse sin usar lenguaje natural
Mostik ha logrado que dos modelos de IA se comuniquen directamente mediante señales matemáticas en lugar de lenguaje natural.
- Metáfora: En lugar de que un modelo imprima un archivo y otro lo escanee, Mostik permite que los modelos transfieran datos directamente, eliminando la necesidad de impresoras y escáneres.
- Resultados experimentales: Al conectar el modelo grande GLM-5.2 (con 753 mil millones de parámetros) con el modelo pequeño Qwen3.5 (con 4 mil millones de parámetros), se obtuvo un rendimiento intermedio, pero el costo fue solo una veinteava parte del de GLM.
- Desafío: Dado que los modelos tienen arquitecturas y parámetros diferentes, hacer que se entiendan entre sí es complejo, pero la reducción de costos en un 20% ya es muy significativa.
4. Futuro: Solo se necesitarán modelos pequeños en los dispositivos móviles, y las tareas complejas se resolverán en la nube
En el pasado, se intentó reducir el tamaño de los modelos de IA para que cupieran en los móviles (de 7 mil millones a 4 mil millones a 1 mil millones de parámetros), pero si el enfoque de Mostik tiene éxito, en el futuro los dispositivos podrían utilizar modelos de solo unos pocos cientos de millones de parámetros.
- División del trabajo: Los modelos locales se encargarían de tareas sencillas y frecuentes (como entender en qué aplicación se encuentra el usuario o su estado actual), y en caso de problemas complejos, enviarían señales comprimidas a modelos en la nube. La nube procesaría las tareas y luego enviaría los resultados de vuelta al dispositivo.
- Impacto: Esta arquitectura cambiaría radicalmente la forma en que se realizan los cálculos de IA, con reducciones de costos de varios órdenes de magnitud: lo que ahora cuesta varios dólares por tarea podría costar solo unos pocos céntimos en el futuro.
Conclusión: La verdadera revolución llegará cuando la inteligencia sea lo suficientemente económica para ser utilizada de forma generalizada
Lo que tienen en común estos tres desarrollos es que la reducción de costos de la IA no es lineal, sino que implica una reestructuración fundamental de la misma. Cuando la inteligencia sea tan accesible que pueda realizar tareas por unos pocos céntimos o que varios agentes inteligentes puedan estar disponibles las 24 horas sin ser costosos, muchas aplicaciones que hoy parecen inviables se convertirán en algo cotidiano. En lugar de centrarnos en quién ocupa el primer lugar en las listas de mejores modelos, lo más importante es saber hasta qué punto la IA podrá llegar a ser realmente económica.
(El texto se ha traducido utilizando lenguaje claro y sencillo para que aquellos sin conocimientos financieros o de IA puedan comprender la lógica y los impactos de esta revolución en los costos de la tecnología.)