Modelos chinos como Kimi K3 y Qwen: por qué la carrera es de costes, no de capacidades

El artículo de Ben Thompson en Stratechery parte de una anécdota personal de su paso por la Kellogg School of Management para plantear una tesis central: en la industria de la IA están regresando con fuerza los principios económicos clásicos —costes marginales, mercados de materias primas, estructura de costes— que el software de coste marginal cero había dejado en un segundo plano durante mucho tiempo. El detonante inmediato es la publicación de Kimi K3, un modelo de pesos abiertos chino de Moonshot AI que se acerca al estado del arte, y que desató una discusión intensa sobre si China está cerrando la brecha de capacidades con los laboratorios occidentales.

El primer argumento técnico-económico que desarrolla Thompson es la distinción entre I+D (gasto fijo, independiente de los ingresos) y COGS (coste de los bienes vendidos, que sí escala con el uso). La confusión habitual es pensar que los modelos de pesos abiertos son "gratis": lo que es gratuito es el ahorro en I+D al no tener que entrenar el modelo desde cero, pero servir inferencia sigue costando dinero real y ese coste crece con los ingresos. Como ejemplo concreto, cita que Kimi K3 cuesta 3 dólares por millón de tokens de entrada y 15 dólares por millón de tokens de salida, frente a los 5 y 30 dólares de Sol, lo que en apariencia hace a Kimi más barato, pero el propio autor matiza que esa podría no ser ni siquiera la métrica correcta.

Aquí entra el segundo argumento: la diferencia entre tokens e inteligencia. Retomando la idea de Jensen Huang (Nvidia) de las "fábricas de tokens", Thompson explica que esa métrica tenía sentido en la primera era de la IA (chatbots que entregaban tokens directamente al usuario), pero pierde validez en la era del razonamiento, donde el número de tokens de cadena de pensamiento necesarios para llegar a una respuesta correcta varía mucho entre modelos. Según el artículo, Kimi necesitaría muchos más tokens que Sol para llegar a resultados equivalentes, lo que anularía en la práctica su ventaja de precio nominal. La conclusión es que los tokens no son un producto homogéneo (commodity): lo fungible es la inteligencia —la respuesta correcta final—, no los tokens usados para producirla. El coste real de esa inteligencia depende de factores como la huella del modelo, la eficiencia de inferencia (arquitecturas tipo mixture-of-experts), la eficiencia de memoria (caché KV), la eficiencia de servicio (batching, scheduling, prefix caching) y la eficiencia de tokens necesarios para acertar.

A partir de ahí, Thompson dedica una sección a explicar la mecánica de los mercados de materias primas para aplicarla a la IA: en un mercado de commodities todos cobran el mismo precio, fijado por el proveedor con el coste marginal más alto necesario para satisfacer la demanda; los proveedores más eficientes obtienen margen, y el menos eficiente vende a coste marginal (o quiebra) mientras siga sin ajustar su capacidad. El artículo desarrolla un ejemplo numérico con tres proveedores hipotéticos (A, B y C) con distintos costes de producción para ilustrar cómo se reparten ingresos y márgenes según la demanda y la elasticidad de precio, y cómo los costes fijos (I+D, deuda) pueden llevar a la quiebra a un proveedor aunque el mercado funcione "correctamente".

Aplicando esa lógica a la IA, Thompson sostiene que hoy esas dinámicas de commodity todavía no rigen porque la demanda de modelos de frontera supera ampliamente la oferta, limitada por la escasez de capacidad de cómputo. Esa escasez beneficia a toda la cadena: Nvidia obtiene márgenes altos vendiendo chips, sus clientes (menciona a SpaceXAI como ejemplo) revenden esa capacidad con margen a empresas como Anthropic, y esta a su vez puede permitirse pagar ese sobreprecio porque revende tokens con un margen aún mayor. Además, Anthropic y OpenAI tendrían, según el autor, de los costes más bajos por unidad de inteligencia de frontera gracias a su escala de servicio y eficiencia de tokens, y sirven modelos de cierto nivel de capacidad con meses de ventaja sobre la competencia, tiempo que aprovechan para optimizar costes. La demanda del mercado, subraya, todavía no trata la inteligencia como un commodity: se pide específicamente Anthropic u OpenAI, no cualquier modelo equivalente (de ahí que SpaceXAI o Meta vendan capacidad excedente a Anthropic en lugar de competir con modelos propios). La conclusión de esta sección es que la reacción de pánico ante Kimi y los modelos chinos está, en su opinión, sobredimensionada desde el punto de vista económico: lo que parece un precio más barato de los modelos chinos sería en realidad un reflejo del "paraguas de precios" que genera la actual escasez de cómputo en Occidente, no necesariamente un coste marginal de servicio inferior en China.

La siguiente sección explora por qué, entonces, los laboratorios de frontera parecen tan preocupados. Thompson ofrece cuatro razones. Primero, estarían anclados mentalmente en una etapa anterior en la que el entrenamiento consumía más cómputo que la inferencia, lo que obligaba a maximizar ingresos por inferencia para financiar el siguiente entrenamiento; de cara al futuro, espera que el mercado de inferencia crezca mucho más rápido que los costes de entrenamiento, permitiendo compensar con volumen precios más bajos, algo que hace apenas ocho meses no estaba claro pero que el auge de los agentes de IA haría más viable. Segundo, la inteligencia no es un commodity perfecto porque quien ejecuta la inferencia también recopila datos que retroalimentan la siguiente versión del modelo, lo cual explica tanto el interés de los laboratorios en bajar precios y aumentar el uso como la obsesión de compañías como Microsoft por ayudar a sus clientes a ejecutar sus propios modelos (algo mucho más viable si los modelos chinos son una alternativa real). Tercero, los laboratorios de frontera buscan diferenciarse integrándose verticalmente en la experiencia de usuario: el artículo señala lo "pegajosas" que resultan herramientas como Claude Code y Codex, de forma que quien empieza a trabajar con un determinado entorno tiende a quedarse en él, dinámica que se acentuará entre usuarios no técnicos; a largo plazo esto supone una amenaza para proveedores de software como Microsoft, aunque estos últimos podrían resistir si tienen acceso a modelos competitivos propios. Cuarto y último, Thompson apunta al componente ideológico, en particular de Anthropic, cuya visión de que solo ella puede ser "depositaria de confianza" en materia de IA se ve golpeada de muerte por la existencia de alternativas de pesos abiertos.

Una sección específica analiza la motivación china detrás de estos lanzamientos, apoyándose en una cita de Bloomberg: Alibaba lanzó una vista previa de Qwen3.8 Max (2,4 billones de parámetros), descrito como "segundo solo detrás de Fable 5" de Anthropic, apenas días después de que Moonshot presentara Kimi K3 (2,8 billones de parámetros), lanzamiento que generó tal demanda que Moonshot tuvo que pausar temporalmente las nuevas suscripciones. Es relevante, señala el autor, que Alibaba —que había dejado de publicar los pesos de sus modelos más avanzados a principios de año— vaya a hacer de nuevo abierto Qwen3.8 Max, algo que Thompson vincula a un discurso reciente de Xi Jinping en el que se reafirmaba la apuesta por la apertura y el código abierto en IA como motor de crecimiento económico mundial, con el énfasis puesto en que la IA está pasando "del mundo digital al mundo físico" (terreno donde China lidera en áreas como la robótica). La lectura estratégica que hace Thompson es clara: China busca "comoditizar sus complementos" —debilitar la posición de los laboratorios de frontera estadounidenses fortaleciendo a la vez a cualquier potencial adversario de EE.UU. mediante un ecosistema abierto— y evitar que Estados Unidos obtenga una ventaja asimétrica en IA.

El artículo cierra con apartados sobre la destilación (el uso de un modelo más potente como "profesor" para entrenar uno propio de forma más barata). Thompson sostiene que sería un error atribuir todo el éxito de los laboratorios chinos a la destilación de modelos occidentales, pero también sería un error ignorarla: se ha vuelto especialmente relevante a medida que el aprendizaje por refuerzo posterior al entrenamiento (post-training RL) gana peso, ya que permite a los laboratorios chinos usar modelos de frontera como "profesores" en lugar de construir entornos de refuerzo desde cero, logrando mejoras rápidas a menor coste. Cita un análisis de Dean Meyer y Konstantine Buhler que argumenta que esto da a los modelos abiertos chinos una ventaja estructural recurrente frente a los modelos abiertos occidentales, obligados por los términos de servicio de los laboratorios de frontera a no destilarlos directamente, de modo que terminan destilando de segunda mano, vía modelos chinos. Thompson plantea entonces una pregunta retórica: si los propios modelos de frontera no son sino una destilación de todo el conocimiento disponible en internet, ¿en qué sentido es la destilación un problema?