De acuerdo con un artículo publicado en El Economista, el auge inicial de la IA impulsado por modelos propietarios como ChatGPT, Claude o Gemini está encontrando un límite financiero debido al elevado costo de procesar consultas y a la dependencia de un único proveedor. Ante este escenario, las compañías se orientan hacia arquitecturas híbridas.
Aunque herramientas cerradas ofrecen acceso inmediato y han demostrado ganancias de productividad, las empresas enfrentan gastos en tokens mal administrados y menor flexibilidad.
-
Transición prevista: Red Hat anticipa una evolución hacia esquemas híbridos que combinen servicios cerrados con modelos abiertos o de pesos abiertos ejecutados dentro de los centros de datos corporativos.
-
El fenómeno de los pesos abiertos: A diferencia del código abierto tradicional, los pesos abiertos permiten utilizar los parámetros aprendidos durante el entrenamiento para ejecutar una copia funcional en infraestructura propia, con ejemplos destacados como Kimi K3 y las familias de DeepSeek.
Inversión en IA y retos de adopción en México
El cambio de estrategia ocurre mientras México acelera su gasto tecnológico. IDC estima que las empresas mexicanas destinarán 776 millones de dólares a software y servicios de IA en 2026, lo que representa un crecimiento anual de 52%. Por su parte, la infraestructura de nube pública alcanzará 2,038 millones de dólares con un avance del 25%.
-
Estado de adopción: Un estudio de Strand Partners para AWS calcula que el 48% de las empresas mexicanas ya utiliza IA, aunque el 63% se mantiene en aplicaciones básicas, el 13% logró una integración avanzada y el 46% admite que carece de una forma confiable de medir el retorno de inversión.
El impacto de los «Tokenomics» y la infraestructura
El costo por token —las unidades en que un modelo divide el texto— eleva rápidamente el gasto operativo cuando los sistemas se integran de lleno en las operaciones diarias.
-
Optimización de costos: Para mitigar el impacto financiero en los presupuestos empresariales, plataformas como la de Red Hat se apoyan en tecnologías abiertas como vLLM con el fin de maximizar el rendimiento del hardware.
-
Retos de hardware: La adopción de sistemas abiertos también enfrenta barreras, como la alta demanda, la oferta limitada y el elevado costo de las GPU especializadas, lo que lleva a muchas organizaciones a iniciar con modelos alojados en la nube.
Seguridad, control y perspectivas futuras
Ejecutar modelos dentro de la propia infraestructura permite a las organizaciones mantener el control directo sobre la información sensible y vigilar de cerca las vulnerabilidades.
-
Seguridad colaborativa: Para abordar estos retos, organizaciones como Red Hat se han unido a iniciativas como la Open Secure AI Alliance creada junto a Nvidia y otras 36 entidades.
-
Control de agentes: Con el crecimiento de los agentes autónomos, la estrategia apunta a establecer barreras defensivas directamente a nivel del sistema operativo para evitar que actúen fuera de lo previsto.
Para concluir, los expertos coinciden en que el éxito de esta transición tecnológica en la región dependerá fundamentalmente de que las organizaciones preparen adecuadamente sus procesos internos y garanticen una óptima calidad de los datos antes de escalar sus implementaciones. De este modo, podrán equilibrar la seguridad, el control de la información confidencial y la rentabilidad a largo plazo en sus proyectos de inteligencia artificial.
