En menos de una semana ocurrieron tres cosas que parecen independientes. Moonshot AI, un laboratorio de Beijing, lanzó Kimi K3 y lo colocó en el tercer lugar del índice de Artificial Analysis, una evaluación independiente de los modelos más avanzados. Reflection AI, una startup fundada por dos exinvestigadores de Google DeepMind, firmó un contrato por más de mil millones de dólares con Nebius para conseguir capacidad de cómputo. Y Anthropic comenzó conversaciones preliminares para rentarle a Meta hasta 10 mil millones de dólares en infraestructura.
Una historia viene de China, otra de una empresa de modelos abiertos y la tercera reúne al creador de Claude con el dueño de Facebook. Las tres cuentan la misma historia: la inteligencia artificial está dejando de ser un producto para convertirse en un mercado.
Durante los últimos dos años, la pregunta dentro de las empresas fue: “¿Qué modelo usamos?”. Tenía sentido cuando existían dos o tres opciones serias y las diferencias parecían estables. Hoy es casi tan ingenua como preguntar qué banco debe utilizar una empresa para todas sus operaciones. Las empresas tendrán que pensar en un portafolio de proveedores.
Kimi K3 importa por lo que provoca en ese mercado. Moonshot consiguió que un laboratorio chino compita con los mejores modelos cerrados de Estados Unidos. No ganó todas las pruebas ni es siempre la alternativa más barata. Eso vuelve el caso más interesante.
Su precio es de tres dólares por millón de tokens de entrada y 15 por los de salida. GPT-5.6 Sol cuesta cinco y 30 dólares, respectivamente. Uno supondría que Kimi resulta mucho más barato, pero Artificial Analysis calculó un costo promedio por tarea de 94 centavos para Kimi y 1.04 dólares para GPT-5.6 Sol. Casi lo mismo.
Kimi necesitó generar más texto para llegar al resultado. El token barato no produjo una tarea proporcionalmente barata.
Este detalle debería importarle más a un director financiero que cualquier ranking. Comparar precios por millón de tokens sirve de poco cuando cada modelo consume una cantidad distinta, se equivoca de manera diferente y necesita más o menos intentos para terminar el trabajo.
El token no es una materia prima estandarizada. Uno de Kimi no equivale a uno de OpenAI, igual que una hora de trabajo no vale lo mismo sin saber quién la realizó y qué produjo. Es una unidad de facturación. La medida relevante es cuánto cuesta completar correctamente una tarea, incluyendo reintentos, revisión humana y correcciones.
La competencia ya se mueve hacia ahí. xAI lanzó Grok 4.5 a dos dólares por millón de tokens de entrada y seis por los de salida, y asegura que utiliza aproximadamente la mitad de los tokens de modelos comparables. OpenAI presentó GPT-5.6 en tres tamaños y comenzó a hablar de costo por tarea exitosa, no solamente de capacidad.
Debajo de los modelos también está cambiando el mercado. Ahí aparecen las llamadas neoclouds: empresas como CoreWeave, Nebius y Crusoe, especializadas en conseguir chips, electricidad y centros de datos para operar inteligencia artificial.
Los laboratorios ya no dependen únicamente de AWS, Microsoft o Google. Pueden comprar capacidad a una neocloud e incluso a otra empresa tecnológica. Meta, que nunca ha operado una nube comercial comparable con AWS, ahora considera venderle capacidad a Anthropic.
Con tantos modelos, proveedores y precios aparece una nueva función corporativa: decidir qué trabajo va a dónde. El resumen de documentos internos puede enviarse a un modelo abierto y barato. Un análisis con implicaciones regulatorias puede justificar un modelo de frontera con garantías contractuales y jurisdicción clara. La atención al cliente necesita velocidad. La información confidencial puede exigir infraestructura controlada por la propia empresa.
La decisión combina costo, desempeño, velocidad y riesgo. Utilizar siempre el modelo más poderoso sería como contratar a un abogado corporativo para clasificar facturas. Escoger siempre el más barato puede salir peor si necesita tres intentos y una persona debe corregirlo.
Tener un portafolio tampoco es gratuito. Cada proveedor adicional implica otra integración, revisiones de seguridad, contratos y evaluaciones. El ruteo crea valor cuando existe suficiente volumen y diversidad de tareas para justificar esa complejidad.
Por eso, la ventaja no estará en comprar un router genérico. Esos productos abundarán. Lo difícil será construir las evaluaciones y reglas con las que el router decide. Solo la empresa sabe qué significa una respuesta correcta dentro de sus procesos, cuánto cuesta un error y qué información no puede salir de determinada jurisdicción.
Para las empresas mexicanas esto pesa doble. Gran parte del consumo de modelos internacionales se factura en dólares. Puede ser irrelevante durante un piloto y convertirse en una partida importante cuando millones de operaciones llegan a producción.
Mientras las empresas globales comienzan a administrar portafolios de modelos, muchos corporativos mexicanos todavía compran inteligencia artificial como compraban un ERP hace veinte años: un contrato grande, un solo responsable a quien reclamarle y poco descubrimiento de precios. El proveedor lo sabe y cotiza en consecuencia.
La capacidad escasa de los próximos años será mantener evaluaciones propias, medir el costo real por tarea y decidir qué carga de trabajo corresponde a cada proveedor. Un equipo que administra proveedores, consumo, calidad y riesgo.
