Por qué las empresas están reconsiderando su dependencia de OpenAI y Anthropic

OpenAI y Anthropic se convirtieron en las opciones predeterminadas para muchas empresas antes de que la mayoría hubiera descubierto qué necesitaba realmente de la inteligencia artificial. Los equipos comenzaron con unas pocas suscripciones a ChatGPT o Claude, los desarrolladores conectaron los modelos a aplicaciones internas y los proyectos experimentales se integraron gradualmente en las operaciones diarias. La decisión inicial parecía reversible: siempre se podría introducir otro modelo más tarde.

Esa suposición se está poniendo a prueba ahora. A medida que la IA pasa de ser una asistencia ocasional al servicio de atención al cliente, el desarrollo de software, la investigación, el procesamiento de documentos y los flujos de trabajo operativos, la elección del proveedor afecta mucho más que a la calidad de los resultados. Modifica los costos, la arquitectura de datos, las habilidades internas y la capacidad de la empresa para cambiar de rumbo. Lo que comenzó como una compra tecnológica conveniente puede convertirse en una dependencia estratégica.

La preocupación no es que OpenAI o Anthropic se hayan vuelto repentinamente inadecuadas. Ambas siguen produciendo algunos de los mejores modelos de propósito general disponibles. El problema es que las empresas a menudo han permitido que un proveedor se integre en demasiados procesos sin establecer qué sucedería si cambiaran los precios, el rendimiento, las condiciones contractuales o las prioridades comerciales.

Los costes de la IA se vuelven más difíciles de predecir a gran escala

Una suscripción mensual ofrece a los empleados un precio relativamente claro. La economía cambia cuando una empresa comienza a utilizar modelos a través de una interfaz de programación de aplicaciones, particularmente cuando la inteligencia artificial está integrada en productos o flujos de trabajo automatizados.

Los cargos pueden depender de la cantidad de información enviada al modelo, la duración de la respuesta, el modelo seleccionado y la frecuencia con la que se ejecuta el proceso. Una tarea que parece económica durante una prueba piloto puede volverse costosa cuando se repite miles de veces al día. Agregar documentos más largos, instrucciones más detalladas o pasos de verificación adicionales aumenta aún más la factura.

La dificultad no se limita al precio de los tokens individuales. Los sistemas de inteligencia artificial requieren infraestructura de soporte, monitoreo, controles de seguridad, trabajo de integración y revisión humana. Las empresas también pueden pagar a varios proveedores de tecnología por capacidades superpuestas sin tener una visión clara de qué modelo está manejando qué tarea.

Esto está impulsando a los equipos de finanzas y tecnología a plantear preguntas que a menudo estuvieron ausentes durante la fase experimental. ¿Cuánto cuesta resolver la solicitud de un cliente? ¿Está generando el modelo suficiente valor para justificar su costo operativo? ¿Completaría un modelo más pequeño la misma tarea de manera satisfactoria? ¿Cuánta corrección humana sigue siendo necesaria?

Un modelo capaz puede producir una respuesta impresionante, pero eso no lo convierte automáticamente en la opción más económica. Resumir un documento rutinario, clasificar una solicitud entrante y extraer una fecha de una factura rara vez requieren la misma potencia informática que analizar un contrato complejo o escribir software de producción. Utilizar el modelo más avanzado para cada tarea es comparable a asignar al especialista más caro de la empresa a cada consulta administrativa.

La dependencia se extiende más allá del contrato

La dependencia de proveedores a veces se describe como un problema de compras: una empresa negocia con un proveedor y más tarde puede cambiar a otro. Con la IA generativa, la relación es más complicada.

Los *prompts* se perfeccionan para el comportamiento de un modelo en particular. Las aplicaciones se construyen en torno a su interfaz técnica. Los empleados se familiarizan con sus fortalezas y limitaciones. Los procedimientos de seguridad, los métodos de evaluación y los flujos de trabajo de aprobación se diseñan para el sistema del proveedor. Incluso el tono y la estructura del material generado por IA pueden reflejar gradualmente cómo responde ese modelo.

Cambiar de proveedor puede, por lo tanto, requerir más que reemplazar una clave de API. Es posible que sea necesario reescribir los mensajes, volver a probar las salidas y reconstruir las integraciones. Un modelo de la competencia puede interpretar las instrucciones de manera diferente, admitir diferentes formatos de archivo o requerir otro enfoque para el uso de herramientas. Los procesos que parecían portátiles pueden resultar sorprendentemente específicos para un solo proveedor.

El riesgo aumenta cuando la IA se conecta a los sistemas de la empresa y se le permite actuar. Un asistente que simplemente redacta un correo electrónico es relativamente fácil de reemplazar. Un agente que recupera información de clientes, actualiza registros, prepara informes y activa flujos de trabajo internos está vinculado a permisos, fuentes de datos y reglas de negocio. Migrar un sistema así se convierte en un proyecto operativo.

Esta es una razón por la cual las empresas están empezando a separar sus aplicaciones de inteligencia artificial del modelo subyacente. En lugar de permitir que cada departamento construya directamente sobre un solo proveedor, están introduciendo una capa intermedia que puede enrutar tareas a diferentes modelos. El enfoque requiere más disciplina al principio, pero reduce el costo de cambiar de proveedor más adelante.

El mejor modelo depende del trabajo

OpenAI y Anthropic se comparan con frecuencia como si una empresa tuviera que elegir un único ganador. En la práctica, sus modelos pueden ser adecuados para diferentes tipos de trabajo, mientras que ninguno es necesariamente la opción correcta para cada tarea.

Un modelo puede funcionar mejor con razonamiento complejo, otro con documentos largos o programación. Un modelo comercial más pequeño puede ser suficiente para procesos internos rutinarios. Un modelo abierto que se ejecute dentro de la propia infraestructura de la empresa puede ser preferible cuando la sensibilidad de los datos importa más que las diferencias marginales en la calidad de los resultados.

Esto está convirtiendo la selección de modelos en una decisión de cartera. Las empresas pueden reservar modelos prémium para tareas en las que sus capacidades mejoran sustancialmente el resultado, mientras dirigen el trabajo repetitivo y de alto volumen hacia alternativas más económicas. Los datos confidenciales pueden permanecer dentro de una infraestructura controlada y los equipos pueden cambiar de proveedor cuando el rendimiento o los precios cambien.

El concepto de enrutador de modelos sigue siendo desconocido fuera de los departamentos de tecnología, pero su lógica es sencilla. El empleado o la aplicación envía una solicitud sin elegir un proveedor. El sistema clasifica la tarea y la envía al modelo que ofrece la mejor combinación de calidad, velocidad, costo y protección de datos.

Una traducción corta puede ser procesada por un modelo compacto. Una comparación legal puede ir a un sistema de razonamiento más potente. La información confidencial puede gestionarse localmente. Si un proveedor no está disponible, otro puede tomar el relevo. La empresa gestiona el servicio que necesita en lugar de organizar su trabajo en torno a la gama de productos de una sola empresa de IA.

Los modelos abiertos se están convirtiendo en alternativas creíbles

La posición de los principales proveedores estadounidenses también está siendo desafiada por el rápido desarrollo de modelos abiertos y de menor coste. Algunos se pueden descargar, adaptar y operar en los propios servidores de una empresa o a través de un proveedor de alojamiento elegido. Otros ofrecen acceso comercial a precios diseñados para atraer a organizaciones preocupadas por el coste de los sistemas de vanguardia.

Los modelos abiertos no eliminan la complejidad. Una empresa puede necesitar conocimientos especializados para implementarlos, asegurarlos y mantenerlos. Los costos de hardware pueden ser sustanciales y el modelo aún requiere evaluación antes de que se le confíen tareas críticas para el negocio. Para una organización más pequeña, utilizar un servicio comercial gestionado puede seguir siendo más sencillo y económico.

Su importancia radica en la alternativa que crean. Las empresas ya no tienen que asumir que cada carga de trabajo de IA debe enviarse a uno de los dos proveedores estadounidenses. Un modelo abierto puede ser adecuado para la clasificación, la búsqueda, la extracción, la traducción o la recuperación de conocimiento interno. También se puede adaptar a la terminología de una empresa y operar bajo un control más estricto.

Los desarrolladores de IA chinos han añadido más presión al demostrar que se pueden ofrecer modelos capaces a precios notablemente más bajos. No todas las organizaciones se sentirán cómodas utilizándolos, en particular cuando están involucrados requisitos regulatorios, transferencias de datos o exposición geopolítica. Su influencia, sin embargo, se extiende más allá de la adopción directa: la competencia a menor precio dificulta que los proveedores establecidos traten los precios altos como inevitables.

El trabajo humano a veces sigue siendo la opción económica

La prisa por automatizar ha alentado a las empresas a comparar el coste de la IA con el salario de un empleado. Esa comparación puede ser engañosa.

Un proceso automatizado puede requerir el uso de modelos, integración de software, monitoreo, controles de calidad y gestión de excepciones. Cuando los errores conllevan consecuencias financieras, legales o de reputación, una persona a menudo debe revisar el resultado. Si la tarea ocurre con poca frecuencia o varía significativamente de un caso a otro, el costo de construir y mantener el flujo de trabajo de IA puede superar el ahorro.

Esto no significa que la automatización haya fracasado. Significa que la empresa debe considerar todo el proceso en lugar del aparente costo de generar una respuesta. Es posible que la IA aún mejore la productividad del empleado sin asumir toda la tarea. Un modelo puede preparar el primer análisis, identificar información faltante o sugerir una respuesta, mientras que el empleado sigue siendo responsable de la decisión.

La división del trabajo más económica no siempre es la automatización total. En algunos casos, es una combinación cuidadosamente diseñada de velocidad de máquina y juicio humano.

Lo que las empresas deben hacer antes de ampliar su uso de la inteligencia artificial

El primer paso es mapear dónde ya se está utilizando la IA. Muchas organizaciones subestiman el número de herramientas, suscripciones y flujos de trabajo informales que han surgido en los distintos departamentos. Sin esa visión general, no pueden calcular los costes, evaluar la exposición de los datos ni identificar la dependencia de un proveedor en particular.

Cada caso de uso debe evaluarse por separado. Las preguntas relevantes son prácticas: qué tan importante es la tarea, qué nivel de precisión se requiere, qué datos están involucrados, con qué frecuencia se ejecuta y qué sucede cuando el modelo se equivoca. Las respuestas determinan si la empresa necesita un modelo prémium, una alternativa más pequeña, procesamiento local o intervención humana directa.

Nuevo IA Las aplicaciones deben diseñarse para la portabilidad siempre que sea posible. Los comandos, las conexiones de datos y las reglas de negocio no deben quedar enterrados dentro de la plataforma de un solo proveedor. Las empresas deben mantener pruebas independientes que les permitan comparar modelos frente a las mismas tareas y resultados esperados. Los contratos también deben abordar el uso de datos, la disponibilidad del servicio, los cambios de precio y los aspectos prácticos de cambiar a otro proveedor.

Nada de esto exige que las empresas abandonen a OpenAI o Anthropic. La dependencia se vuelve peligrosa cuando es accidental, se comprende mal y es difícil de revertir. Una relación deliberada con un proveedor líder puede ser completamente racional, siempre y cuando la empresa sepa qué procesos dependen de él, cuánto cuestan y qué alternativas existen.

La siguiente fase de la inteligencia artificial corporativa estará menos preocupada por el acceso al modelo más célebre y más preocupada por el control. Las empresas que conserven la capacidad de comparar, combinar y reemplazar modelos estarán en una posición más fuerte que aquellas que permitan que un solo proveedor defina la arquitectura de su estrategia de IA.