¡El mercado estadounidense pierde 2.8 billones en una noche! VC de Silicon Valley revela: el 90% del gasto en modelos de código abierto se destina a China

Fuente: Informe de Xinzhiyuan

Esta madrugada, el mercado estadounidense fue arrasado.

El índice Nasdaq cayó un 5.52%, marcando la mayor caída diaria desde abril de 2025, y oficialmente entró en una zona de corrección técnica. El índice de semiconductores de Filadelfia se desplomó un 12.3%, el peor día desde el colapso por la pandemia en marzo de 2020.

NVIDIA cayó un 9.26%, evaporando casi 450 mil millones de dólares en valor de mercado en un solo día; AMD cayó un 17%, SanDisk un 22% y Broadcom un 10%.

Desde chips, servidores, módulos ópticos hasta proveedores de energía para centros de datos, casi no hay un rincón de la cadena de suministro de infraestructura de IA que se haya salvado.

Los medios estiman que el mercado estadounidense perdió alrededor de 2.8 billones de dólares en un solo día.

Dejando de lado el impacto electoral, hay una capa más profunda: la duda del mercado sobre si el enorme gasto en capital para IA "realmente puede recuperar la inversión" finalmente estalló.

Pero solo dos días antes, el 3 de noviembre, Menlo Ventures, una firma de capital de riesgo de Silicon Valley con 50 años de experiencia y uno de los primeros inversores en Anthropic, publicó el "Informe sobre el estado de la IA empresarial en 2026", cuyos números se movieron en dirección completamente opuesta al mercado:

El gasto en implementación de IA empresarial en 2026 se disparará de 33 mil millones a 177 mil millones de dólares, un aumento de 5.4 veces en un año. Hace tres años, este mercado era de solo 1.7 mil millones, creciendo 100 veces en tres años.

Por un lado, 2.8 billones de dólares se desvanecen, y por el otro, 177 mil millones de dólares se invierten de verdad.

La diferencia es abismal. Wall Street duda de si el gasto en capital del lado de la oferta puede recuperar la inversión, mientras que los CTO del lado de la demanda están aumentando sus pedidos hasta que el presupuesto se descontrole.

Este informe también oculta dos pistas más intrigantes:

Los modelos chinos capturan el 89% del gasto en modelos de código abierto empresarial, de los cuales Kimi representa el 61%; al mismo tiempo, el dinero está acelerando su flujo hacia modelos insignia más caros, con la participación del gasto en modelos de vanguardia aumentando del 35% al 63%.

Juntas, estas dos cosas son el verdadero espectáculo.

Los modelos chinos están "dominando" las cuentas de las empresas estadounidenses

En el gasto en modelos de código abierto empresarial, el grupo chino ocupa las cuatro primeras posiciones con una ventaja abrumadora: Kimi 61%, DeepSeek 15%, GLM 11%, Qwen 3%, sumando un total del 89%. Llama de Meta, el competidor más destacado del mundo occidental en código abierto, solo obtuvo un 7%.

En otras palabras, cuando las empresas estadounidenses ejecutan modelos de código abierto en entornos de producción, en 9 de cada 10 ocasiones, la base proviene de China.

Pero lo más interesante es que los modelos chinos ya no son solo "sustitutos baratos"; están comenzando a "crecer" dentro de los productos de otros.

Ayer, el 5 de noviembre, Thinking Machines Lab lanzó su nuevo modelo Inkling 2 Small. Esta empresa no necesita mucha presentación: fue fundada por Mira Murati, ex-CTO de OpenAI, y en su primera ronda de financiación recaudó 2 mil millones de dólares, con una valoración reciente de 40 mil millones de dólares, siendo uno de los laboratorios más destacados de Silicon Valley.

El modelo en sí no es nada despreciable: 594 mil millones de parámetros en total, 17 mil millones de MoE activados, con un índice de inteligencia Artificial Analysis de 31 puntos.

Pero eso no es lo más importante. Lo crucial está escondido en un rincón poco destacado del blog técnico------

En la segunda mitad del preentrenamiento, la mayoría de los datos alimentados al modelo no provienen de la web, sino que son generados por algunos modelos anteriores. El primero mencionado es Kimi K3 de "La cara oscura de la luna".

¿Qué significa esto? Que Kimi se convirtió en el maestro de los laboratorios de estrellas de Silicon Valley.

La premisa para ser un maestro es: las respuestas que escribes son las que otros quieren copiar. Hace un año, este rol pertenecía casi exclusivamente a GPT y Claude.

Ser maestro es solo una de las formas de uso. Kimi K3 también está sirviendo como base para las empresas estadounidenses.

En agosto de este año, la startup de IA legal Harvey------con una valoración de más de 10 mil millones de dólares, y OpenAI como uno de sus accionistas, lanzó su primer modelo Tenet.

¿Y la base? No es GPT de OpenAI, que es accionista, sino Kimi K3.

Harvey utilizó aproximadamente 150 tarjetas NVIDIA B300 y pasó dos meses en Kimi K3 para realizar tareas legales de entrenamiento posterior.

Como resultado, Tenet completó casi el doble de tareas en su propio benchmark de agentes legales, compitiendo de igual a igual con los modelos insignia de Anthropic, OpenAI y Google en múltiples tareas legales complejas.

Thinking Machines, que crea modelos, lo toma como maestro, y Harvey, que hace aplicaciones, lo toma como base. Desde el laboratorio hasta la capa de aplicación, Kimi ha logrado entrar en todas partes.

Para estas empresas, abrir pesos significa tener un cuchillo que pueden afilar por sí mismos, y no solo un cuchillo barato.

Así, los modelos chinos han entrado en la cadena de producción de aplicaciones de alto nivel en el extranjero------desde ser llamados, hasta ser considerados maestros y bases.

Y esta tendencia sigue acelerándose.

El 23 de octubre se lanzó Kimi K3.1 Pro, con un puntaje de 65.7% en Terminal-Bench 4.0; justo después, el 5 de noviembre, llegó a Microsoft Foundry------

Este es el primer modelo de pesos abiertos que adopta un modelo de "compartición de ingresos" en la nube de Microsoft. En términos simples: cada vez que una empresa llama a Kimi en Azure de Microsoft, la cara oscura de la luna también recibe una parte de los ingresos.

Antes de Microsoft, Kimi ya había llegado a Amazon AWS. Microsoft y Amazon, las dos nubes más grandes del mundo, han dado a los modelos de código abierto de China el "boleto de entrada".

Otra cuenta: el uso se duplica, pero el dinero no ha aumentado

Con el impresionante rendimiento de los modelos de código abierto de China, ¿deberían los modelos cerrados estar preocupados?

La historia no es tan simple.

Si solo miramos el uso, el impulso de código abierto es realmente fuerte: la participación de tokens aumentó del 11% al 19%, y el volumen mensual de procesamiento se disparó 22.5 veces, alcanzando aproximadamente 29 billones de tokens.

Pero, ¿y el dinero? La participación del gasto, en cambio, cayó del 6% al 4%.

La razón es dolorosa: en el último año, el campo de código abierto ha estado principalmente compitiendo en una sola cosa------hacer modelos "flash" más pequeños, más rápidos y más baratos, luchando ferozmente en una guerra de precios.

En un año, el precio promedio de los tokens de código abierto ha caído 3.3 veces, ahora cada millón de tokens cuesta solo 0.13 dólares; los modelos cerrados promedian 0.70 dólares, más de cinco veces más caros.

El resultado de la guerra de precios es: se ha duplicado el trabajo realizado, pero el dinero recibido ha disminuido------el incremento ha sido completamente absorbido por la reducción de precios.

Los modelos Flash de código abierto que luchan en la guerra de precios han ganado en gritos, mientras que los modelos insignia han ganado en ingresos.

El presupuesto de las empresas no distingue entre código abierto y cerrado, solo reconoce quién puede hacer el trabajo. Sin embargo, en el campo de código abierto, los competidores que pueden considerarse insignia son contados con los dedos de una mano.

Este es el hallazgo más contraintuitivo del informe: la participación del gasto en modelos insignia de vanguardia aumentó del 35% al 63%, y la participación de tokens se duplicó del 18% al 42%.

El año pasado, la elección principal de las empresas fue Claude Sonnet 4.5 (3 dólares por cada millón de tokens de entrada) y GPT-5 (1.25 dólares); este año se cambiaron por Claude Opus 5.5 (4 dólares) y GPT-6 Astra (10 dólares). Los precios se multiplicaron por varias veces, y los usuarios no solo no se fueron, sino que acudieron en masa.

¿A quién le ha llegado el dinero? Anthropic pasó del 40% al 55%, OpenAI del 27% al 31%, y ambas empresas se llevaron el 86% del gasto empresarial en API de LLM. Google pasó del 21% al 9%, quedando rezagado.

Mientras tanto, Kimi K3, DeepSeek V4 y GLM-5.3, que han alcanzado un rendimiento cercano al de los modelos insignia, juntos representan menos del 5%. La capacidad ha llegado, pero las empresas aún no se atreven a confiarles sus operaciones críticas.

Lo peor es la capa intermedia: los modelos cerrados pequeños han visto una reducción de más del 80% en sus precios, pero su participación de tokens ha caído del 29% al 13%. Arriba, los modelos insignia se llevan las tareas complejas, y abajo, los modelos de código abierto están robando las tareas simples, presionando por ambos lados, dejándolos en una situación difícil.

Entonces, ¿por qué las empresas prefieren gastar más dinero?

Imagina esto: hacer que la IA repare un fallo en línea, lea el código, revise los registros, localice el problema, modifique archivos y ejecute pruebas. Los modelos baratos se desvían cada pocos pasos, y tienes que explicar, revisar y rehacer una y otra vez, al final, terminas haciéndolo tú mismo. La factura de tokens se ahorra, pero toda la tarde del ingeniero se pierde.

Así que la cuenta que las empresas tienen en mente no se trata de cuántos dólares cuesta cada millón de tokens, sino de cuánto cuesta completar la tarea de principio a fin. La tarifa de llamada del modelo es solo un pequeño porcentaje; el tiempo de los empleados, esperando y corrigiendo, es donde realmente se gasta el dinero.

Por supuesto, lo barato es bueno, pero debe haber una premisa------el trabajo realmente debe completarse.

Sin embargo, ¿significa esto que el código abierto no puede realizar grandes trabajos?

Siguiendo con Kimi K3.1 Pro, su arquitectura MoE de 2.8 billones de parámetros admite una ventana de contexto de 1 millón de tokens, y en Terminal-Bench 4.0 obtuvo un 65.7%, superando a GPT-6 Astra.

En el benchmark de investigación financiera OfficeQA Pro v2, obtuvo 64.4 puntos, el primero en el mundo. La tasa de error de alucinación se redujo del 23.4% de la generación anterior al 6.85%.

Esto ya no es un nivel de "suficientemente bueno"; es un nivel que puede competir con los modelos insignia cerrados.

Lo que falta en el código abierto nunca ha sido inteligencia, sino el grado de confianza que las empresas tienen en él------cumplimiento, servicio postventa, y una ruta a largo plazo, estos "puntos fuera del examen" son la última barrera.

En última instancia, la caída del mercado estadounidense de hoy y los datos de este informe hablan de dos caras de la misma moneda.

Wall Street se centra en el lado de la oferta: enormes gastos de capital, aprobación de centros de datos, costos de energía, cada uno es una espada colgando sobre ellos.

Mientras que el informe de Menlo Ventures se centra en el lado de la demanda: por cada dólar gastado en entrenar un modelo, las empresas gastan 1.70 dólares usándolo------la demanda de abajo está respaldando la inversión de arriba.

A principios de año, Wall Street ya había entrado en pánico por "la IA devorando el SaaS". El informe muestra que el 55% del nuevo gasto en IA proviene de presupuestos completamente nuevos, mientras que solo el 9% se ha trasladado de los presupuestos de software tradicionales a los proveedores nativos de IA.

La IA está ampliando el pastel, no robando el pastel.

Tim Tully, socio de Menlo Ventures, que escribió este informe, dijo una gran verdad:

Wall Street pregunta todos los días si la IA realmente puede recuperar la inversión, pero lo que vemos es que los compradores empresariales no han retrocedido ni un paso, sino que están buscando formas de hacer que la IA trabaje más.

"Podríamos estar subestimando este mercado".

Las acciones pueden caer, pero las facturas no mienten

Finalmente, volvamos a las tres diferencias ocultas en este informe:

Insignia vs Código Abierto. Los modelos insignia se llevan el 69% del gasto en implementación, la ventaja de ser pioneros de los laboratorios de vanguardia se ha amplificado en la era de los agentes.

Pero el informe también dice una frase significativa------"la escasez de capacidad no durará mucho tiempo".

Cada vez que el código abierto alcanza a los modelos insignia en alguna tarea, la prima original debe ser reevaluada.

Los modelos insignia cerrados no tienen un derecho de prima permanente.

Uso vs Ingresos. El código abierto chino ha demostrado su capacidad con un 89% de participación, pero entre el 19% de uso de tokens y el 4% de gasto, hay un desafío comercial.

Ser ampliamente utilizado es una cosa, poder manejar tareas complejas de manera estable y hacer que los clientes paguen de manera continua es otro desafío.

Los casos de Harvey y Thinking Machines ofrecen un camino------no depender de ser barato, sino convertirse en el maestro de otros, la base de otros; el modelo de reparto de ingresos de Microsoft y AWS ofrece otro camino------colaborar con gigantes de la nube, cada vez que se llama, se comparte el ingreso.

Acciones vs Facturas. La diferencia entre Wall Street y las empresas en realidad no es tan contradictoria.

Las acciones calculan expectativas, las facturas registran realidades. Perder 2.8 billones en un día es una corrección de expectativas, un aumento de 5.4 veces en un año es una aceleración de la realidad. Ambas pueden ser verdaderas al mismo tiempo.

Pero mirando más allá, lo que revela este informe puede no ser solo un ciclo de auge------sino una redistribución del poder industrial.

Hace tres años, la IA era un juguete en el laboratorio; tres años después, las empresas gastan 177 mil millones de dólares al año en IA, esta cantidad ya equivale a un tercio de los ingresos totales de la nube pública.

Los principales actores también han cambiado, el 80% de los tokens son consumidos por los propios agentes.

¿Quiénes son los modelos que pueden competir, quién entrena los modelos, quién te ayuda a ejecutar los modelos? La división del trabajo en toda la cadena está siendo reescrita por la fuerza del código abierto de China.

Este contenido se ofrece únicamente con fines informativos generales y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, tradear o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.