¿Los modelos de código abierto matarán la 'demanda de potencia de cálculo'? Morgan Stanley proyecta tres futuros para la IA

Informe original: Morgan Stanley Research "Weighing In: Open-Weights Models & 3 States of the World", 3 de agosto de 2026

Compilado y organizado por: DaiDai, Frank, MSX Maitong Research Institute

Resumen clave

• Los modelos de pesos abiertos reducen el costo por llamada y la barrera de implementación, pero no necesariamente disminuyen la demanda total de potencia de cálculo. A medida que la IA ingresa a más empresas, flujos de trabajo y dispositivos, el aumento en el volumen de llamadas puede superar las mejoras en eficiencia, desencadenando la típica "paradoja de Jevons";
• Las empresas ya han entrado en la era de múltiples modelos, los modelos de pesos abiertos asumen principalmente tareas de programación, procesamiento de documentos, llamadas frecuentes y tareas específicas, mientras que la carga de trabajo de razonamiento complejo y de agentes sigue dependiendo más de modelos cerrados de vanguardia;
• Los pesos abiertos no son sinónimo de gratis, las empresas pueden ahorrar en tarifas de licencia de modelos o algunos costos de API, pero aún deben asumir costos de GPU, servicios en la nube, centros de datos locales, ajustes, talento, seguridad y mantenimiento;
• Independientemente de si los modelos cerrados, híbridos o de pesos abiertos dominan, NVIDIA, la energía en el lugar y el software de seguridad son direcciones de beneficio transversales bastante claras;
• Cuanto más se popularicen los modelos de pesos abiertos, más probable es que la cadena de valor de la IA se expanda desde la capa de modelos básicos hacia la inferencia, el enrutamiento, la orquestación, la observabilidad, la infraestructura local, los dispositivos de borde y las aplicaciones verticales;

Cada cierto tiempo, el mercado de IA parece experimentar un "pánico de eficiencia".

Cuando los parámetros del modelo se reducen, los costos de inferencia disminuyen, o una empresa de modelos logra un rendimiento cercano a la vanguardia con menos chips, el mercado rápidamente desarrolla una intuición: dado que los recursos computacionales necesarios para realizar la misma tarea son cada vez menores, ¿también alcanzarán su punto máximo la demanda de GPU, centros de datos y energía?

La aparición de la nueva generación de modelos de pesos abiertos, como Kimi K3 y DeepSeek V4 Flash, vuelve a poner esta cuestión sobre la mesa. No solo intentan cerrar la brecha de capacidades con los modelos cerrados de vanguardia, sino que también permiten a las empresas descargar, modificar y desplegar modelos, dispersando así capacidades que antes estaban altamente concentradas en unos pocos laboratorios de modelos en EE. UU. a un conjunto más amplio de desarrolladores y pilas tecnológicas empresariales.

Sin embargo, la respuesta que Morgan Stanley ofrece en su último informe es precisamente contraria a esta intuición:

La mejora en la eficiencia del modelo no necesariamente matará la demanda de potencia de cálculo; es más probable que haga que la IA sea lo suficientemente barata como para entrar en escenarios donde antes no valía la pena usarla, y finalmente aumente el volumen total de llamadas.

Sobre esta base, lo que realmente necesita ser discutido nuevamente es dónde ocurrirá la potencia de cálculo, quién la proporcionará y qué empresas podrán obtener ingresos de esta difusión.

1. Modelos más baratos, ¿por qué podrían consumir más potencia de cálculo?

Una de las malinterpretaciones más comunes sobre los modelos de pesos abiertos es equiparar directamente "la reducción de costos del modelo" con "la reducción de la demanda de infraestructura".

Pero para la mayoría de las empresas, la decisión de adoptar la IA no depende solo de cuánta potencia de cálculo se necesita para que un modelo complete una tarea, sino de si los ingresos que genera pueden cubrir los costos del modelo, la ingeniería y la infraestructura.

Los cálculos citados por Morgan Stanley muestran que una tarea de IA en una empresa puede generar un ingreso promedio de aproximadamente 55 dólares, mientras que el costo directo es de aproximadamente 2 a 5 dólares. Incluso considerando los costos de datos, ingeniería, seguridad y gestión, esta relación de ingresos a costos aún significa que muchos flujos de trabajo empresariales no han sido completamente transformados por la IA.

En este contexto, el resultado de la reducción de precios de los modelos podría no ser que las empresas reduzcan sus gastos en IA, sino que más tareas crucen el umbral de viabilidad económica.

En el pasado, las empresas solo habrían confiado las tareas más importantes y de mayor valor a la IA; a medida que el precio de la inferencia continúe disminuyendo, la clasificación de registros de atención al cliente, la revisión de contratos, las pruebas de código, las descripciones de productos, las búsquedas empresariales, los materiales de marketing, la limpieza de datos e incluso las aprobaciones internas podrían ser incluidas en el flujo de trabajo del modelo.

Los recursos computacionales necesarios para cada tarea pueden disminuir, pero el número de tareas, la frecuencia de ejecución y la escala de usuarios pueden expandirse simultáneamente.

Esta es precisamente la "paradoja de Jevons" mencionada repetidamente en el informe: cuando la eficiencia en el uso de un recurso mejora y el costo por unidad disminuye, debido a la rápida expansión del ámbito de aplicación, su consumo total puede aumentar.

Por ejemplo, un automóvil que consume menos gasolina no ha hecho que la demanda mundial de petróleo desaparezca automáticamente; el ancho de banda de la red se ha vuelto más barato, pero eso no ha reducido el tráfico de datos. De manera similar, un modelo más eficiente no necesariamente reduce el uso de GPU, sino que puede hacer que la IA pase de unas pocas tareas de alto valor a convertirse en una capacidad básica omnipresente dentro de las empresas.

Actualmente, esta difusión ya ha comenzado a ocurrir.

Una encuesta de McKinsey citada en el informe muestra que el 63% de las empresas encuestadas ya utilizan modelos abiertos en su pila tecnológica, pero la mayoría de las empresas no han abandonado completamente los modelos cerrados, sino que los utilizan en combinación. Los modelos de pesos abiertos se utilizan principalmente para programación, análisis de documentos, llamadas frecuentes y tareas específicas, mientras que los modelos cerrados de vanguardia continúan asumiendo razonamientos complejos, requisitos de confiabilidad más altos y trabajos más difíciles de estandarizar.

Desde febrero hasta julio de 2026, la proporción de tokens que las empresas estadounidenses enrutan a modelos abiertos en China a través de OpenRouter superó el 30% en algunos momentos. Este dato puede estar más sesgado hacia desarrolladores y startups, y no puede representar directamente el gasto de grandes empresas, pero al menos indica que los modelos de pesos abiertos han pasado de ser un concepto de laboratorio a un entorno real de llamadas y despliegues.

Por supuesto, los modelos de pesos abiertos no son sinónimo de "modelos gratuitos".

Las empresas, al autohospedarse, pueden dejar de pagar tarifas de API calculadas por token a los proveedores de modelos, pero aún deben comprar o alquilar GPUs y asumir costos de centros de datos, servicios en la nube, ajustes, equipos de ingeniería, seguridad y mantenimiento diario. Esto significa que al usar modelos de pesos abiertos a través de APIs hospedadas por proveedores de modelos o plataformas en la nube, las empresas aún pueden pagar según el token o la cantidad de cálculo.

Por lo tanto, lo que cambia con los pesos abiertos no es si existen costos de cálculo, sino cómo las empresas pagan esos costos de cálculo, y de dónde obtienen el valor: de los proveedores de modelos, de plataformas en la nube o de su propia infraestructura.

Morgan Stanley cita un estudio del MIT que estima que al pasar de modelos cerrados a modelos abiertos, el precio promedio podría disminuir en aproximadamente un 70%, ahorrando a los consumidores alrededor de 25 mil millones de dólares al año. Pero el informe también advierte que este estudio se completó hace tiempo, las capacidades de diferentes modelos no son completamente comparables y puede que no se hayan contabilizado adecuadamente los costos ocultos de ingeniería, ajustes y mantenimiento.

Otro estudio de Carnegie Mellon muestra que el período de recuperación para la implementación de modelos abiertos puede extenderse de aproximadamente 3 meses a 6 años, donde los modelos con parámetros más pequeños, tareas fijas y alta frecuencia de llamadas pueden amortizar más rápidamente los costos de hardware; los modelos grandes y las aplicaciones empresariales complejas pueden, debido a una utilización insuficiente, actualizaciones frecuentes y altos costos de ajuste, no demostrar durante mucho tiempo que la implementación propia es más barata que la API.

Por lo tanto, la economía de los modelos de pesos abiertos no tiene una respuesta única.

Depende de la escala del modelo, la frecuencia de uso, la tasa de utilización de la infraestructura, la capacidad de ingeniería de la empresa y si los datos deben permanecer en local. Cuanto más abiertos sean los modelos, más opciones tendrán las empresas, pero también asumirán más responsabilidades técnicas.

2. En la siguiente etapa, ¿dónde ocurrirá la potencia de cálculo?

Si el futuro de la IA está dominado solo por unos pocos modelos cerrados, entonces el entrenamiento y la inferencia seguirán concentrándose en grandes plataformas en la nube y centros de datos de gran escala.

Pero si los modelos de pesos abiertos obtienen una adopción más amplia, la potencia de cálculo de la IA no desaparecerá, sino que se dispersará desde unos pocos nodos centrales hacia nubes privadas, centros de datos empresariales, centros de datos soberanos, servidores de borde y dispositivos personales.

Esto significa que las variables que el mercado necesita observar cambiarán de "¿cuántas GPUs se necesitan?" a "¿dónde se despliegan las GPUs, quién las gestiona y cómo se llaman?".

En la era de los modelos cerrados, las empresas podían externalizar la mayor parte de la complejidad a las empresas de modelos: conectarse a una API, pagar por token, con el proveedor responsable de las actualizaciones del modelo, la infraestructura, la alineación de seguridad y parte de la responsabilidad legal.

Al entrar en la era de múltiples modelos, esta estructura simple comienza a romperse.

Las empresas pueden asignar las tareas más complejas a modelos cerrados de vanguardia y las tareas de alta frecuencia y costo sensible a modelos de pesos abiertos; los datos sensibles se mantienen en local, mientras que las cargas de trabajo generales se ejecutan en la nube pública; algunas solicitudes se procesan en centros de datos, mientras que otras se completan directamente en computadoras, teléfonos móviles u otros dispositivos de borde.

Cuantos más modelos haya y más dispersos estén sus despliegues, más compleja será la pila tecnológica de IA de las empresas:

• Primero, la capa de puerta de enlace: las empresas necesitan una entrada unificada para gestionar la autenticación de identidad, permisos de llamada, limitaciones de velocidad, registro de logs y conmutación por error de proveedores;
• En segundo lugar, la capa de enrutamiento: el sistema necesita asignar cada solicitud al modelo más adecuado según la precisión, latencia, costo, sensibilidad de los datos y dificultad de la tarea;
• Luego, la capa de orquestación: los flujos de trabajo complejos de agentes a menudo requieren la colaboración de múltiples modelos, bases de datos y herramientas externas, donde una sola solicitud de usuario puede descomponerse en decenas de pasos y llamadas;
• Finalmente, la capa de observabilidad y evaluación: las empresas deben rastrear continuamente la calidad de la salida del modelo, la latencia de respuesta, el uso de tokens, los costos operativos, las razones de fallos y los riesgos de seguridad.

Esta es también la razón por la que la difusión de modelos de pesos abiertos no solo beneficia a los proveedores de modelos.

Cuando los modelos básicos se vuelven más accesibles, las empresas están más dispuestas a pagar por "cómo poner modelos en producción de manera estable". Las puertas de enlace de modelos, el enrutamiento de tareas, la orquestación de agentes, la gobernanza de datos, la observabilidad y el software de seguridad pueden convertirse en eslabones más difíciles de comprimir en la cadena de valor.

La importancia de la seguridad es especialmente destacada. Cuando los modelos cerrados se ejecutan de manera centralizada, parte de la responsabilidad de seguridad recae en los laboratorios de modelos y las plataformas en la nube; pero cuando los modelos abiertos ingresan a las instalaciones de las empresas, nubes privadas y dispositivos de borde, la identidad, los datos, los puntos finales, los pesos del modelo y el entorno de ejecución necesitan ser protegidos de manera independiente.

Las empresas no solo necesitan evitar que los empleados envíen datos sensibles a modelos incorrectos, sino que también deben gestionar qué bases de datos pueden acceder diferentes modelos, qué herramientas pueden llamar y si pueden ser objeto de inyecciones de palabras clave, destilación de modelos, alteración de pesos o abuso de permisos.

Cuanto más dispersa sea la implementación de modelos, mayor será la superficie de ataque; cuántos más modelos haya, más altos serán los costos de gobernanza.

Por lo tanto, lo que realmente traen los modelos de pesos abiertos no es la desaparición del valor de la infraestructura de IA, sino la difusión del valor desde un único modelo básico y capa de API hacia toda la pila del sistema.

Los gastos en IA del futuro pueden no solo reflejar la construcción de superclústeres de entrenamiento por parte de unos pocos gigantes tecnológicos, sino también la compra de servidores por parte de las empresas, la actualización de redes y almacenamiento, la implementación de sistemas de seguridad, la construcción de plataformas de IA privadas y la configuración de capacidades de cálculo más potentes en dispositivos móviles y PC.

La demanda de potencia de cálculo se desplaza de lo centralizado a lo distribuido, lo que no significa que la cantidad total disminuya, sino que los beneficiarios ya no se concentran solo en laboratorios de modelos y grandes proveedores de nube.

3. Tres mundos de IA: gane quien gane, nadie puede escapar de la potencia de cálculo, la energía y la seguridad

Morgan Stanley no asignó probabilidades claras a los tres escenarios futuros, sino que exploró las posibles formas de distribución de valor en la cadena de la industria de la IA en caso de que triunfen los modelos cerrados, coexistan arquitecturas mixtas o prevalezcan los modelos de pesos abiertos.

Primer escenario: los modelos cerrados continúan dominando las capacidades de vanguardia

En este escenario, el rendimiento, la fiabilidad y la seguridad de los modelos de vanguardia siguen siendo difíciles de replicar, y unos pocos laboratorios de modelos con gran capital continúan liderando.

Las empresas valoran más la precisión, la facilidad de implementación, la compensación por propiedad intelectual y la credibilidad de la marca, en lugar de tener el control total sobre los pesos del modelo, por lo que están dispuestas a seguir pagando por API cerradas y suscripciones empresariales.

Las cargas de trabajo de entrenamiento e inferencia se concentrarán aún más en plataformas de Hyperscaler como AWS y Google Cloud, y los superclusters de entrenamiento seguirán impulsando la demanda de GPU, redes de alta velocidad, comunicación óptica y ASIC personalizados.

Plataformas como Google y Amazon, que cuentan con infraestructura en la nube y capacidades de modelos, se encuentran en una posición más favorable, y fabricantes de chips y redes como Broadcom, Arista Networks, Lumentum y Coherent también podrían beneficiarse.

El informe estima que si Google puede operar la API de Gemini en su propia infraestructura con un modelo líder, el retorno de capital podría alcanzar aproximadamente el 45%; incluso si el modelo no está en una posición de liderazgo absoluto y solo actúa como proveedor de infraestructura, el retorno relacionado podría acercarse al 30%.

Esto indica que el activo más importante en un mundo cerrado no es solo el modelo en sí, sino también la propiedad de la potencia de cálculo en la que se basa el funcionamiento del modelo; quien posea los chips, los centros de datos y las entradas de clientes, tendrá más capacidad para retener las ganancias generadas por las llamadas al modelo.

Segundo escenario: coexistencia a largo plazo entre abierto y cerrado

Este es el escenario que más se asemeja al estado real de uso empresarial.

Los modelos de vanguardia cerrados se encargan de inferencias complejas, agentes de procesos largos y tareas de alta fiabilidad, mientras que los modelos de pesos abiertos y los modelos pequeños manejan trabajos de alta frecuencia, sensibles al costo, de baja latencia o altamente especializados.

Las empresas no elegirán un solo modelo, sino que cambiarán y enrutarán según la tarea, lo que también significa que la implementación de IA coexistirá en nubes públicas, nubes privadas, infraestructura local y dispositivos de borde.

En este escenario, es difícil que un solo proveedor de modelos obtenga un poder de fijación de precios monopolístico, pero el mercado de software e infraestructura de IA en su conjunto obtendrá la demanda más amplia.

• Microsoft, Amazon y Google seguirán beneficiándose de las cargas de trabajo en la nube;
• Proveedores de software de infraestructura y flujo de trabajo como Datadog, Palantir y Appian podrían beneficiarse de la demanda de orquestación de modelos, conexión de datos y observabilidad;
• Proveedores de seguridad como Palo Alto Networks, CrowdStrike, Fortinet, Zscaler, Netskope y Okta se beneficiarán de la expansión continua de la superficie de ataque empresarial y de los límites de identidad;

Al mismo tiempo, fabricantes de equipos de red como Cisco y F5, así como empresas de infraestructura empresarial como Dell, HPE y NetApp, también podrían obtener nueva demanda de implementaciones locales y mixtas.

La mayor implicación de inversión de la arquitectura mixta es que el gasto en IA no se concentrará solo en clusters de entrenamiento, sino que se expandirá capa por capa a lo largo de la pila tecnológica empresarial, y cuanto más intensa sea la competencia en la capa del modelo, más necesitarán las empresas software e infraestructura neutrales para ayudarles a cambiar entre diferentes modelos y entornos de implementación.

Tercer escenario: los modelos de pesos abiertos se convierten en la corriente principal

En este escenario, los modelos de pesos abiertos se acercan gradualmente a los modelos cerrados de vanguardia, y la inteligencia de los modelos básicos se vuelve ampliamente accesible, con precios de API que disminuyen drásticamente.

Las empresas ya no están dispuestas a pagar una prima excesiva por capacidades de modelos generales, sino que utilizan datos privados para ajustar finamente, invirtiendo su presupuesto principal en optimización de inferencias, agentes, herramientas de la industria y despliegue de aplicaciones.

El foco de innovación se desplaza de la preentrenamiento a la post-entrenamiento y la capa de aplicación, y la infraestructura de IA se vuelve más descentralizada. Los gobiernos y grandes empresas, por razones de soberanía de datos, privacidad, latencia y para evitar el bloqueo de proveedores, pueden desplegar más modelos en nubes soberanas, centros de datos privados y entornos locales.

• Microsoft podría obtener una posición más fuerte gracias a Azure, GitHub, software empresarial y un ecosistema de modelos abiertos;
• MiniMax, Zhiyu/Z.ai, así como proveedores de modelos abiertos como Alibaba y Tencent, verán aumentar su valor estratégico;
• Proveedores de infraestructura local como Dell, HPE y NetApp, empresas de dispositivos de extremo como HP y Apple, así como canales de integración de sistemas y distribución de TI, también experimentarán una demanda más evidente;

Pero un mundo abierto no significa que las plataformas en la nube pierdan valor.

La mayoría de las empresas aún no construirán completamente su propia infraestructura, y los modelos abiertos aún podrían ejecutarse en Azure, AWS o Google Cloud; el papel de los Hyperscalers cambiará de ser la única entrada al modelo a ser proveedores de alojamiento de modelos abiertos, recursos de computación, servicios de datos y plataformas de IA empresarial.

Por lo tanto, los proveedores de nube no enfrentan una simple victoria o derrota, sino un cambio en la estructura de ganancias; por ejemplo, el alquiler de modelos básicos podría disminuir, pero los ingresos por computación, almacenamiento, bases de datos, seguridad y servicios empresariales aún podrían crecer.

Ganadores comunes en los tres resultados

En la matriz de activos que Morgan Stanley ha enumerado, lo más notable no son las empresas únicas de cada escenario, sino aquellos nombres que aparecen repetidamente en las tres columnas.

Primero, NVIDIA.

El triunfo de los modelos cerrados significa que más potencia de cálculo se concentrará en clusters de entrenamiento e inferencia a gran escala; el triunfo de los modelos de pesos abiertos significa que los nodos de inferencia se expandirán a empresas, entornos locales y de borde.

Las formas de chips, la estructura de clientes y la escala de cada cluster pueden diferir según las dos rutas, pero ambas requieren un aumento continuo de la capacidad de cálculo; en última instancia, lo que los modelos abiertos reducen es la barrera de uso del modelo, no la eliminación del proceso de cálculo.

En segundo lugar, la energía.

El mundo cerrado necesita un soporte de energía de nivel GW estable para los supercentros de datos, mientras que el mundo abierto aumentará la demanda de suministro eléctrico para centros de datos empresariales, nubes soberanas y instalaciones de inferencia en el sitio. La mejora de la eficiencia del modelo puede reducir el consumo de energía por tarea, pero también puede permitir que más tareas y dispositivos ejecuten IA de manera continua.

Por lo tanto, empresas de energía y gas como Bloom Energy, Williams y Liberty Energy han sido repetidamente mencionadas como beneficiarias en el informe.

En tercer lugar, el software de seguridad.

Independientemente de si las empresas utilizan modelos cerrados o abiertos, necesitan proteger identidades, datos y aplicaciones; y a medida que la implementación se expande desde unas pocas plataformas en la nube a entornos locales y de borde, la demanda de seguridad solo se volverá más compleja.

Desde esta perspectiva, el software de seguridad podría ser una dirección de segundo orden subestimada por el mercado en la difusión de modelos de pesos abiertos.

Reflexiones finales

En general, lo que los modelos de pesos abiertos realmente podrían matar no es la demanda de potencia de cálculo, sino la imaginación de que la capa de modelos básicos puede mantener altos alquileres a largo plazo.

A medida que las capacidades del modelo se vuelven gradualmente comunes, las empresas ya no pagarán solo por "obtener inteligencia", sino que invertirán más presupuesto en cómo implementar inteligencia, conectar datos, gestionar flujos de trabajo, proteger sistemas y permitir que los modelos generen continuamente retornos en negocios reales.

La potencia de cálculo tampoco pasará simplemente de un crecimiento a un declive; puede expandirse desde unos pocos superclusters de entrenamiento a más nodos de inferencia, salas de servidores empresariales, nubes soberanas y dispositivos de borde; de una competencia de entrenamiento de modelos única, puede transformarse gradualmente en una inversión de infraestructura a largo plazo que cubra cada flujo de trabajo empresarial.

Por lo tanto, el mayor cambio que traen los modelos de pesos abiertos no es que el ciclo de CapEx de IA esté a punto de terminar, sino que este ciclo está entrando en una nueva fase con más participantes, despliegues más descentralizados y una cadena de valor más larga.