Kimi K3, Qwen 3.8 y el (posible) desmoronamiento de Anthropic

Artículo original ↗ Discusión en Hacker News ↗

Los usuarios y desarrolladores de IA se preguntan si los laboratorios cerrados de “frontera” como Anthropic y OpenAI podrán mantener la ventaja a medida que modelos de pesos abiertos más baratos y en rápida mejora, como Kimi K3, Qwen y DeepSeek, cierran la brecha de capacidad. Muchos sostienen que el coste por resultado útil, el precio empresarial y la confianza en torno a los datos y al bloqueo de plataforma importarán más que pequeñas mejoras de calidad, empujando las cargas de trabajo hacia modelos abiertos, despliegue local o proveedores verticales especializados. Otros ven fosos a más largo plazo en hardware, experiencia de consumo y chips tipo ASIC optimizados para modelos fijos, pero advierten que la rápida rotación de modelos, los riesgos de destilación y una posible desaceleración de los avances podrían socavar las valoraciones y estrategias de negocio actuales.

Modelos de negocio, fosos y riesgo de “solo modelo”

  • Varios comentaristas cuestionan si OpenAI es realmente más segura que Anthropic, ya que ambas venden en gran medida modelos.
  • Otros sostienen que OpenAI está intentando construir fosos en hardware, voz, productos de consumo de “superdispositivo” y publicaciones, pero muchos ven estas apuestas como no probadas.
  • Se destaca la marca y la distribución: ChatGPT se percibe como un genérico al nivel de Kleenex en la mente del público, pero otros señalan que las integraciones predeterminadas de Google/Apple podrían desplazarlo rápidamente.
  • Muchos creen que los laboratorios de “solo modelo” son estructuralmente frágiles: comprimidos por abajo por modelos abiertos y por arriba por laboratorios verticales especializados.

Modelos chinos de pesos abiertos vs laboratorios de frontera

  • Kimi K3, Qwen, DeepSeek, GLM, etc. son vistos como cerrando rápidamente la brecha; algunos dicen que los pesos abiertos van por detrás de la frontera por semanas, no por meses.
  • Debate sobre si su progreso es principalmente innovación o destilación a partir de Anthropic/OpenAI. Algunos ven los “ataques de destilación” como una amenaza real para el negocio; otros consideran exagerada esa narrativa y señalan que los laboratorios estadounidenses también se destilan entre sí.
  • Para muchas tareas de programación y rutinarias, los usuarios informan que los modelos abiertos ya parecen “suficientemente buenos”, lo que socava la disposición a pagar grandes primas.

Precios, subsidios y economía empresarial

  • Los planes individuales “máximos” de $200/mes son vistos ampliamente como fuertemente subsidiados e insostenibles; las estimaciones del coste real de uso pueden llegar a miles o decenas de miles por usuario.
  • En general, las empresas no pueden usar planes de consumidor; pagan tarifas de API y a menudo fijan presupuestos de IA por empleado de cientos a alrededor de $1.000/mes.
  • Muchos esperan una próxima “revisión de cuentas” en la que desaparezcan los planes subsidiados y la optimización de costes —incluido el cambio a modelos chinos o locales— se vuelva निर्णissante.
  • Algunos subrayan que muchos usuarios en regiones de menores ingresos no pueden permitirse $200/mes aunque la ganancia de productividad sea grande.

Arneses, agentes y UX

  • Hay una fuerte división: algunos ven Claude Code / arneses al estilo Codex como un foso importante; otros prefieren arneses abiertos (OpenCode, pi, etc.) y consideran negativo el bloqueo propietario del arnés.
  • Hay un amplio consenso en que la capa de orquestación (agentes, herramientas, integración con flujos de trabajo) es una gran parte del valor real, no solo la calidad bruta del modelo.

Hardware, ASICs y costes de inferencia

  • Muchos argumentan que la inferencia, no el entrenamiento, es el coste dominante a largo plazo; abaratar el servicio es existencial.
  • Gran debate sobre quemar modelos en ASICs:
    • Pro: enormes mejoras de velocidad y energía (miles de tokens/s), habilitando nuevos casos de uso; modelos más antiguos pero rápidos podrían ser “suficientemente buenos” para la mayoría de tareas.
    • Con: los ciclos de modelos y hardware son demasiado rápidos; los ASICs corren el riesgo de quedar obsoletos rápidamente; las GPUs/TPUs programables y el almacenamiento emergente de gran ancho de banda podrían ser más seguros.
  • Se citan ejemplos como Taalas y Cerebras; que Google, según informes, planee Gemini sobre ASICs refuerza esta dirección.

“Suficientemente bueno” vs frontera y posible meseta

  • Muchos creen que estamos cerca de una meseta de “suficientemente bueno” para la mayoría de tareas no fronterizas; las mejoras incrementales de calidad quizá no justifiquen precios 5–10x más altos.
  • Otros insisten en que los modelos de frontera siguen importando mucho para programación muy compleja, matemáticas y razonamiento especializado, y están encantados de pagar por ellos.
  • Algunos ven ciclos de hype cada vez más cortos (por ejemplo, Fable pasando de “revolucionario” a “solo uno de varios modelos top” en meses) como evidencia de que la diferenciación en la frontera se está frenando.

Confianza, riesgo de plataforma y canibalización de SaaS

  • El incidente de Figma/Claude Design se ve como una advertencia: los laboratorios pueden subir en la pila y competir con sus propios socios SaaS.
  • Muchos advierten a las startups de IA que no dependan demasiado de la API o los precios de un solo laboratorio; se sugiere construir sobre pesos abiertos o autoalojamiento para ganar resiliencia.

Equidad, acceso y ángulo geopolítico

  • Varios señalan que los laboratorios de frontera parecen centrarse en clientes empresariales de países ricos; el acceso global y la asequibilidad son secundarios.
  • Algunos predicen que los modelos baratos de pesos abiertos más hardware personalizado erosionarán las ventajas de los laboratorios estadounidenses, con especulación sobre el eventual liderazgo de China; otros replican, citando el bajo rendimiento histórico chino en otras pilas tecnológicas.

Puntos poco claros / en disputa

  • El verdadero alcance de la destilación desde modelos de frontera hacia modelos chinos/de pesos abiertos se disputa y sigue sin resolverse en el hilo.
  • La rentabilidad real de los laboratorios de frontera actuales, y la viabilidad de sus valoraciones, se cuestionan ampliamente pero sin cifras firmes.