Autor: Daniel Barabander
Compilado por: Deep Tide TechFlow
Guía de Deep Tide: Hace tres años, Cursor era un complemento de VS Code que funcionaba con la API de OpenAI. Hoy ha lanzado su propio modelo, superando a Claude Opus 4.6 en puntos de referencia clave, con un precio diez veces menor.
Este artículo, partiendo de este caso, responde sistemáticamente a la pregunta estratégica más importante en Internet: ¿Cuándo se debe abrir una API y cuándo se debe cerrar? La conclusión es una advertencia para todos aquellos que construyen plataformas.
Texto completo:
Escrito conjuntamente con Elijah Fox(@PossibltyResult).
A principios de marzo, Cursor lanzó Composer 2, un modelo de programación propietario construido sobre un modelo base de código abierto, que supera a Claude Opus 4.6 en métricas clave, con un precio diez veces menor. Hace tres años, Cursor era simplemente una bifurcación de VS Code que funcionaba completamente sobre la API de OpenAI.
La trayectoria de Cursor, pasando de ser un cliente dependiente a un competidor real, es un microcosmos de la pregunta estratégica más crucial en Internet: ¿Cuándo debe una empresa abrir sus capacidades a través de una API y cuándo debe mantenerlas cerradas?
Hemos desarrollado un marco para responder a esta pregunta, que depende de dos cosas. Primero: ¿La apertura de la API erosiona tu ventaja competitiva (moat)? Si es así: ¿Puedes encontrar una ventaja competitiva en otro lugar?
Cada vez que una empresa expone su propiedad intelectual al exterior a través de una API, se enfrenta al riesgo de erosionar su ventaja competitiva mediante la agregación de demanda. En términos simples: los competidores pueden utilizar esta propiedad intelectual para impulsar las etapas iniciales de su propio producto, y una vez que han acumulado suficiente demanda, pueden desconectarse de la API mediante la integración vertical. Netflix hizo exactamente esto: primero licenció contenido, y luego, una vez que tuvo una base de usuarios lo suficientemente grande para amortizar los enormes costos fijos, produjo "House of Cards".
Pero el escenario realmente peligroso es cuando la salida de la API puede utilizarse directamente como entrada, mejorando de forma compuesta la calidad del producto competidor. Esto es un golpe doble, porque el competidor puede usar la API tanto para impulsar y agregar demanda como para mejorar directamente su propio proceso de producción. Esto es exactamente lo que está sucediendo en el campo de la IA. Aunque OpenAI y Anthropic prohíben explícitamente en sus contratos que las empresas que acceden a sus API utilicen las salidas para entrenar modelos competidores, no pueden evitar que empresas como Cursor utilicen modelos de vanguardia para impulsar los flujos de trabajo necesarios para recopilar datos de productos propietarios y mejorar sus propios modelos con el tiempo.
Esto parece ser exactamente lo que sucedió detrás de Composer 2. Cursor utilizó modelos base como Claude y GPT para agregar suficiente demanda, alcanzando unos ingresos anualizados de aproximadamente 2 mil millones de dólares, y luego construyó un modelo de programación de nivel de vanguardia utilizando el modelo base de código abierto Kimi K2.5, combinado con datos obtenidos a través de un pre-entrenamiento continuo y aprendizaje por refuerzo desde su IDE.
Cuando existe esta dinámica de salida/entrada, los proveedores de API solo tienen dos opciones: cerrar la API para contener las pérdidas, o mantenerla abierta y encontrar activos complementarios que aprovechen su propia ventaja competitiva.
Twitter es un caso clásico de la primera ruta. Inicialmente era conocido por su API generosa y de acceso gratuito; en su apogeo, los desarrolladores podían extraer 500,000 tweets al mes de forma gratuita. Pero Twitter cerró la mayoría de los endpoints porque la API filtraba su ventaja competitiva: el gráfico social propietario. Hoy, la API está prácticamente cerrada: el acceso está estrictamente limitado por tasa, es costoso a una escala significativa, y estructuralmente, para construir un producto serio, es necesario pasar por integraciones B2B estrictamente controladas.
La segunda ruta es mantener la API abierta y complementarla con otra fuente de poder. Ninguna industria entiende esto mejor que la criptografía, donde las API están obligadas a estar abiertas, y la única forma de sobrevivir es encontrar una ventaja competitiva en otro lugar.
El protocolo de préstamos Morpho proporciona un caso representativo. El protocolo nació accediendo a las API abiertas de Aave y Compound y construyendo un producto optimizador sobre ellas. Luego, utilizó la salida de estos protocolos (su liquidez agregada) como entrada para impulsar su propia plataforma. Así, se ve que las trayectorias de Cursor y Morpho al utilizar API para construir productos competidores son notablemente similares.
Sin embargo, la dinámica realmente interesante es lo que Morpho hizo a continuación. Dado que Morpho es en sí mismo una API abierta, necesitaba encontrar una ventaja competitiva para compensar la falta de costos de cambio. Decidió hacer que el protocolo fuera lo más agregable posible, y en su lugar construyó su ventaja competitiva de otras maneras, como el efecto Lindy y los efectos de red derivados de la liquidez profunda de múltiples prestamistas y prestatarios.
Aplicando este marco hacia adelante, podemos hacer una predicción: con el tiempo, es probable que las empresas de modelos base elijan la primera ruta, restringiendo gradualmente el acceso API a sus modelos más avanzados.
Para creer en la segunda ruta, debes pensar que modelos como Opus y GPT son lo suficientemente potentes y confiables como para mantenerse abiertos, permitiendo que modelos competidores utilicen su salida como entrada, y aun así los terceros no se marchen. Esto significaría que las empresas de modelos apuestan por otras fuentes de poder: el efecto Lindy (si creen que los usuarios no querrán construir confianza en un nuevo modelo), los efectos de red de desarrolladores (si creen que los usuarios construirán ecosistemas estrechamente dependientes de la apertura de su API), o las economías de escala (si creen que maximizar las llamadas a la API les permitirá amortizar los costos fijos de entrenar modelos de vanguardia).
Pero la evidencia actual apunta en la dirección opuesta. La dinámica del "modelo más popular del mes" sigue siendo fuerte; los usuarios migran sin dudar al mejor modelo del momento, como vimos nuevamente en el reciente repunte en el uso de Claude tras el lanzamiento de Opus 4.5. A nivel de modelo, tampoco hay signos evidentes de efectos de red de desarrolladores; la interoperabilidad entre API está aumentando, no disminuyendo, y el ecosistema de herramientas circundante está luchando activamente contra el lock-in, haciendo deliberadamente que cambiar de proveedor sea fácil. Y las economías de escala en la fase de entrenamiento ya no son suficientes como ventaja competitiva, porque técnicas como la destilación permiten a los competidores entrenar modelos de rendimiento comparable a un costo mucho menor. Sin fuentes alternativas de poder, es probable que las empresas de IA base reserven el acceso limitado para entusiastas y se centren en implementaciones B2B con estrictos controles y monitoreo de uso. Cada vez más, la elección ganadora será negarse a jugar este juego.
Este es un resultado preocupante, porque la actual explosión de productos de IA de consumo se construye sobre estos proveedores de modelos. También abre la puerta a un posicionamiento inverso: si los laboratorios líderes restringen cada vez más el acceso, hay valor que capturar para los competidores que, aunque tengan una ventaja competitiva más débil, hagan un compromiso sólido con la apertura continua.
Agradecimientos a @systematicls(@openforage) y @AlexanderLong(@Pluralis) por sus reflexivos comentarios sobre este artículo.
