A mediados de 2026, los principales indicadores operativos de la industria de IA, como los ingresos y el volumen de llamadas, mantuvieron un rápido crecimiento. Sin embargo, al desglosar las estructuras financieras y comerciales de cada empresa, se puede ver que detrás del mismo conjunto de datos de crecimiento hay modelos de negocio diferentes. Este artículo analiza cuatro paradojas estructurales en los modelos de negocio actuales de IA: coste, nivel jerárquico, responsabilidad y código abierto/cerrado. Estas cuatro paradojas apuntan a la misma tendencia subyacente: la inteligencia se está commoditizando rápidamente, y las ganancias se concentran solo en unos pocos eslabones.
Paradoja de costes: cuanto más barato es el Token, más pesada es la factura
Cuando GPT-4 se lanzó en marzo de 2023, el precio por millón de Tokens de entrada era de 30 dólares y el de salida de 60 dólares. Las empresas que lo usaban para construir sistemas de atención al cliente podían tener costes mensuales de API superiores al salario de todo el equipo de atención al cliente. Tres años después, el precio para un nivel de inteligencia similar ha caído más del 95%.
Por lógica, los gastos en IA deberían haberse reducido, pero la realidad es la contraria. En marzo de 2026, el volumen de llamadas global de Tokens semanal alcanzó los 20,4 billones; el volumen de llamadas diario en China superó los 140 billones, un crecimiento de más de mil veces respecto a principios de 2024. Este fenómeno coincide con la Paradoja de Jevons en economía: cuanto mayor es la eficiencia de la máquina de vapor y menor el consumo de carbón por unidad, mayor es el consumo total de carbón. La caída del precio unitario del Token no ha supuesto una reducción de la factura total.
La razón radica en el cambio en la estructura de la demanda. Cuando el precio es lo suficientemente bajo, muchas tareas que antes no eran económicamente viables comienzan a ser abordadas por la IA. Los gastos mensuales de las empresas pueden pasar de 50.000 a 500.000 dólares, pero las tareas completadas también son impensables antes. Más crítico es el cambio de paradigma de uso: la interacción conversacional pasada tenía como límite el tiempo humano, mientras que los Agentes pueden operar 24 horas al día. Un empleado puede tener 10 Agentes ejecutándose en segundo plano, multiplicando el volumen de uso por decenas respecto a la interacción puramente humana. Estudios muestran que el consumo de Tokens en tareas de programación con agentes puede ser unas mil veces mayor que en preguntas y respuestas normales. Si el precio unitario cae un orden de magnitud, el consumo total puede aumentar dos órdenes de magnitud.
La distribución de costes en la cadena industrial también merece atención. Tomando una suscripción mensual de 20 dólares a Claude como ejemplo, después de deducir costes de computación, canales y operaciones, el margen de beneficio neto de la empresa del modelo es reducido; mientras que el beneficio que fluye hacia la capa de chips a veces no es menor que el de la empresa del modelo. El usuario paga por la inteligencia, pero las ganancias se quedan en gran medida aguas arriba.
Ante la presión de las facturas, la industria comienza a cambiar de ahorrar en precio unitario a ahorrar en tareas: tareas simples se dirigen a modelos pequeños, se establecen presupuestos de tarea para los Agentes para evitar su funcionamiento en vacío; la unidad de cálculo también cambia del precio por millón de Tokens al coste total de completar una tarea. La práctica muestra que, usando el mismo modelo y volumen, las empresas con capacidad de descomposición de tareas, verificación de resultados e integración de procesos tienen una eficiencia productiva significativamente mayor. Al mismo tiempo, los modelos de subsidio también están retrocediendo: Claude Code abandona la suscripción de bajo precio, Copilot cambia a un modelo de pago por uso. El efecto Jevons no ha desaparecido: la industria finalmente descubre que lo que necesita optimizar no es la tarifa, sino la tarea en sí.
Mientras las facturas se hacen más pesadas, la mejora de la eficiencia empresarial a menudo no es visible. Solow ya señaló que los ordenadores están en todas partes, excepto en las estadísticas de productividad. El motor eléctrico es una referencia clara: apareció en la década de 1880, pero las fábricas estadounidenses tardaron unos cuarenta años en materializar sus ganancias de eficiencia. La mayoría de las empresas simplemente reemplazaron la máquina de vapor por el motor, manteniendo intacta la estructura de transmisión, cuando el valor de la electricidad precisamente requería reorganizar las líneas de producción.
La IA actual está en la misma situación. Ghodsi, fundador de Databricks, contó un caso: un conector de datos que tradicionalmente requería nueve meses de desarrollo, al introducir grandes modelos en el primer intento solo ahorró mes y medio; hasta que alguien descompuso y rehízo el proceso, logró entregarlo en un trimestre. Su conclusión es que el cuello de botella no está en el modelo, sino en la organización.
Por lo tanto, la paradoja de costes tiene dos niveles: la Paradoja de Jevons dice que cuanto más barato es el token, más pesada es la factura total; la Paradoja de Solow dice que sin cambiar los procesos, la eficiencia no entra en las estadísticas. La primera requiere optimizar las tareas, la segunda requiere reestructurar los procesos.
Paradoja de niveles jerárquicos: la aplicación es reina o la aplicación está muerta
El consenso de la era del internet móvil era que la aplicación es reina: quien ocupa el tiempo del usuario tiene la oportunidad de monetizar mediante publicidad y recomendaciones, lo frecuente vence a lo poco frecuente, el número de aperturas es valor.
En esta ronda de la IA ha ocurrido una inversión. Huang Renxun dijo públicamente que el valor económico finalmente se materializaría en la capa de aplicación, y las aplicaciones exitosas impulsarían toda la industria. Según esta lógica, el capital debería concentrarse en la capa de aplicación. Pero en el verano de 2026, la opinión predominante en el mercado primario era que las aplicaciones estaban muertas: la evolución de los modelos base es demasiado rápida, y las aplicaciones demasiado superficiales pueden ser cubiertas en cualquier momento por la extensión natural de las capacidades del modelo. El capital fluyó primero hacia modelos e infraestructura, la capa de aplicación aún recibe financiación, pero nada como en la ronda anterior, donde se consideraba algo natural.
La contabilidad de la industria apoya en cierta medida la elección del capital. Dividiendo la pila industrial, cuando los ingresos anualizados del ecosistema de IA generativa rondan los 400.000 millones de dólares, la capa de chips se lleva aproximadamente el 70% de los ingresos y casi el 80% del margen bruto; los ingresos de la capa de aplicación rondan los 60.000 millones de dólares, con márgenes brutos entre 0-30%, mientras que empresas de chips como Nvidia pueden alcanzar márgenes brutos del 70%. La estructura triangular positiva de la era de la nube, donde la capa de aplicación ocupaba la mayor parte, se ha invertido en la industria de la IA.
La capa de modelos también se está diversificando internamente. Empresas centradas en API empresariales, que dependen del uso acumulado de clientes existentes, ven aumentar sus ingresos explosivamente mientras que su margen bruto de inferencia puede pasar de pérdidas profundas a alrededor del 70%; mientras que las empresas con una gran base de usuarios gratuitos tienen un rendimiento operativo muy inferior a sus ingresos nominales. El excedente no se distribuye uniformemente en toda la capa de modelos, sino que se concentra en unas pocas rutas con alta retención y alto margen. La frialdad del capital hacia las aplicaciones tiene tanto sesgos cognitivos como fundamentos financieros.
La competencia de los productos de IA ya no es por el tiempo de permanencia del usuario, sino por si el usuario está dispuesto a confiarle una tarea importante. Es probable que el ChatBot genérico y el Agente genérico sean el campo de batalla principal de las grandes empresas de modelos, dejando oportunidades limitadas para las startups que compitan de frente. Las direcciones que aún pueden ser viables son aquellas que integran la inteligencia en escenarios específicos, rediseñando el producto según la forma real en que ocurren los problemas. Los usuarios no se quedan porque un producto esté conectado a un determinado modelo, sino porque el producto puede entender los materiales, recordar el contexto y conectar con servicios posteriores. Harvey, con años de profundización en el ámbito legal, ha acumulado registros de revisión y datos de precedentes que no pueden replicarse con una inversión a corto plazo.
De esto se puede extraer un criterio de discriminación simple: con cada mejora generacional del modelo base, ¿el valor del producto aumenta o disminuye? Los que disminuyen suelen ser envoltorios de la capacidad del modelo; los que aumentan suelen tener contexto privado, procesos de negocio, capacidades de entrega completas o canales. El eslabón donde se materializa el valor no ha desaparecido, solo ha cambiado el estándar de viabilidad: quién puede convertirse en un eslabón más difícil de reemplazar cuando el modelo se vuelve más potente.
Paradoja de la responsabilidad: las ganancias se distribuyen según la responsabilidad
Veamos primero dos conjuntos de datos. Los ingresos anuales recurrentes (ARR) de Anthropic pasaron de unos 1.000 millones de dólares en diciembre de 2024 a más de 47.000 millones en mayo de 2026, un crecimiento de más de cuarenta veces en año y medio. Según OpenAI, su ARR fue de 2.000 millones en 2023, 6.000 millones en 2024, más de 20.000 millones en 2025, y superó los 25.000 millones a finales de febrero de 2026.
Pero el ritmo de crecimiento solo demuestra que existe demanda, no que las ganancias puedan retenerse. Aunque ambas están en alto crecimiento, el margen bruto de la infraestructura de inferencia de Anthropic pasó del 38% hace un año a más del 70%; mientras que un documento interno de OpenAI actualizado en noviembre de 2025 posponía el punto de equilibrio de flujo de caja libre a alrededor de 2030. Dentro de la misma industria de IA, el crecimiento de estos dos tipos de empresas ya está divergiendo. Ante esta divergencia, hay principalmente tres explicaciones en el mercado, cada una con parte de razón y omitiendo eslabones clave.
La primera explicación es que el tiempo lo resuelve todo: el coste de inferencia cae un orden de magnitud cada año, la factura de computación que ahora presiona los márgenes brutos quizás no sea un problema en dos o tres años. La nube, el almacenamiento y el ancho de banda pasaron por la fase inicial de quemar dinero para ganar escala, y las ganancias surgieron naturalmente cuando la curva de costes se aplanó. Pero esta explicación tiene dificultades para responder a un hecho: los dos años con la caída de costes más rápida fueron precisamente los dos años con la mayor divergencia de beneficios. Si la caída de costes fuera la solución, los beneficios del sector deberían mejorar en conjunto, no mejorar la mitad y empeorar la otra mitad. La razón es que la caída de costes es universal, todos los fabricantes se benefician simultáneamente y, al mismo tiempo, ceden los beneficios a los usuarios mediante reducciones de precios. Confiar las ganancias a la deflación de costes equivale a admitir que no se tiene poder de fijación de precios.
La segunda explicación es que la capa de aplicación tiene barreras de entrada: productos como servicio al cliente o gestión de tickets están profundamente integrados en los sistemas del cliente, y la acumulación de datos y los costes de migración constituyen una defensa. Este juicio era válido hace cinco años, pero el principal atractivo de las nuevas herramientas de IA es precisamente que el coste de migración tiende a cero: no reemplazan el sistema del cliente, sino que se hacen cargo directamente del flujo existente. En cuanto a la acumulación de datos, un gran salto en la capacidad del modelo base puede devaluar significativamente bases de conocimiento sectorial acumuladas durante años. Un caso ilustrativo es Intercom: lanzó Fin, cobrando por problema resuelto, 0.99 dólares por ticket, sin cargo si no se resuelve. Esto indica, en cierta medida, que el viejo modelo de vender herramientas de atención al cliente por asiento ya es difícil de mantener.
La tercera explicación es que cobrar por resultados no es factible: si un ticket se resuelve o no, si una conversión de ventas se atribuye a la IA, la atribución es difícil de clarificar. Por lo tanto, cobrar por token o por asiento es la norma, y cobrar por resultados es solo un experimento marginal. El problema de atribución ciertamente existe, pero es más probable que se convierta en una fuente de poder de fijación de precios que en un obstáculo: precisamente porque la atribución es difícil de lograr, el fabricante capaz de hacerla sólida en un campo específico convierte la capacidad de atribución en una barrera. Además, en algunos campos la atribución es naturalmente clara: si un ticket se resuelve, si un cobro se recupera, si un siniestro se liquida, todo puede verificarse contractualmente. En campos donde la atribución no es clara no se cobra por resultados, en campos donde es clara sí, y coexistirán múltiples modelos de facturación.
Excluyendo las tres explicaciones anteriores, solo queda una variable estructural: qué alcance y qué nivel de restricción de responsabilidad está dispuesto a asumir el proveedor por los resultados. Cuanto mayor la responsabilidad, mayor el margen bruto y mayor también la fuente presupuestaria. Vender por Token compite por el presupuesto de TI, vender por resultados se introduce en el presupuesto de personal: si un departamento tiene un coste mensual de personal de 100.000 euros y la IA puede lograr el mismo resultado por 10.000, el espacio de fijación de precios será completamente diferente.
Esto también responde a otra pregunta: por qué los negocios más fáciles de escalar son los más difíciles de retener ganancias. Negocios como servicio al cliente, descripción de productos, transcripción de voz a ticket, tienen gran volumen, son fáciles de demostrar y de cerrar, pero son precisamente los que tienen menor contenido de responsabilidad y que los modelos base pueden cubrir más fácilmente. Por el contrario, campos como legal, salud, de baja frecuencia, fuertemente regulados y alto coste por error, son pesados en entrega, largos ciclos de venta, narrativa poco atractiva, pero venden proceso, datos y responsabilidad, y una simple actualización del modelo no puede borrarlos. Que Harvey eligiera el ámbito legal no es casualidad.
Por lo tanto, para evaluar la posición de una empresa de IA, en lugar de centrarse en su tasa de crecimiento o capacidad del modelo, es mejor responder a dos preguntas: ¿por qué parte de los resultados se atreve a responsabilizarse, y si la atribución de esa parte de resultados es suficientemente sólida? La primera es voluntad, la segunda es capacidad, falta una y no se obtiene la prima por resultados. Este criterio no garantiza un juicio preciso, la tecnología de atribución aún está en sus inicios, y el cambio de hábitos de compra empresarial es más lento de lo esperado optimistamente. Pero en dirección, es probable que las ganancias no fluyan hacia las empresas de mayor crecimiento, sino hacia las que se atreven a responsabilizarse, y pueden hacerlo.
Paradoja del código abierto/cerrado: el código abierto gana tráfico, el código cerrado gana ingresos
Si solo miramos el uso, el código abierto ya tiene ventaja. Los cinco primeros modelos por tráfico en la plataforma OpenRouter son todos modelos de pesos abiertos; en tasa de adopción por desarrolladores, el código abierto es del 79%, el cerrado del 71%. Los modelos chinos son los principales impulsores de esta expansión del código abierto, su cuota en esta plataforma pasó de menos del 2% hace un año a más del 45% en abril de 2026, representando el 61% del uso de Tokens entre los diez primeros modelos.
Si solo miramos los ingresos, la ventaja del código cerrado es igualmente clara. La encuesta de a16z a CIOs de empresas del Global 2000 muestra: la proporción de gasto de las empresas en modelos de código abierto bajó del 19% el año pasado al 11% este año, el código cerrado ocupa el 89%, con un presupuesto promedio por empresa para grandes modelos de unos 7 millones de dólares anuales. Dentro de la plataforma OpenRouter también se presenta la misma estructura: Anthropic obtiene el 46% de la cuota de ingresos con solo el 12% de la cuota de Tokens.
Con una diferencia de rendimiento de solo dígitos y un precio 5-20 veces más barato, ¿por qué las empresas siguen eligiendo código cerrado? Porque lo que las empresas compran nunca es solo la inteligencia en sí, sino también fiabilidad, soporte técnico, garantías de cumplimiento normativo y un sujeto responsable si surgen problemas. Que algo sirva y atreverse a usarlo en el negocio principal son dos cosas diferentes. Otro detalle de la encuesta es notable: el coste total de propiedad (TCO) del código abierto y cerrado está convergiendo, la velocidad de bajada de precios del código cerrado es mayor que la velocidad de creación de confianza del código abierto. Por lo tanto, el despliegue híbrido se convierte en la norma: código abierto para experimentación y escenarios periféricos, código cerrado para rutas críticas.
El cambio más profundo es que el propio campo del código abierto tampoco depende de los modelos para obtener ganancias. Los motivos para abrir código varían entre fabricantes. Algunos tienen como objetivo el ecosistema de plataforma, usando pesos abiertos para ganar entrada de desarrolladores y voz en los estándares del sector, subsidiados por su negocio principal existente; otros usan modelos de código abierto como canal de adquisición de clientes para su negocio en la nube, atrayendo desarrolladores a la nube y estimulando así el crecimiento continuo de los ingresos por nube. La capa de modelos se está commoditizando rápidamente, y la piscina de ganancias migra hacia ambos extremos: la computación aguas arriba, y la orquestación, datos y servicios aguas abajo.
La dificultad del campo del código cerrado es que su prima está fuertemente relacionada con la brecha generacional de capacidades. Cada paso que avanza el código abierto, se debilita un poco más el poder de fijación de precios por token. Pero la escasez no ha desaparecido, solo se ha estratificado: los modelos de vanguardia siguen siendo escasos, la inteligencia suficiente se está commoditizando. Por lo tanto, al evaluar la posición de una empresa, la pregunta no es si elige código abierto o cerrado, sino en qué basa sus ingresos, y si, cuando el código abierto avanza un paso más, sus ingresos aumentan o disminuyen.
Este artículo procede del WeChat Official Account "Tencent Research Institute" (ID: cyberlawrc), autor: Liu Qiong
