Qué ha cambiado
Associated Press informó el 26 de julio de 2026 de que los modelos chinos de inteligencia artificial están recibiendo más atención entre desarrolladores y empresas de Estados Unidos porque son cada vez más capaces, a menudo más baratos de ejecutar y, con frecuencia, están disponibles como modelos de pesos abiertos o de código abierto. La noticia se detectó a través del feed sindicado de AP en Yahoo Entertainment, pero la cobertura principal procede de AP.
El ejemplo más claro de AP es Raffi Krikorian, CTO de Mozilla, quien explicó a la agencia que trasladó muchas tareas diarias a Kimi K3, de Moonshot AI, poco después de su lanzamiento de julio. AP también informó de que Coinbase ha movido algunas cargas de trabajo hacia modelos chinos de IA para reducir costes. Son ejemplos reportados, no una prueba de que los sistemas chinos sean mejores para cualquier tarea.
El cambio de fondo es que elegir un modelo se está convirtiendo en una decisión operativa, no solo en una decisión de rendimiento de frontera. Si un equipo puede usar un modelo más barato para asistencia de programación, trabajo documental, triaje de investigación, operaciones de cliente o agentes internos, el ahorro puede importar más que una pequeña brecha de capacidad en tareas que no necesitan el modelo cerrado más caro.
Por qué importan Kimi, DeepSeek y GLM
El sitio oficial de Moonshot incluye Kimi K3 como una publicación de investigación del 16 de julio de 2026 y lo describe como un modelo nativamente multimodal de 2,8 billones de parámetros con una ventana de contexto de 1 millón de tokens. Son afirmaciones del proveedor, pero explican por qué Kimi K3 se ha convertido en una pieza central del debate actual sobre modelos abiertos: se presenta como un modelo muy grande para programación, razonamiento y trabajo de conocimiento con contexto largo.
DeepSeek forma parte de la misma presión. Su anuncio oficial del 24 de abril de 2026 sobre V4 Preview afirma que DeepSeek-V4 se publicó como código abierto, con una variante V4-Pro de 1,6 billones de parámetros totales y 49.000 millones activos, y una variante V4-Flash de 284.000 millones totales y 13.000 millones activos. DeepSeek también afirma que ambos modelos admiten contexto de 1 millón de tokens. De nuevo, estas especificaciones proceden del proveedor y deben leerse como documentación de producto, no como prueba independiente de benchmarks.
La documentación de GLM-5.2 de Z.ai apunta en la misma dirección. La compañía posiciona GLM-5.2 como un modelo textual insignia para trabajo de ingeniería de largo recorrido, con contexto de 1 millón, salida máxima de 128.000 tokens, llamadas a funciones, salida estructurada y caché de contexto. Son justo las capacidades que buscan los desarrolladores cuando construyen agentes capaces de leer grandes bases de código o mantener estado durante flujos de trabajo largos.
La economía es la historia central
El artículo de AP sitúa el coste como la palanca práctica. Los modelos cerrados de frontera siguen marcando el ritmo en muchas tareas exigentes, y AP recoge opiniones de expertos según las cuales los modelos chinos pueden ir por detrás de los principales sistemas estadounidenses en capacidad global. Pero cada vez más usuarios formulan otra pregunta: ¿este modelo es suficiente para el trabajo y resulta más barato o controlable a escala?
Eso importa porque la IA agéntica puede multiplicar los costes de inferencia. Una sola petición de usuario puede activar planificación, llamadas a herramientas, cambios de código, búsquedas, revisiones y reintentos. Si cada paso se cobra a precio de modelo de frontera, la factura puede crecer rápido. Los modelos de pesos abiertos y de menor coste dan margen para enrutar trabajo rutinario fuera de los sistemas premium y reservar los modelos más fuertes para tareas donde aportan valor claro.
Esto no significa que los modelos de pesos abiertos sean automáticamente más baratos en cualquier despliegue. Alojar un modelo propio exige hardware, operaciones, monitorización, controles de seguridad y evaluación. La ventaja es la opcionalidad: las empresas pueden comparar APIs alojadas, inferencia privada, modelos especializados y modelos cerrados de frontera sin quedar atadas a un único proveedor para toda carga de trabajo.
El debate político ya está alcanzando al mercado
El momento es importante. El 24 de julio, Microsoft publicó una carta sectorial titulada Open Weights and American AI Leadership, firmada por un amplio grupo de empresas tecnológicas y actores de infraestructura de IA. La carta define los modelos de pesos abiertos como sistemas que pueden descargarse, inspeccionarse, modificarse y ejecutarse en la propia infraestructura de una organización. Sostiene que los pesos abiertos pueden ampliar el acceso, reforzar la competencia, mejorar el control del cliente y reducir la dependencia de unos pocos proveedores cerrados.
La misma carta reconoce también un riesgo real: una vez liberados los pesos, el desarrollador original no puede revocar ni rastrear por completo todas las versiones modificadas. Ese es el núcleo de la preocupación detrás de las llamadas a controles más estrictos, especialmente cuando los gobiernos temen usos indebidos, disputas de propiedad intelectual o exposición de seguridad nacional.
Nvidia añadió otra capa el 27 de julio con el anuncio de Open Secure AI Alliance. Su argumento es más estrecho y centrado en seguridad: los defensores necesitan modelos cerrados y abiertos, además de arneses y herramientas abiertos, porque los agentes de IA son sistemas completos compuestos por modelos, permisos, registros, guardrails y capas de evaluación. En el planteamiento de Nvidia, la seguridad depende de la pila desplegable, no solo de si los pesos son públicos o privados.
Qué conviene vigilar ahora
Para los desarrolladores, la conclusión inmediata es práctica. La selección de modelos debería tratarse como arquitectura cloud: enrutar tareas según sensibilidad, necesidad de precisión, latencia, coste, ubicación de los datos y auditabilidad. Un modelo chino de pesos abiertos puede servir para un flujo interno de programación y ser inapropiado para otro flujo con datos regulados o reglas estrictas de compras.
Para las empresas, la cuestión estratégica es la concentración de proveedores. Las APIs cerradas de frontera siguen siendo potentes, pero los modelos abiertos pueden reducir costes de cambio y facilitar la creación interna de evaluación, ajuste fino y despliegue. Ese margen importa incluso si la empresa sigue usando modelos cerrados para sus tareas más difíciles.
Para los responsables públicos, el reto es la precisión. Las restricciones amplias sobre modelos abiertos podrían elevar costes y reducir capacidad defensiva, pero ignorar el uso indebido y las acusaciones de extracción ilícita también sería irresponsable. La próxima señal útil vendrá de pruebas concretas, reglas específicas y patrones reales de adopción empresarial, no de eslóganes sobre IA abierta o cerrada.
La lectura más prudente es esta: los modelos chinos abiertos no están sustituyendo de forma general a los sistemas estadounidenses de frontera, pero obligan a cualquier usuario serio de IA a reconsiderar la economía y la capa de control de la elección de modelos.