En la semana entre finales de agosto y principios de septiembre, varios laboratorios de IA lanzaron modelos nuevos en fila: Anthropic actualizó Claude Fable 5.1 y Mythos 5.1, Meta publicó Muse Spark 1.3, Google puso en línea Gemini 3.8 Flash, OpenAI lanzó GPT-6 Astra y Nvidia sacó Nemotron 3.5 Lightning. En un reportaje del 6 de septiembre, CNBC le puso nombre a la reacción de las empresas ante esta semana: fatiga de modelos.
La fatiga no viene de la capacidad de los modelos en sí. Según el reportaje, lo que directivos y responsables de TI tienen que comparar constantemente ya no son solo las puntuaciones de referencia: es precio, velocidad, fiabilidad y si, aplicado al propio escenario de negocio, el modelo realmente ahorra mano de obra. Con cada nueva tanda de modelos, toda esa comparación hay que rehacerla. Un directivo entrevistado dijo que, de diez modelos nuevos, solo llegó a evaluar realmente cinco.
El gasto sigue subiendo
Gartner prevé un gasto global en IA de 2,59 billones de dólares este año, un 47% más que en 2025. Más de la mitad de esa cifra va a infraestructura; el resto —servicios, software, ciberseguridad, modelos y herramientas relacionadas— suma más de 1 billón de dólares.
Al desglosar ese billón, las tarifas de llamadas a modelos son solo una partida. Lo que realmente consume la elección de modelo son cosas que no aparecen en ningún presupuesto: entornos de evaluación, benchmarks internos, esfuerzo de migración y pruebas de regresión. Si una empresa mediana reevalúa su modelo principal cada trimestre, son cuatro rondas al año; cada ronda implica reescribir prompts, volver a ejecutar los conjuntos de evaluación y probar la integración entre sistemas, y en horas de trabajo esto suele pesar más que la propia factura de la API. Es una estimación aproximada basada en tarifas públicas y flujos de trabajo de ingeniería habituales; ninguna empresa ha publicado el coste real de su propia elección de modelo.
Por qué el lado de la oferta no se detiene
Desde el punto de vista de los proveedores de modelos, el ritmo de lanzamientos denso es una pelea por la cuota de la cartera del cliente. Ahmed Abbasi, de la Escuela de Negocios Mendoza de la Universidad de Notre Dame, usa el término "share of wallet": los laboratorios no solo tienen que seguir el ritmo de los demás, sino demostrar constantemente a los desarrolladores que no se están quedando atrás. Tanto Anthropic como OpenAI avanzan hacia el mercado público, con valoraciones privadas cercanas al billón de dólares cada una, y el ritmo de lanzamientos está ligado a la narrativa de captación de fondos.
Al otro lado de esa línea está la atención de los compradores. Cuanto más rápido cambian los modelos, más fácil es que las empresas retrasen la elección, o que simplemente se aten pronto a un proveedor y sigan con él; ambas reacciones debilitan el efecto de los nuevos lanzamientos. El reportaje de CNBC no incluye una encuesta cuantitativa; las afirmaciones vienen de la percepción de los entrevistados.
Lo que se podrá contrastar viene después. Los 2,59 billones de dólares son una previsión anual de una consultora, y el resultado real no se sabrá hasta el año que viene; si las empresas aceleran o retrasan el cambio de modelo también solo se verá en la composición de los ingresos por servicios de IA en los informes trimestrales de las proveedoras de nube. Por ahora, lo único seguro es el ritmo de lanzamientos.
Fuentes: CNBC, CocoLoop, datos de previsión de Gartner, Digital Today; se verificaron punto por punto la previsión de gasto de 2,59 billones de dólares y el crecimiento del 47%, la proporción de infraestructura y la cifra de 1 billón de dólares en servicios y software, así como la lista de los cinco modelos lanzados esa semana.