Fireworks AI ha defendido que muchas empresas pueden reducir su gasto en inteligencia artificial si dejan de usar el modelo más caro para cada consulta. Chenyu Zhao, cofundador de la compañía, explicó durante la conferencia Slush que los modelos de pesos abiertos se encuentran, en numerosos casos, a pocos meses de los sistemas de frontera y pueden resolver buena parte de las tareas rutinarias.
La afirmación llega en un momento en que las organizaciones están pasando de las pruebas aisladas a facturas de uso recurrente. Un asistente que responde a unas decenas de consultas al día tiene un coste limitado. Cuando se integra en atención al cliente, desarrollo de software, revisión documental o análisis interno, cada llamada al modelo, cada archivo procesado y cada iteración de una tarea se convierte en una partida operativa que hay que gobernar.
La cuestión ya no es elegir entre un modelo abierto y uno de frontera, sino asignar cada trabajo al nivel de capacidad que realmente necesita. Un modelo puntero puede resultar adecuado para planificar una tarea difícil, interpretar instrucciones ambiguas o resolver un problema técnico poco habitual. Para clasificar correos, extraer campos de facturas o resumir textos con una plantilla estable, una alternativa más ligera puede ofrecer una relación entre coste y rendimiento más razonable.
Fireworks AI ofrece infraestructura para ejecutar y personalizar modelos, con una orientación clara hacia opciones abiertas y configuraciones hechas para cada cliente. El planteamiento coincide con una práctica que empieza a consolidarse: usar enrutamiento de modelos. Un sistema evalúa la complejidad de una petición y envía las sencillas a un modelo más eficiente, reservando la opción más costosa para los casos que justifican ese consumo.
La idea exige prudencia. Que un modelo sea suficiente para una prueba no significa que lo sea para un proceso de producción. Las empresas deben medir calidad con ejemplos reales, observar la tasa de errores, comprobar cómo se comporta con sus idiomas y documentos, y calcular el coste total de operar la solución. Hospedar o adaptar un modelo también requiere infraestructura, seguridad, observabilidad y personal técnico.
El ahorro solo es real si la reducción del coste por consulta no se transforma en más correcciones, incidentes de seguridad o trabajo de integración. Este equilibrio es especialmente relevante en España, donde muchas medianas empresas quieren incorporar IA sin construir desde cero una gran plataforma de datos. Un proveedor gestionado puede simplificar la entrada, mientras que un despliegue con modelos abiertos puede aportar más control en determinados datos y casos de uso.
El debate incluye la privacidad. Zhao ha argumentado que el uso de modelos abiertos puede facilitar configuraciones en las que los datos se retengan menos o se procesen en entornos controlados por el cliente. Esa posibilidad no equivale automáticamente a cumplimiento normativo. Cada empresa debe revisar dónde se ejecuta el modelo, qué información se registra, qué subencargados participan y cómo se aplica el principio de minimización de datos.
También hay una dimensión estratégica. Los modelos de frontera mejoran a gran velocidad, pero depender por completo de un único proveedor puede dejar a una organización expuesta a cambios de precio, límites de uso o variaciones en el comportamiento del servicio. Trabajar con una cartera de modelos obliga a invertir en evaluación y arquitectura, aunque a cambio permite sustituir componentes cuando el mercado cambia.
Una política madura de IA debería tratar los modelos como una combinación de herramientas, no como una compra única que resuelve todos los procesos. La propuesta de Fireworks AI es relevante porque traslada la discusión desde la fascinación por el modelo más potente a una pregunta operativa: cuánto valor aporta cada euro de inferencia. La respuesta variará según el caso, pero las compañías que midan calidad, coste, seguridad y dependencia tendrán una posición más sólida que las que apliquen la misma tecnología a todo.
