La rivalidad entre Alibaba y Google se agudiza mientras DeepSeek reduce los costes de la IA

Alibaba y DeepSeek han vuelto a reducir los costes de los modelos, intensificando una competencia que ahora alcanza a Google y a todos los grandes proveedores de IA propietaria. Por tanto, la última comparación entre Alibaba y Google va más allá de las clasificaciones de benchmarks. Se trata de si los modelos caros y estrictamente controlados pueden defender sus márgenes a medida que las alternativas capaces se vuelven más baratas y fáciles de modificar.

La presión inmediata procede de dos actores chinos diferentes que siguen una estrategia compatible. DeepSeek ha centrado la atención en modelos eficientes de razonamiento y programación. Alibaba ha ampliado Qwen hasta convertirlo en una amplia familia que abarca razonamiento, desarrollo de software, traducción, visión, audio y cargas de trabajo empresariales.

Su desafío compartido es sencillo. Un modelo no tiene que liderar todos los benchmarks si los desarrolladores pueden desplegarlo a bajo coste, inspeccionar sus pesos y adaptarlo localmente. Esa propuesta plantea a Google, OpenAI y Anthropic una pregunta más difícil que cuál tiene el chatbot más inteligente.

Los laboratorios estadounidenses consolidados aún conservan grandes ventajas. Operan plataformas en la nube maduras, respaldan grandes contratos empresariales y controlan productos de consumo ampliamente utilizados. Google también combina Gemini con Search, Workspace, Android y Google Cloud.

Sin embargo, esas ventajas de distribución no resuelven la economía de los modelos. Los sistemas de pesos abiertos permiten a los desarrolladores descargar parámetros de modelos y ejecutarlos mediante otro proveedor o en su propia infraestructura. Eso debilita la conexión entre el creador del modelo y la factura informática final.

La competencia se está convirtiendo en una pugna entre dos modelos operativos. Uno hace hincapié en capacidades de frontera, acceso propietario y servicios integrados verticalmente. El otro utiliza arquitecturas eficientes y pesos abiertos para extender una IA capaz por infraestructuras competidoras.

Las comparaciones entre Alibaba y Google ahora comienzan por el coste

La última carrera de modelos transforma la pregunta de compra de “¿Qué sistema es el mejor?” a “¿Cuánta capacidad requiere realmente esta carga de trabajo?”

DeepSeek ayudó a forzar ese cambio al lanzar modelos que competían de forma creíble en razonamiento y programación, al tiempo que enfatizaban la eficiencia computacional. Sus lanzamientos más recientes continúan ese patrón, especialmente en tareas de software que consumen grandes volúmenes de tokens.

Alibaba está aplicando una presión similar mediante Qwen, pero desde una posición diferente. No es un laboratorio de investigación independiente que busca un único modelo de gran impacto. Es un operador de nube que construye una cartera para muchas cargas de trabajo, regiones de despliegue y tipos de cliente.

Esa diferencia importa. Una empresa rara vez envía cada solicitud a un único sistema de frontera. Puede reservar un modelo avanzado de razonamiento para decisiones difíciles y dirigir la clasificación, extracción, traducción y generación rutinaria a otros sistemas.

El catálogo en expansión de Alibaba respalda esa estrategia de enrutamiento. Su catálogo oficial de modelos separa los modelos por tarea, región de despliegue, tamaño de contexto y modo de razonamiento. La oferta incluye modelos Qwen junto a sistemas alojados de DeepSeek, Moonshot AI, MiniMax y Zhipu AI.

Un mercado en la nube que contiene modelos rivales cambia el funcionamiento de la competencia. Alibaba puede beneficiarse de la demanda de IA china eficiente incluso cuando un cliente elige DeepSeek en lugar de Qwen. Obtiene un papel en el despliegue, la orquestación y la infraestructura.

Google sigue una lógica de nube comparable mediante Vertex AI, donde los clientes pueden acceder a Gemini y a modelos externos. Sin embargo, Alibaba y DeepSeek están ejerciendo una presión a la baja más fuerte en la capa de modelos. Sus opciones de pesos abiertos también ofrecen a los compradores vías de salida más creíbles.

Eso crea una competencia entre Alibaba y Google más exigente. Google debe defender el valor de Gemini como modelo y, al mismo tiempo, demostrar que su plataforma más amplia justifica una integración más profunda. Alibaba puede competir mediante Qwen, alojamiento en la nube y acceso a un mercado doméstico de modelos más amplio.

La comparación no es perfectamente simétrica. Google atiende a una base global de clientes condicionada por distintos requisitos de privacidad, seguridad y regulación. Alibaba opera desde China, al tiempo que ofrece regiones internacionales de nube y servicios de modelos accesibles globalmente.

Aun así, los compradores de modelos toman nota cuando tareas similares pueden ejecutarse mediante sistemas menos costosos. Los asistentes de programación, las canalizaciones de extracción de documentos, los agentes de soporte y los servicios de traducción generan solicitudes repetidas. Pequeñas diferencias en cada solicitud se acumulan a medida que crece la adopción.

La presión de precios también modifica el diseño de productos. Los equipos pueden permitirse más llamadas a modelos, probar varios candidatos y utilizar modelos distintos para la planificación y la ejecución. Pueden reintentar resultados fallidos sin considerar cada intento como un evento costoso.

Esa flexibilidad favorece a las aplicaciones construidas en torno al enrutamiento de modelos. Una capa de enrutamiento evalúa la solicitud y la envía a un modelo adecuado según necesidades de calidad, latencia, contexto o gobernanza. Ningún proveedor recibe automáticamente todas las cargas de trabajo.

Para Google, el riesgo no es que Qwen sustituya a Gemini en todas partes. El riesgo es la fragmentación de las cargas de trabajo. Cada tarea trasladada a una alternativa eficiente reduce el volumen que sostiene la economía propietaria premium.

Para Alibaba, la oportunidad va más allá de ganar un benchmark. Puede convertir Qwen en una opción predeterminada dentro de un entorno mixto. Esa posición genera familiaridad entre desarrolladores, experiencia de despliegue y una base creciente de aplicaciones diseñadas en torno a sus modelos.

DeepSeek añade urgencia porque ya ha demostrado la rapidez con la que puede cambiar la atención de los desarrolladores. Sus lanzamientos establecieron el razonamiento de bajo coste como una categoría estratégica, en lugar de una característica secundaria. Alibaba está ampliando ahora ese desafío a más modalidades y tareas empresariales.

La eficiencia se ha convertido en una característica del producto

Alibaba y DeepSeek no reducen los costes únicamente mediante descuentos; sus arquitecturas buscan disminuir la cantidad de cómputo que requiere cada respuesta útil.

Un método importante es la mezcla de expertos, o MoE. Esta arquitectura contiene muchos grupos de parámetros especializados, pero activa solo un subconjunto para cada token. El modelo obtiene una amplia capacidad sin utilizar todos los parámetros en cada solicitud.

DeepSeek ha dedicado años a perfeccionar ese enfoque. Su artículo sobre DeepSeek-V2 describió la activación dispersa de expertos junto con Multi-Head Latent Attention, que comprime la información almacenada durante la generación. Los investigadores informaron de menores costes de entrenamiento, una caché de memoria más pequeña y un rendimiento de generación sustancialmente superior al de su referencia anterior.

Esos resultados procedían de la propia evaluación de DeepSeek, por lo que no deben considerarse garantías universales de producción. El hardware, el tamaño de lote, la configuración de software y la longitud del prompt pueden modificar el rendimiento real del despliegue. No obstante, el mecanismo subyacente explica por qué la eficiencia sigue siendo fundamental en el diseño de modelos de DeepSeek.

Alibaba también ha adoptado diseños de mezcla de expertos dentro de Qwen. Algunas variantes de Qwen activan solo una parte de su capacidad total durante la inferencia. Otras utilizan arquitecturas densas para entornos donde el despliegue más sencillo o unos requisitos de memoria predecibles importan más.

El razonamiento híbrido proporciona otro control de costes. Un modelo puede responder a prompts ordinarios sin generar un largo rastro interno de razonamiento. Luego puede pasar a un modo computacionalmente más intensivo para matemáticas, planificación, programación o análisis complejo.

Esta elección importa porque los tokens de razonamiento consumen tiempo y recursos informáticos. Un sistema que razona en profundidad sobre cada saludo, resumen o solicitud de formato desperdicia capacidad. El razonamiento selectivo permite a las aplicaciones reservar un procesamiento más pesado para las tareas que se benefician de él.

La eficiencia de contexto largo tiene una importancia similar. El contexto es el texto, código, imágenes u otra información suministrada con una solicitud. Procesar un contexto amplio puede aumentar la latencia y el uso de memoria, incluso antes de que el modelo escriba una respuesta.

Los mecanismos de atención de DeepSeek buscan reducir esa carga de memoria. La cartera de Qwen ofrece distintos límites de contexto y modelos específicos para cada tarea. Ambas estrategias animan a los desarrolladores a adaptar el diseño de un modelo a una carga de trabajo, en lugar de recurrir por defecto al sistema más grande disponible.

Los pesos abiertos amplifican estas ganancias arquitectónicas. Permiten a hosts independientes optimizar el software de servicio, cuantizar los modelos y elegir configuraciones de hardware. La cuantización reduce la precisión numérica empleada para almacenar los pesos del modelo, reduciendo los requisitos de memoria con una posible contrapartida en calidad.

La competencia entre hosts puede entonces impulsar aún más a la baja los costes de despliegue. Una API propietaria tiene un operador principal y una estructura comercial. Un modelo de pesos abiertos puede aparecer en plataformas de nube, servicios de inferencia especializados y clústeres privados.

Esto no hace que la inferencia sea gratuita. Los centros de datos siguen necesitando aceleradores, electricidad, redes, refrigeración e ingeniería. Los modelos eficientes simplemente cambian cuánto trabajo útil pueden producir esos recursos.

También cambian dónde se produce la optimización. El desarrollador del modelo puede mejorar la arquitectura, mientras los proveedores de infraestructura ajustan kernels y planificación. Los equipos de aplicación pueden reducir el contexto, almacenar en caché entradas repetidas o enrutar solicitudes según su dificultad.

Esa optimización por capas es el verdadero mecanismo detrás de la caída de costes. Ninguna técnica por sí sola explica el movimiento. El cómputo disperso, las cachés comprimidas, el razonamiento selectivo, la cuantización, el enrutamiento de modelos y la competencia entre proveedores se refuerzan mutuamente.

El mecanismo también aclara por qué las victorias en benchmarks por sí solas ofrecen una imagen incompleta. Un modelo propietario más grande podría obtener una puntuación superior en una prueba difícil. Un modelo abierto más pequeño aún puede ser la mejor opción de producción para una tarea delimitada y repetitiva.

Pensemos en un asistente interno de conocimiento. La mayoría de las solicitudes implican encontrar documentos relevantes, extraer pasajes y producir una síntesis breve. La aplicación puede utilizar la búsqueda para acotar la evidencia antes de pedir a un modelo que responda.

Ese diseño reduce la necesidad del modelo más capaz en cada solicitud. Los equipos también pueden conservar material fuente útil en una base de conocimiento personal y, después, probar varios modelos con la misma evidencia.

Alibaba y DeepSeek se benefician cuando los compradores empiezan a pensar así. Sus modelos se convierten en componentes dentro de un sistema, en lugar de sustitutos de toda una pila de software. La competencia entre componentes recompensa una calidad aceptable, flexibilidad operativa y un uso predecible de los recursos.

Los pesos abiertos presionan a la IA propietaria

El principal rival no es Alibaba contra DeepSeek; es la distribución eficiente de pesos abiertos frente al control propietario caro.

Alibaba y DeepSeek compiten directamente por desarrolladores, cargas de trabajo empresariales y prestigio técnico. Sin embargo, sus lanzamientos también refuerzan la misma alternativa más amplia frente a los sistemas cerrados liderados por Google, OpenAI y Anthropic.

Los modelos de pesos abiertos publican parámetros que otros pueden descargar y ejecutar. El término no significa automáticamente código abierto en su totalidad. Los datos de entrenamiento, los métodos de preparación, los procesos de seguridad o el código completo de desarrollo pueden seguir sin estar disponibles.

Esa distinción importa para las afirmaciones de transparencia. El acceso a los pesos permite la inspección y la personalización, pero no revela todo lo que dio forma a un modelo. Los términos de licencia también pueden variar entre lanzamientos.

Incluso con esas limitaciones, el acceso a los pesos cambia el poder de negociación de los compradores. Una empresa puede probar una implementación privada, usar un proveedor regional o mantener un proveedor alternativo. Los desarrolladores pueden modificar modelos para un idioma, un sector o un flujo de trabajo definido de forma acotada.

Investigadores de Stanford describen el ecosistema chino como algo más amplio que la historia de DeepSeek por sí sola. Su análisis de modelos con pesos abiertos abarca las familias de modelos Qwen, DeepSeek, Kimi y GLM, con distintos orígenes organizativos y prioridades técnicas.

Esa variedad importa porque ningún laboratorio tiene que satisfacer todos los casos de uso. Alibaba puede atender a desarrolladores que ya utilizan su nube. DeepSeek puede concentrarse en la investigación de modelos. Moonshot AI puede centrarse en cargas de trabajo de contexto largo y agentes, mientras otros laboratorios apuntan a sistemas multimodales.

El resultado se parece más a una competencia entre ecosistemas que a una carrera de modelos individuales. Cada lanzamiento aporta técnicas, pesos, evaluaciones y experiencia de implementación sobre las que otros equipos pueden construir. Las mejoras pueden difundirse sin esperar la hoja de ruta de producto de un único proveedor.

Google enfrenta presión en varios frentes. Gemini compite directamente con Qwen y DeepSeek por cargas de trabajo de API. Google Cloud compite con Alibaba Cloud y proveedores independientes de inferencia. Gemma, la familia de modelos abiertos de Google, también debe captar la atención de los desarrolladores.

Google conserva defensas formidables. Sus Tensor Processing Units personalizadas respaldan el entrenamiento y la inferencia a gran escala. Android y Workspace aportan distribución. Search ofrece una enorme superficie de consumo, mientras Google Cloud respalda la gobernanza y las compras de las grandes organizaciones.

Esas ventajas hacen poco probable un escenario de desplazamiento total. El desafío más inmediato es el poder de fijación de precios. Si los modelos abiertos resuelven porciones crecientes de programación, traducción, extracción y ejecución de agentes, las API premium deberán justificar su diferencia.

La calidad sigue siendo una justificación. Los proveedores propietarios pueden ofrecer mayor fiabilidad en tareas difíciles, mejor integración multimodal o un uso de herramientas más consistente. También pueden empaquetar controles de seguridad, compromisos de servicio y soporte para clientes regulados.

La integración ofrece otra defensa. Un modelo conectado al correo electrónico, documentos, reuniones, búsqueda e identidad empresarial puede aportar más valor que una API aislada más potente. Google puede usar Workspace y Cloud para convertir Gemini en parte de un entorno operativo más amplio.

Alibaba puede plantear el mismo argumento dentro de sus propios servicios. Por eso la rivalidad entre Alibaba y Google no puede reducirse a una sola prueba de referencia. Ambas empresas venden infraestructura y aplicaciones en torno a sus modelos.

DeepSeek desempeña un papel diferente. Su importancia proviene en parte de demostrar que un laboratorio independiente puede redefinir las expectativas. Ejerce presión sobre plataformas más grandes sin necesidad de reproducir cada parte de su distribución.

Esta relación genera una tensión productiva dentro del mercado chino. DeepSeek obliga a Alibaba a mejorar la eficiencia y la credibilidad. Alibaba ofrece a los modelos eficientes una vía hacia la infraestructura empresarial a escala.

El efecto combinado alcanza a los proveedores estadounidenses. Investigadores de Brookings señalan que los desarrolladores chinos han priorizado la distribución de pesos abiertos, la eficiencia y una menor dependencia de recursos informáticos restringidos. Su evaluación de la carrera de IA también advierte que una simple competencia nacional oculta los distintos objetivos dentro de cada mercado.

Esa cautela es útil. Alibaba, DeepSeek y Google son actores comerciales y técnicos con incentivos distintos. La política nacional condiciona sus restricciones, pero no hace que sus estrategias sean idénticas.

La línea competitiva más clara sigue siendo la economía de la distribución. Los proveedores propietarios buscan preservar el control sobre las capas de modelo y servicio. Los desarrolladores de pesos abiertos buscan adopción mediante portabilidad, modificación y alojamiento más amplio.

A medida que esos modelos mejoran, cambia la carga de la prueba. Los compradores ya no necesitan explicar por qué consideran una alternativa abierta. Los proveedores propietarios deben explicar por qué una carga de trabajo concreta debería permanecer dentro de un sistema controlado y de mayor coste.

Los costes más bajos no eliminan los riesgos de implementación

El acceso económico a los modelos puede mejorar la economía de una aplicación, pero no resuelve las preocupaciones de seguridad, gobernanza, fiabilidad o geopolítica.

Los resultados de las pruebas de referencia son la primera fuente de incertidumbre. Los creadores de modelos eligen las pruebas, los métodos de prompting, los ajustes de inferencia y los sistemas de comparación. Pequeños cambios metodológicos pueden producir clasificaciones diferentes.

Las pruebas de programación merecen especial cautela. Un modelo puede resolver tareas autocontenidas de repositorios, pero tener dificultades con sistemas no documentados, dependencias internas o requisitos cambiantes. El código generado también puede superar las pruebas e introducir vulnerabilidades de seguridad.

Las evaluaciones de agentes generan más ambigüedad. Un agente es un sistema basado en modelos que elige herramientas y realiza múltiples pasos para alcanzar un objetivo. El éxito depende del software circundante, las descripciones de las herramientas, los permisos y la lógica de recuperación.

Un modelo potente puede fallar dentro de un diseño de agente débil. Un modelo modesto puede funcionar bien cuando la tarea está estrictamente acotada. Por ello, los compradores deben probar flujos de trabajo completos en vez de asumir que una puntuación pública predice los resultados en producción.

La fiabilidad también afecta a los costes reales. Una solicitud más barata no ahorra dinero si requiere reintentos repetidos, validación extensa o corrección humana. La latencia y el tiempo de actividad importan cuando el modelo está integrado en software de cara al cliente.

Los pesos abiertos introducen responsabilidad operativa. Ejecutar un modelo de forma privada ofrece control, pero el comprador debe gestionar la infraestructura, las actualizaciones, la monitorización y el acceso. Las habilidades especializadas pueden convertirse en una limitación mayor que la licencia del modelo.

La gobernanza se vuelve especialmente importante para las organizaciones multinacionales. Las normas de residencia de datos pueden determinar por dónde pueden circular los prompts y las salidas. Los requisitos sectoriales pueden restringir qué proveedores gestionan información financiera, médica, legal o gubernamental.

El país de origen de un modelo no responde a todas las cuestiones de gobernanza. Los compradores deben examinar el proveedor que presta el servicio, la región de implementación, la política de registros, los subcontratistas, la licencia del modelo y los controles de seguridad. Un modelo Qwen alojado de forma privada presenta riesgos distintos del mismo modelo al que se accede mediante un servicio remoto.

El escrutinio político aún puede afectar a la adopción. Los sistemas de IA chinos enfrentan preocupaciones sobre censura, tratamiento de datos, cadenas de suministro y posible influencia gubernamental. Los proveedores estadounidenses afrontan sus propias preguntas sobre vigilancia, derechos de autor, concentración y decisiones opacas de seguridad.

La disponibilidad de pesos abiertos crea otra disyuntiva. El acceso amplio respalda la investigación, la personalización y el control local. También puede facilitar la adaptación de sistemas capaces para automatización dañina, operaciones cibernéticas o contenido engañoso.

Por tanto, el debate político se sitúa entre la difusión de capacidades y la contención de riesgos. Las normas restrictivas pueden proteger aplicaciones sensibles, pero también concentrar el control entre unos pocos proveedores adinerados. Las políticas de publicación amplia expanden el acceso y, al mismo tiempo, hacen más difícil gobernar el uso indebido.

La incertidumbre sobre el hardware complica las afirmaciones de eficiencia. Un laboratorio puede informar de los recursos utilizados en una ejecución final de entrenamiento sin reflejar los experimentos previos, la preparación de datos o el tiempo del personal. Las comparaciones también dependen del tipo de chip, la utilización y los límites contables.

Las anteriores afirmaciones de eficiencia de DeepSeek cambiaron las expectativas, pero observadores externos no pudieron reconstruir de forma independiente cada parte de su proceso de desarrollo. El mismo escepticismo debe aplicarse a Alibaba, Google, OpenAI, Anthropic y otros creadores de modelos.

Los costes de acceso al modelo también representan solo una parte de un sistema. Las bases de datos de recuperación, la observabilidad, la evaluación, la revisión de seguridad, la supervisión humana y la ingeniería de producto siguen siendo necesarias. Estos gastos no desaparecen cuando los tokens se abaratan.

La caída de los costes de inferencia incluso puede aumentar el consumo total. Cuando cada solicitud se vuelve más asequible, los desarrolladores añaden más llamadas, contextos más largos, validación adicional y más agentes. Por tanto, unos costes unitarios menores pueden producir una huella informática global mayor.

Este efecto rebote no invalida el cambio económico. Cambia su interpretación. La inteligencia barata incentiva al software a usar más inteligencia, del mismo modo que el almacenamiento más barato impulsó a las aplicaciones a conservar más datos.

Los compradores empresariales deben centrarse en el coste por tarea completada. Esa medida incluye reintentos, llamadas a herramientas, revisión humana, latencia y gestión de fallos. Ofrece una comparación más útil que el coste anunciado de la entrada o salida del modelo.

Una evaluación justa de Alibaba y Google también requiere pruebas específicas por carga de trabajo. Los equipos deben utilizar prompts representativos, documentos privados, llamadas a herramientas esperadas y casos de fallo conocidos. Deben puntuar la precisión factual, la tasa de finalización, la latencia y el esfuerzo de los revisores.

El ganador puede variar según la tarea. Gemini podría liderar un flujo de trabajo multimodal conectado a los servicios de Google. Qwen podría encajar en una implementación multilingüe personalizable. DeepSeek podría ofrecer una economía atractiva para programación o razonamiento.

Esa variabilidad debilita las declaraciones simplistas sobre un modelo que sustituye a otro. Refuerza la conclusión más amplia de que los proveedores enfrentarán una comparación continua. Los compradores ya cuentan con suficientes opciones creíbles para negociar, enrutar cargas de trabajo y cambiar de proveedor.

Tres señales decidirán lo que ocurra después

La próxima etapa se decidirá por resultados independientes de cargas de trabajo, adopción empresarial y la respuesta de los proveedores propietarios.

La primera señal es la evidencia en producción de los sistemas más recientes de Qwen y DeepSeek. Las pruebas de referencia públicas atraen atención, pero las implementaciones sostenidas revelan fiabilidad, latencia, uso de herramientas y costes operativos.

Los desarrolladores deben seguir evaluaciones que publiquen prompts, ajustes y categorías de fallos. La programación a nivel de repositorio, la atención al cliente multilingüe, el análisis de documentos y los agentes de larga ejecución proporcionarán evidencia más útil que una puntuación agregada.

Si Qwen y DeepSeek mantienen sólidas tasas de finalización en esas cargas de trabajo, la tesis de los modelos de bajo coste se fortalecerá. Los reintentos frecuentes o el uso inestable de herramientas la debilitarían, aunque los resultados destacados de las pruebas de referencia sigan siendo impresionantes.

La segunda señal es la adopción empresarial fuera de China. Las descargas y los experimentos de desarrolladores importan, pero no demuestran que las organizaciones reguladas integrarán modelos chinos abiertos en sistemas importantes.

La evidencia procederá del uso de la nube, la demanda recurrente de API, las implementaciones regionales y casos de producción identificados. La adopción mediante proveedores externos contará porque la distribución de pesos abiertos separa el modelo de su desarrollador original.

El crecimiento internacional demostraría que el coste y la flexibilidad pueden superar las preocupaciones de compra. Una adopción limitada a experimentos o aplicaciones sensibles al precio revelaría una oportunidad más acotada.

Alibaba cuenta con una ventaja en este punto porque puede agrupar modelos con herramientas de implementación y servicios en la nube. DeepSeek se beneficia de su disponibilidad a través de múltiples plataformas. Ambos aún necesitan vías de soporte fiables para organizaciones que operan en distintas jurisdicciones.

La tercera señal es la respuesta de Google y otros laboratorios propietarios. Pueden reducir los costes de los modelos, lanzar sistemas más pequeños, mejorar sus familias abiertas o integrar la IA más profundamente en sus suscripciones existentes y contratos de nube.

Una respuesta propietaria amplia confirmaría que la presión china en materia de eficiencia ha cambiado las expectativas del mercado. También haría más difícil preservar la ventaja de los desafiantes originales.

La respuesta de Google merece especial atención. Puede optimizar Gemini en sus propios chips, utilizar Gemma para competir por los desarrolladores de modelos abiertos y distribuir IA a través de productos que la gente ya utiliza. Pocos rivales pueden combinar los tres enfoques.

OpenAI y Anthropic afrontan decisiones similares sin la presencia de Google en el consumo masivo y el hardware. Pueden defender posiciones premium mediante capacidad, fiabilidad y plataformas de agentes. También pueden introducir modelos más pequeños para cargas de trabajo rutinarias.

La cuestión central es si los avances de frontera siguen generando un valor premium duradero. Si los sistemas costosos resuelven tareas que los modelos más baratos no pueden, persistirá un mercado escalonado. Si la brecha de capacidades se reduce rápidamente, el acceso a los modelos se comportará más como una materia prima.

Una materia prima no carece de valor. Es un producto cuyos proveedores tienen dificultades para mantener la diferenciación en la capa básica. Entonces, el valor se desplaza hacia la distribución, la integración, los datos propietarios, el diseño de flujos de trabajo y la operación de confianza.

Ese cambio favorecería a las empresas que controlan infraestructura en la nube o software ampliamente utilizado. Podría beneficiar tanto a Alibaba como a Google, incluso mientras reduce los márgenes de las llamadas individuales a modelos. DeepSeek seguiría siendo influyente al establecer las expectativas técnicas.

Los trabajadores del conocimiento experimentarán el cambio a través de las aplicaciones, no de las tarjetas de modelos. Los menores costes pueden respaldar más investigación en segundo plano, revisión de código, traducción, análisis de reuniones y procesamiento de documentos. Los usuarios podrían recibir resultados de varios modelos sin tener que elegir ellos mismos un proveedor.

Los desarrolladores necesitarán prácticas más sólidas de evaluación y enrutamiento. El nombre de un modelo por sí solo no determinará la calidad de una aplicación. Los datos, herramientas, permisos y pasos de verificación que lo rodean importarán igual.

Los compradores empresariales deberían evitar compromisos permanentes basados en un único ciclo de lanzamientos. Pueden mantener los prompts portables, separar la lógica de negocio de las interfaces específicas de cada proveedor y conservar conjuntos de evaluación representativos.

Ese enfoque no exige cambios constantes. Preserva capacidad de negociación cuando un modelo Qwen, DeepSeek, Gemini u otro modifica el equilibrio entre coste y calidad. La portabilidad se convierte en un seguro frente a la rápida rotación de modelos.

Por tanto, la rivalidad entre Alibaba y Google se desarrollará en ámbitos que van más allá de las clasificaciones de investigación. Involucrará adopción de la nube, enrutamiento de modelos, integración de aplicaciones y confianza. El papel de DeepSeek es mantener en movimiento el referente de eficiencia.

Para los lectores, la acción práctica es clara: identifiquen un flujo de trabajo de IA costoso o de gran volumen y pruébenlo con varias clases de modelos. Midan el trabajo completado, no las afirmaciones de marketing.

Pregúntense si un modelo de pesos abiertos más económico puede gestionar la ejecución rutinaria mientras un sistema premium se encarga de los casos difíciles. Después, hagan seguimiento de los fallos, el tiempo de revisión, la latencia y los requisitos de gobernanza para todo el proceso.

Ese experimento revelará más que otra tabla de clasificación. Mostrará si la carrera por reducir costes ya está cambiando su economía o si la integración propietaria sigue justificando su prima.