La carrera de IA entre Amazon y Google: AWS quiere la plataforma, no solo el mejor modelo

Amazon está cambiando su estrategia de modelos de IA pese a que AWS registró su crecimiento más rápido en 18 trimestres. El conflicto dentro de la carrera entre Amazon y Google se está volviendo más claro.

Google quiere que Gemini sea un modelo líder, un asistente para consumidores y la inteligencia dentro de sus productos. Amazon quiere que los clientes ejecuten casi cualquier modelo importante a través de AWS.

Esa distinción importa más que otra victoria en benchmarks. Amazon no necesita que Nova supere a todos los modelos de Google, OpenAI o Anthropic. Necesita que Bedrock, Trainium y la infraestructura de AWS capten demanda independientemente de qué modelo gane.

La estrategia no está exenta de riesgos. Según se informó, Amazon comenzó a reducir varios proyectos de Nova en julio mientras concentraba a sus investigadores en una nueva iniciativa de modelos de frontera. Esa reestructuración sugiere que su cartera original de modelos no generó suficiente impulso.

Sin embargo, los últimos resultados de Amazon muestran por qué la empresa puede permitirse una definición distinta de victoria. Las ventas de AWS aumentaron un 37 % durante el segundo trimestre, según los resultados trimestrales. Amazon también afirmó que sus negocios de IA y chips superaron cada uno una importante tasa anualizada de ingresos.

Google presenta el contraargumento más sólido. Posee una familia de modelos respetada, chips personalizados, un negocio de nube en crecimiento, distribución a través de Search y un producto de IA para consumidores con enorme alcance.

Por lo tanto, la competencia entre Amazon y Google es más amplia que Nova frente a Gemini. Es una disputa entre controlar la inteligencia y controlar la infraestructura, la distribución y la relación empresarial alrededor de esa inteligencia.

Amazon reduce su apuesta por los modelos mientras AWS acelera

La reducción reportada de Amazon en Nova se entiende mejor como una concentración de recursos, no como una retirada de la inteligencia artificial.

Reuters informó el 28 de julio que Amazon estaba reduciendo varios modelos desarrollados internamente y concentrando recursos en un nuevo programa de modelos de frontera. El informe citó a personas familiarizadas con una reorganización interna.

Amazon había presentado Nova como una familia amplia, en lugar de un único chatbot. Su cartera abarcaba texto, imágenes, vídeo, voz, razonamiento y personalización de modelos.

Esa amplitud proporcionó a AWS un modelo para muchas cargas de trabajo. También obligó a Amazon a respaldar varias líneas de investigación costosas mientras sus competidores concentraban la atención en menos marcas insignia.

La reorganización reportada busca resolver ese problema. Amazon está enfocando ingenieros y capacidad de cómputo en una iniciativa más reducida de modelos de frontera, que según se informa está dirigida por el investigador de robótica Pieter Abbeel.

Amazon no ha detallado públicamente todos los modelos o equipos afectados. Tampoco ha publicado un calendario completo de retirada para la cartera de Nova.

Esa distinción es importante. Una reducción interna reportada no significa que todos los endpoints existentes de Nova vayan a desaparecer inmediatamente de Bedrock.

AWS publica información sobre el ciclo de vida de los modelos para que los clientes puedan planificar migraciones. Los usuarios empresariales deberían seguir esos avisos, en lugar de asumir que una reorganización de investigación equivale a un cierre instantáneo del servicio.

El momento crea una aparente contradicción. Amazon está reduciendo partes de su operación de modelos mientras gasta más en infraestructura de IA e informa de un crecimiento más fuerte en la nube.

Esa contradicción desaparece al separar los incentivos de Amazon.

Un modelo propietario debe atraer desarrolladores por sus propios méritos. Necesita evaluaciones sólidas, comportamiento fiable, costes operativos competitivos, actualizaciones rápidas y suficiente reconocimiento para influir en las decisiones de compra.

Una plataforma de nube tiene una vía más amplia hacia los ingresos. Puede vender capacidad de cómputo, almacenamiento, bases de datos, seguridad, redes, acceso a modelos, infraestructura para agentes y herramientas de despliegue.

AWS puede generar uso cuando un cliente elige un modelo de Amazon. También puede participar cuando ese cliente selecciona Claude, un modelo de OpenAI u otro sistema compatible.

Esa es la posición más valiosa que Amazon parece estar persiguiendo. El objetivo no es abandonar la investigación de modelos. El objetivo es hacer que AWS sea valioso incluso cuando un laboratorio externo produce el modelo preferido.

Bedrock ahora admite más de 100 modelos fundacionales, es decir, sistemas adaptables entrenados con amplias colecciones de datos. AWS afirma que el servicio es utilizado por más de 100.000 organizaciones.

Estas cifras son afirmaciones de la empresa, pero muestran cómo Amazon plantea su ventaja. El catálogo y su capa operativa importan más que una única posición en una clasificación.

La experiencia rediseñada de Bedrock hace más explícita esa intención. Los desarrolladores pueden utilizar interfaces compatibles con bibliotecas de software populares de OpenAI y Anthropic.

La compatibilidad reduce el trabajo de cambio. Un equipo puede evaluar otro modelo sin reconstruir todos los componentes que rodean a la aplicación.

Amazon añadió modelos de OpenAI a Bedrock en 2026, junto con ofertas de Anthropic, Meta, Mistral, Cohere y Amazon. La integración de Bedrock incluye controles unificados de seguridad, gobernanza y costes.

Esto crea el primer gran giro en la historia de Amazon. Admitir un modelo que compite con Nova aún puede fortalecer AWS.

La plataforma se vuelve más útil a medida que aumenta su competencia interna. Amazon puede perder una evaluación individual de modelos mientras gana la carga de trabajo en la nube resultante.

Eso no prueba que su estrategia vaya a tener éxito. Es evidencia de que Amazon ha diseñado un negocio en el que el liderazgo en modelos es solo una vía hacia el valor.

Por qué ahora importa la comparación entre Amazon y Google

Google presiona a Amazon porque combina calidad de modelos, infraestructura de nube, silicio personalizado, distribución para consumidores y datos propietarios dentro de una sola empresa.

Muchas comparaciones de IA sitúan a Amazon junto a OpenAI o Anthropic. Esas comparaciones son útiles para evaluar el rendimiento de los modelos, pero pasan por alto el conflicto empresarial más profundo.

Google es el oponente estratégico más completo. Google Cloud compite directamente con AWS, mientras que Gemini compite con los modelos de Amazon y los sistemas de terceros ofrecidos a través de Bedrock.

Google puede distribuir Gemini a través de Search, Workspace, Android, Cloud y su aplicación para consumidores. Cada superficie ofrece otra oportunidad para atraer usuarios o vender capacidad de cómputo.

Alphabet afirmó que los ingresos de Google Cloud crecieron un 82 % interanual durante el segundo trimestre de 2026. La empresa también informó de que las API de modelos propios procesaban alrededor de 22.000 millones de tokens por minuto.

Un token es una pequeña unidad de texto u otra entrada de modelo. El volumen de tokens ofrece una visión aproximada de la intensidad con la que desarrolladores y productos utilizan los sistemas de IA.

La aplicación Gemini alcanzó los 950 millones de usuarios activos mensuales, según el resumen de resultados de Google. Esa distribución le da a Google algo que Amazon no tiene: un destino de IA para consumidores ampliamente reconocido.

Google puede mejorar Gemini, ponerlo ante sus usuarios existentes y vender las capacidades subyacentes a través de Google Cloud. También puede utilizar el modelo en productos de publicidad, búsqueda, productividad y desarrollo.

Amazon cuenta con sólidas superficies de consumo, incluidas Alexa y su plataforma de compras. Sin embargo, Nova no se ha convertido en una marca de consumo comparable con Gemini o ChatGPT.

La fortaleza de Amazon está en otra parte. AWS ya gestiona bases de datos, aplicaciones, identidades, políticas de seguridad y entornos de cómputo para una amplia base empresarial.

Esa relación instalada importa porque los sistemas de IA en producción requieren más que acceso a modelos. Requieren permisos, supervisión, recuperación de datos, registros de auditoría, controles de red y operaciones predecibles.

Un modelo puede generar una respuesta útil durante una demostración. Un servicio en producción debe generar respuestas aceptables de forma repetida mientras respeta las reglas de la organización.

Esta brecha entre demostración y operación es donde Amazon quiere capturar valor.

Bedrock permite a los clientes comparar modelos sin trasladar toda la aplicación a otra nube. AgentCore y servicios relacionados de AWS abordan la capa de ejecución para agentes de IA.

Un agente de IA es software que utiliza un modelo para planificar y realizar acciones mediante herramientas. El modelo proporciona razonamiento, pero los sistemas circundantes controlan la identidad, la memoria, los permisos y la ejecución.

Esos sistemas circundantes pueden resultar más difíciles de reemplazar que el modelo. Los modelos cambian rápidamente, mientras que la arquitectura de datos corporativos y los controles de seguridad se mueven lentamente.

Por eso resulta atractiva la propuesta neutral respecto a modelos de Amazon. Los compradores empresariales no saben qué familia de modelos liderará cada carga de trabajo el próximo año.

Un equipo podría preferir Claude para un flujo de trabajo de programación. Otro podría seleccionar un sistema de OpenAI para el uso de herramientas, Nova para el análisis de medios o un modelo más pequeño para clasificaciones rutinarias.

Amazon quiere que cada elección genere demanda para la misma capa de infraestructura.

Google ofrece elección de modelos a través de Vertex AI, por lo que Amazon no es dueña de este concepto. Microsoft también opera un catálogo multimodelo dentro de su negocio de nube empresarial.

La diferencia radica en el énfasis. Google puede convertir a Gemini en la opción predeterminada en una red de productos inusualmente amplia. Amazon presenta Bedrock como un entorno controlado en el que el cliente elige.

Eso crea presión sobre ambas empresas.

Amazon debe demostrar que la neutralidad ofrece más valor que poseer el modelo preferido y su distribución. Google debe demostrar que su pila integrada no limita la elección de los clientes ni crea una dependencia no deseada.

Por lo tanto, la rivalidad entre Amazon y Google no es una simple competencia de modelos. Plantea si las empresas favorecerán una utilidad amplia de modelos o una plataforma integrada de inteligencia.

La capa valiosa es todo lo que rodea al modelo

La apuesta central de Amazon es que la inteligencia de los modelos se volverá más intercambiable, mientras que el acceso gobernado al cómputo y a los datos empresariales seguirá siendo escaso.

El modelo atrae atención porque los usuarios pueden ver sus resultados. La infraestructura permanece en gran medida invisible hasta que una aplicación se vuelve cara, poco fiable o difícil de gobernar.

Las cargas de trabajo de producción exponen rápidamente esos requisitos ocultos.

Pensemos en una empresa que desarrolla un asistente para representantes de atención al cliente. El asistente debe recuperar información aprobada de cuentas, respetar los permisos de los empleados, citar políticas vigentes y evitar exponer los registros de otro cliente.

Seleccionar un modelo capaz resuelve solo una parte de ese problema. La empresa aún necesita conexiones de datos, comprobaciones de identidad, observabilidad, evaluación y un proceso de escalamiento.

Cambiar el modelo podría requerir modificar una llamada a la API y probar la nueva salida. Trasladar cada base de datos, permiso, registro y flujo de trabajo puede requerir mucho más trabajo.

Amazon quiere que AWS sea propietario de ese contexto operativo duradero.

Sus chips personalizados Trainium responden a la misma estrategia. Entrenar y ejecutar modelos consume una amplia capacidad de cómputo, lo que hace que la disponibilidad y eficiencia del hardware sean comercialmente importantes.

Project Rainier, el gran clúster de AWS utilizado por Anthropic, contiene más de 500.000 chips Trainium2, según los resultados de la empresa de Amazon. Se esperaba que casi todo el suministro de Trainium3 estuviera comprometido para mediados de 2026.

Esas afirmaciones indican una fuerte demanda, aunque las divulgaciones de la empresa no revelan completamente la combinación de cargas de trabajo ni la concentración de clientes.

Anthropic ofrece un ejemplo concreto de la ventaja de Amazon agnóstica respecto a los modelos y de sus límites.

Claude no es un modelo de Amazon. Aun así, Amazon puede beneficiarse cuando Claude se ejecuta en chips de AWS, aparece en Bedrock y genera demanda de servicios de apoyo.

Anthropic afirmó en abril que su acuerdo ampliado con Amazon cubría hasta cinco gigavatios de capacidad informática adicional. También dijo que más de 100.000 clientes ejecutan Claude a través de Bedrock.

Un gigavatio mide potencia eléctrica, no rendimiento del modelo. La cifra muestra la escala de infraestructura necesaria para entrenar y servir sistemas de uso intensivo.

El acuerdo de capacidad informática también mantiene Claude disponible en AWS, Google Cloud y Microsoft Azure. Por tanto, Anthropic se beneficia de varios canales de nube en lugar de depender por completo de Amazon.

Este acuerdo resume la disyuntiva de la plataforma.

Amazon obtiene carga de trabajo sin controlar el modelo. Anthropic obtiene distribución sin conceder exclusividad a Amazon.

Los clientes obtienen opciones, pero aún pueden volverse dependientes de la orquestación, la seguridad y los servicios de datos específicos de Bedrock. La posibilidad de elegir modelo no elimina automáticamente la dependencia de una plataforma.

La relación de Amazon con OpenAI extiende la misma lógica. AWS puede alojar dos destacadas familias de modelos externos que compiten entre sí y con Nova.

Un minorista llamaría a esto espacio en los estantes. Un proveedor de nube lo llama acceso gestionado a modelos.

El valor estratégico proviene de agregar la demanda. Amazon no necesita predecir cada modelo ganador si los clientes prueban esos modelos dentro de Bedrock.

El enrutamiento de modelos refuerza aún más esta lógica. El software de enrutamiento selecciona un modelo para cada solicitud según factores como calidad, latencia, disponibilidad o coste.

Una solicitud compleja de programación podría dirigirse a un modelo de frontera. Una tarea básica de clasificación puede ir a un sistema más pequeño que utiliza menos recursos.

A medida que mejora el enrutamiento, la marca del modelo puede resultar menos visible para el usuario final. La plataforma de nube gana influencia porque controla la selección, la supervisión y la facturación.

Amazon no ha demostrado que este resultado sea inevitable. Algunos desarrolladores prefieren las API directas de los proveedores porque reciben antes las nuevas funciones.

Los proveedores también pueden reservar capacidades importantes para sus propias plataformas. Un catálogo de nube podría recibir un modelo más tarde o exponer menos controles.

Sin embargo, Amazon está bien posicionada para un mundo en el que las empresas utilizan varios modelos. Cuanto más fragmentado se vuelva el mercado de modelos, más útil será la agregación.

Google también se beneficia de la fragmentación mediante Vertex AI. Sin embargo, Google tiene un incentivo mayor para convertir Gemini en la inteligencia predeterminada en todos sus productos.

Esta diferencia define la narrativa de inversión de cada empresa.

Google busca valor mediante la integración vertical, es decir, controlando varias capas conectadas, desde los chips hasta los productos de consumo. Amazon busca valor mediante la orquestación sobre una base de proveedores más diversa.

Amazon sigue desarrollando modelos porque la neutralidad de la plataforma no puede significar dependencia técnica. Nova proporciona a AWS capacidad de negociación, experiencia interna, productos diferenciados y una alternativa cuando cambian las condiciones externas.

Por tanto, la reestructuración reportada de Nova no elimina la estrategia de modelos propios. Reduce la cartera a áreas en las que la propiedad podría generar una ventaja significativa.

Un nuevo modelo de frontera exitoso de Amazon fortalecería Bedrock. Un modelo decepcionante perjudicaría menos si la demanda de terceros siguiera creciendo.

Ese resultado asimétrico es el núcleo del enfoque de Amazon.

La ventaja de plataforma de Amazon tiene debilidades reales

Un catálogo amplio solo adquiere valor cuando los clientes reciben modelos actuales, funciones coherentes, migraciones fiables y una libertad creíble para salir.

La crítica más sólida a la estrategia de Amazon comienza por el momento de lanzamiento. Los desarrolladores de modelos suelen publicar primero sus funciones más recientes a través de servicios directos.

Por ello, un cliente de Bedrock puede enfrentarse a una elección difícil. El equipo puede conservar la gobernanza de AWS y esperar, o pasar a un proveedor directo para obtener acceso inmediato.

Ese retraso importa en el desarrollo competitivo de productos. Una nueva capacidad de razonamiento o un modelo de menor latencia puede afectar a la calidad de la aplicación y a la economía operativa.

La amplitud de modelos también puede ser superficial. Un catálogo que contiene muchos sistemas antiguos no equivale a uno que contiene las opciones actuales más relevantes.

La documentación de AWS proporciona fechas de ciclo de vida, pero los clientes siguen asumiendo el trabajo de migración cuando un modelo queda obsoleto. El comportamiento de los prompts, el formato de salida, las reglas de seguridad y el uso de herramientas pueden diferir entre los reemplazos.

Una API coherente reduce la fricción de integración. No hace que los distintos modelos se comporten de manera idéntica.

La retirada reportada de Nova acentúa esta preocupación. Las organizaciones que utilizan modelos de Amazon afectados necesitan calendarios claros y rutas de migración compatibles.

Amazon no ha proporcionado públicamente suficiente detalle para determinar las consecuencias para cada carga de trabajo de Nova. Por ello, la cobertura debe distinguir entre avisos confirmados de ciclo de vida e informes sobre estrategia interna.

Otro riesgo proviene de la concentración.

Amazon describe Bedrock como una plataforma multimodelo, pero sus relaciones más profundas se centran cada vez más en varios grandes proveedores con sede en Estados Unidos. Los acuerdos comerciales pueden determinar qué sistemas llegan primero y reciben la mejor integración.

Eso no convierte a Bedrock en una plataforma cerrada. Sí significa que su neutralidad debe evaluarse por la disponibilidad del producto, no por el lenguaje de marketing.

Los clientes deberían comparar el momento de lanzamiento, la disponibilidad regional, el soporte para personalización, los controles de seguridad y el acceso a funciones específicas de cada proveedor.

Google puede aprovechar cualquier debilidad en este ámbito. Si Gemini sigue siendo competitivo y Google Cloud ofrece una integración estrecha, los compradores podrían preferir una pila coherente antes que un catálogo con soporte desigual.

El impulso de Google en el segundo trimestre da peso a ese argumento. El crecimiento de su nube alcanzó el 82%, mientras que el uso de Gemini se expandió por los canales de consumidores y desarrolladores.

El crecimiento del 37% de AWS también fue considerable. Las cifras muestran que ambas estrategias de infraestructura atraen demanda, en vez de producir un ganador claro.

La intensidad de capital crea otra incertidumbre.

Los centros de datos de IA, los chips y la capacidad eléctrica requieren compromisos antes de que toda la demanda futura sea visible. Amazon aumentó su gasto tecnológico previsto después de sus últimos resultados.

Ese gasto también cubre proyectos fuera de la IA generativa, incluidos la robótica y los satélites. No debería tratarse como una medida pura de inversión en modelos.

La cuestión importante es si la utilización crece con suficiente rapidez para respaldar esos activos. La capacidad vacía puede presionar los rendimientos, mientras que la capacidad limitada puede enviar a los clientes a otros lugares.

Amazon afirma que la demanda sigue siendo fuerte. Sus negocios de IA y chips han alcanzado importantes ritmos de ejecución anualizados, y el crecimiento de AWS se aceleró durante varios trimestres consecutivos.

Estas cifras de la empresa respaldan la tesis de infraestructura. No establecen cuánto beneficio incremental produce cada carga de trabajo de IA después de la depreciación y los costes energéticos.

La misma preocupación se aplica a Google. El rápido crecimiento de la nube no elimina el coste de ampliar los centros de datos e implementar chips personalizados.

La adopción empresarial presenta un desafío diferente.

Las empresas suelen probar varios modelos sin llevar los experimentos exitosos a una producción amplia. Las revisiones de seguridad, las salidas poco fiables, la calidad de los datos y los retornos empresariales poco claros pueden frenar la implementación.

Bedrock obtiene más valor estratégico cuando los clientes superan la fase de experimentación. El volumen de tokens por sí solo no puede mostrar si las aplicaciones crean valor duradero para los clientes.

Los compradores deberían examinar evidencia a nivel de carga de trabajo. Los indicadores útiles incluyen el número de empleados que utilizan una aplicación, las tareas completadas, las tasas de error, el tiempo de revisión y las cargas de trabajo de producción retenidas.

Los trabajadores del conocimiento también necesitan continuidad cuando cambian los modelos. Las notas, el material fuente y las decisiones deberían seguir siendo accesibles fuera de cualquier asistente individual.

Una base de conocimiento de IA personal puede preservar ese contexto, aunque los sistemas empresariales requieren una gobernanza más amplia. El principio es el mismo: conservar el conocimiento duradero separado de una capa de modelos cambiante.

La regulación añade otra restricción. Las empresas que operan en distintas jurisdicciones necesitan controles sobre la ubicación, retención y acceso a los datos, así como sobre la evaluación de modelos.

Las plataformas de nube pueden simplificar esas tareas al centralizar las políticas. También pueden generar una mayor dependencia de las herramientas de cumplimiento y las condiciones contractuales de la plataforma.

El enfoque de Amazon solo triunfa si la agregación reduce más complejidad de la que crea.

Ese resultado no puede asumirse a partir del número de modelos disponibles. Debe reflejarse en implementaciones más rápidas, migraciones más sencillas, aplicaciones estables y una retención de clientes medible.

Qué observar en la carrera de IA entre Amazon y Google

La próxima etapa se decidirá por la adopción en producción, la disciplina en los lanzamientos de modelos y la economía de la infraestructura, no por un único gráfico de benchmarks.

La primera señal es el próximo lanzamiento de un modelo de frontera de Amazon.

Los informes sugieren que el grupo de investigación concentrado trabaja en un nuevo sistema insignia. Su lanzamiento mostrará si Amazon simplemente está reduciendo amplitud o reconstruyéndose alrededor de un centro técnico más sólido.

El rendimiento importa, pero la adopción importará más. Amazon necesita que los desarrolladores seleccionen el modelo para cargas de trabajo reales, no que simplemente lo prueben después de un anuncio.

Los detalles más reveladores incluirán las modalidades compatibles, el uso de herramientas, la latencia, la personalización, la disponibilidad regional y las opciones de migración para los usuarios existentes de Nova.

Una hoja de ruta clara fortalecería el argumento de Amazon. La incertidumbre continuada sobre las fechas de ciclo de vida de Nova lo debilitaría.

La segunda señal es el crecimiento relativo de la nube y la utilización de IA.

AWS creció un 37% en el último trimestre, mientras que Google Cloud creció un 82%. Estos porcentajes parten de bases de ingresos diferentes, por lo que no deberían tratarse como una puntuación directa de cuota de mercado.

Las futuras divulgaciones deberían mostrar si AWS mantiene su aceleración tras añadir más modelos externos. También deberían mostrar si Google convierte la distribución de Gemini en una demanda duradera de nube.

Las medidas más útiles incluirán clientes en producción, capacidad comprometida, uso de API de modelos, utilización de infraestructura y crecimiento de los servicios relacionados con la IA.

La tesis de Amazon se fortalece si los clientes utilizan varios proveedores de modelos mientras mantienen los datos y las operaciones de agentes dentro de AWS. Se debilita si las cargas de trabajo importantes pasan directamente a las empresas de modelos o a nubes competidoras.

La tesis de Google se fortalece si Gemini impulsa tanto la interacción de consumidores como la adopción empresarial de la nube. Se debilita si los clientes tratan Gemini como un modelo intercambiable más dentro de la plataforma de otra empresa.

La tercera señal es la paridad de lanzamientos entre los mercados de nube.

Amazon puede afirmar que ofrece una amplia elección, pero los desarrolladores juzgarán la rapidez con que llegan los principales modelos y funciones. También evaluarán si Bedrock expone los controles disponibles mediante API directas.

La llegada de OpenAI a Bedrock mejoró la posición de Amazon. Los lanzamientos continuados de Anthropic, Google y otros proveedores harían la plataforma más creíble.

Las actualizaciones retrasadas producirían el resultado contrario. Los desarrolladores no aceptarán brechas permanentes de funciones solo por disponer de un plano de control unificado.

Google afronta una prueba relacionada. Vertex AI debe ofrecer una elección genuina de modelos mientras Google continúa promocionando Gemini en todos sus productos.

Estas señales revelarán qué definición de apertura de plataforma sobrevive a la presión comercial.

Para los compradores empresariales, la respuesta inmediata debería ser práctica. Separen, cuando sea viable, la lógica de aplicación, los datos de la empresa, las evaluaciones y los permisos de cualquier modelo individual.

Prueben al menos dos modelos adecuados con las mismas tareas representativas. Midan la precisión, la latencia, los patrones de fallo, el esfuerzo de revisión y la complejidad operativa.

No seleccionen una plataforma basándose solo en su número de modelos. Comprueben el momento de lanzamiento, la portabilidad, el soporte regional, los controles de gobernanza y la calidad de la documentación de migración.

Los desarrolladores también deberían probar las API directas frente al acceso gestionado en la nube. La mejor opción puede variar según la carga de trabajo, las necesidades de cumplimiento y el ritmo esperado de cambio de los modelos.

Los trabajadores del conocimiento no necesitan seguir cada benchmark. Deben preocuparse por si sus herramientas preservan las fuentes, el contexto y los resultados cuando cambia el modelo subyacente.

La competencia entre Amazon y Google se está desplazando hacia esa capa duradera. Google quiere que Gemini se convierta en la inteligencia con la que las personas se encuentran en todas partes. Amazon quiere que AWS siga siendo el lugar donde las empresas operan con la inteligencia que elijan.

Ninguna de las dos vías garantiza el liderazgo. La distribución integrada de Google puede convertir las mejoras de los modelos en uso inmediato. La infraestructura neutral de Amazon puede monetizar la demanda sin predecir correctamente a cada modelo ganador.

La pregunta decisiva ahora es medible: cuando las empresas implementan IA a gran escala, ¿qué capa se vuelve más difícil de sustituir?

Observe dónde permanecen sus datos, dónde operan sus agentes y dónde los nuevos modelos están disponibles primero. Esas decisiones determinarán si la plataforma de Amazon demuestra ser más valiosa que poseer por sí sola el mejor modelo.