La rivalidad entre Anthropic y OpenAI pasa de mejores modelos a mejores datos

Anthropic y OpenAI afrontan una nueva prueba competitiva tras los reportes que vinculan a Anthropic con la adquisición de Decart, una startup de infraestructura de IA y modelos de mundo. Las conversaciones siguen sin confirmarse, pero acentúan un conflicto más amplio. Los laboratorios de frontera pueden seguir produciendo modelos mejores, pero desplegar esos sistemas de forma eficiente se ha convertido en un problema distinto.

La operación reportada daría a Anthropic tecnología diseñada para que las cargas de trabajo de entrenamiento e inferencia aprovechen el hardware de cómputo con mayor eficiencia. La inferencia es el proceso de ejecutar un modelo entrenado para responder solicitudes. Consume más recursos a medida que crece el uso, incluso después de que haya terminado la costosa ejecución inicial de entrenamiento.

Rudina Seseri, fundadora de Glasswing Ventures, planteó esta tensión durante una entrevista con Bloomberg sobre las conversaciones reportadas. Sostuvo que el éxito de empresas como Anthropic y OpenAI también revela su limitación: no son lo suficientemente eficientes. Su argumento más amplio no era que la investigación de modelos haya dejado de importar. Era que mejores datos, infraestructura y optimización de cargas de trabajo determinan ahora si la inteligencia de los modelos se convierte en un producto económicamente viable.

Esta distinción cambia la forma en que inversores, desarrolladores y compradores empresariales deberían interpretar el duelo entre Anthropic y OpenAI. La carrera visible gira en torno a puntuaciones de benchmarks, capacidad de programación, agentes y razonamiento. La carrera menos visible trata de cuánto trabajo útil puede extraer cada empresa de cada chip, conjunto de datos e interacción con clientes.

Las conversaciones reportadas con Decart sitúan la eficiencia en el centro

El reporte sobre Decart importa porque Anthropic parece interesada en controlar una mayor parte del sistema que sustenta Claude, no solo en mejorar el modelo en sí.

Según el reporte original sobre la adquisición, Anthropic ha conversado sobre la adquisición de Decart. Ninguna de las dos empresas había confirmado públicamente un acuerdo cerrado cuando apareció el reporte. Por tanto, las negociaciones deben tratarse como un reporte en curso, no como una transacción finalizada.

Decart describe su trabajo en dos áreas conectadas. La primera abarca modelos de mundo en tiempo real, que aprenden patrones que representan entornos y sus cambios. La segunda comprende software que optimiza cómo se ejecutan el entrenamiento y la inferencia de IA en el hardware de cómputo.

Su pila de infraestructura es la parte más estratégicamente relevante de la operación reportada. Decart afirma que esa pila ayuda a que los modelos de razonamiento y los agentes se ejecuten más rápido mientras aprovechan mejor los procesadores disponibles. La empresa también desarrolla sistemas de vídeo en tiempo real y para el mundo físico sobre esa base.

Esta combinación ofrece a Anthropic varias ventajas potenciales. Podría mejorar la eficiencia de las cargas de trabajo de Claude, reducir la dependencia de capas de software predeterminadas y acelerar los experimentos entre distintos procesadores. También podría acercar a Anthropic a decisiones de nivel de hardware que los desarrolladores de modelos suelen dejar en manos de fabricantes de chips y proveedores de nube.

Decart afirma que su infraestructura de IA admite tanto cargas de trabajo optimizadas como sistemas generativos en tiempo real. Estas afirmaciones no han recibido una validación independiente completa en despliegues a la escala de Anthropic. Aun así, la dirección del producto explica por qué una empresa de modelos de frontera investigaría el negocio.

Los modelos de mundo atraen atención porque extienden la IA generativa más allá del texto. Un modelo de mundo intenta representar cómo se comporta un entorno, permitiendo que un sistema prediga o genere su siguiente estado. Entre las aplicaciones potenciales se incluyen la robótica, los medios interactivos, la simulación y la generación de vídeo.

Sin embargo, Anthropic no necesita convertirse en una empresa de vídeo para que Decart sea relevante. La misma ingeniería utilizada para generar entornos cambiantes en tiempo real puede requerir un control estricto de la memoria, la latencia y la utilización de procesadores. Esas capacidades también importan cuando millones de usuarios recurren a modelos de lenguaje.

Por tanto, las conversaciones reportadas activan la tensión central del artículo. Anthropic construyó su posición mediante investigación de modelos de frontera y la adopción de Claude. Ese éxito genera mayores exigencias de infraestructura, haciendo de la eficiencia una condición para el crecimiento continuado en lugar de un objetivo secundario de ingeniería.

Un análisis independiente de la operación llegó a una conclusión similar. Sugirió que Decart podría ayudar a Anthropic a controlar los costes de cómputo y acercarse al territorio técnico ocupado por grandes proveedores de chips.

El resultado sigue siendo incierto. Anthropic podría cerrar un acuerdo, buscar una alianza o desistir. Sin embargo, el interés reportado ya revela lo que la empresa considera estratégicamente escaso: conocimiento de infraestructura que convierte una inteligencia costosa en capacidad utilizable.

La competencia entre Anthropic y OpenAI se ha desplazado por debajo del modelo

La competencia entre Anthropic y OpenAI ahora se extiende desde la calidad de los modelos hasta las canalizaciones de datos, la economía de la inferencia, la utilización del hardware y los ciclos de retroalimentación del producto.

Las empresas de IA de frontera antes comunicaban sus avances principalmente mediante ejecuciones de entrenamiento más grandes y mejores resultados en benchmarks. Esos indicadores siguen importando. Ya no describen todo el sistema competitivo.

Un modelo puede liderar una evaluación y, aun así, resultar difícil de desplegar de forma rentable. También puede rendir bien en pruebas públicas, pero tener dificultades con información empresarial ruidosa, flujos de trabajo largos o solicitudes de usuarios desconocidas. Unos mejores pesos de modelo no resuelven automáticamente esos problemas.

La presión proviene del uso. Una ejecución de entrenamiento ocurre durante el desarrollo del modelo, pero la inferencia sucede cada vez que un cliente envía un prompt o un agente realiza una acción. Por ello, una mayor adopción produce una mayor demanda recurrente de procesadores, memoria, redes y electricidad.

Los modelos de razonamiento intensifican ese desafío porque pueden generar muchos tokens intermedios antes de devolver una respuesta final. Los productos agénticos añaden llamadas a herramientas, reintentos, recuperación de documentos y pasos de verificación. Una única solicitud visible puede iniciar una carga de trabajo oculta mucho mayor.

Eso sitúa la economía unitaria en el centro de la rivalidad entre Anthropic y OpenAI. La economía unitaria mide los ingresos y costes asociados a atender una unidad de demanda. Para las empresas de IA, la unidad relevante puede ser un token, una tarea completada, una sesión de programación o un flujo de trabajo de cliente.

Un proveedor eficiente puede atender más trabajo con la capacidad existente. También puede ofrecer respuestas más rápidas, admitir tareas más largas o reservar los modelos costosos para las solicitudes que los necesitan. Estas decisiones de producto afectan a la experiencia de usuario tan directamente como las mejoras en benchmarks.

OpenAI ha descrito públicamente la eficiencia como un problema de nivel sistémico. Su reciente estrategia de infraestructura sostiene que la economía depende de algo más que centros de datos adicionales o el diseño de modelos. El hardware, la utilización, el enrutamiento y las decisiones de producto también determinan el rendimiento de los recursos de cómputo.

Anthropic se enfrenta a la misma ecuación. La fortaleza de Claude en programación y flujos de trabajo empresariales puede atraer a usuarios exigentes cuyas sesiones involucran grandes repositorios, contextos extensos y llamadas repetidas a herramientas. Estos clientes generan una demanda valiosa, pero también crean cargas de infraestructura complejas.

Esto explica la observación de Seseri de que el éxito se convierte en una limitación. Una empresa de modelos populares no puede tratar la eficiencia como una optimización de laboratorio. Debe atender una demanda creciente mientras mantiene la calidad de las respuestas, la fiabilidad, la seguridad y una latencia aceptable.

La respuesta forzada es la integración vertical. Esta expresión describe que una empresa toma el control de más capas de su cadena de suministro. En este caso, las capas incluyen investigación de modelos, datos de entrenamiento, software de inferencia, capacidad de nube y, potencialmente, diseño de procesadores.

OpenAI ha buscado alianzas amplias de infraestructura y cada vez se presenta más como una plataforma que abarca modelos, productos y capacidad de cómputo. Anthropic mantiene relaciones profundas con grandes proveedores de nube mientras continúa desarrollando sus propias capas de modelos y productos.

Una operación con Decart no eliminaría la dependencia de Anthropic de infraestructura externa. El entrenamiento de frontera y la inferencia a gran escala siguen requiriendo amplias instalaciones, procesadores y energía. En cambio, daría a Anthropic otra forma de optimizar lo que ocurre después de recibir esa capacidad.

Esta distinción importa para los compradores empresariales. No deberían asumir que el proveedor con el modelo más grande o el lanzamiento más reciente siempre ofrecerá el mejor resultado operativo. La fiabilidad, la latencia, el anclaje en datos y el coste total del flujo de trabajo pueden importar más que una pequeña ventaja en benchmarks.

Los desarrolladores ya se encuentran con esta disyuntiva al elegir modelos para aplicaciones. El modelo más potente puede ser innecesario para solicitudes de clasificación, extracción o soporte rutinario. Enrutar el trabajo simple a sistemas más pequeños puede mejorar la velocidad y reducir el uso de recursos sin perjudicar los resultados.

Los laboratorios líderes afrontan, por tanto, presión desde dos direcciones. Deben seguir impulsando la capacidad de frontera mientras igualan a sistemas más baratos en eficiencia práctica. Quedarse atrás en cualquiera de los dos frentes puede debilitar todo el producto.

Mejores datos pueden superar otra ronda de escalado

La inversión central es que una mayor potencia de cómputo genera un valor empresarial decreciente cuando los datos de entrenamiento y recuperación aportan señales débiles.

“Mejores datos” no significa simplemente recopilar más documentos. Significa seleccionar información que enseñe comportamientos útiles, cubra casos difíciles y refleje las tareas que un sistema realmente realizará. También implica eliminar duplicaciones, errores, spam y patrones engañosos.

Los datos de entrenamiento moldean un modelo antes de su despliegue. Los datos de posentrenamiento enseñan después al modelo a seguir instrucciones, aplicar preferencias, utilizar herramientas y evitar comportamientos inseguros. Los datos de evaluación ayudan a los desarrolladores a determinar si esas intervenciones funcionan más allá de un benchmark limitado.

OpenAI afirma que sus modelos fundacionales utilizan información disponible públicamente, material bajo licencia o asociado, e información creada por usuarios, entrenadores e investigadores. Su resumen de datos de entrenamiento también identifica los datos sintéticos como parte del desarrollo de modelos.

Los datos sintéticos son información generada por otro modelo o simulación, en lugar de recopilada directamente de personas o del mundo físico. Pueden proporcionar ejemplos específicos para tareas poco frecuentes, casos de seguridad o razonamiento estructurado. También pueden reproducir errores ocultos si los desarrolladores carecen de filtros y evaluaciones sólidos.

Anthropic también depende de una amplia investigación en posentrenamiento y seguridad. Su desafío competitivo no consiste simplemente en adquirir un corpus mayor que el de OpenAI. La empresa necesita datos que mejoren el rendimiento de Claude en flujos de trabajo valiosos sin introducir comportamientos frágiles ni costes de servicio excesivos.

Eso cambia el significado de la escala. Las leyes de escalado tradicionales vinculaban un mejor rendimiento con más datos, parámetros de modelo y potencia de cómputo. La siguiente fase pregunta si los laboratorios pueden obtener más aprendizaje de cada ejemplo y más trabajo útil de cada token generado.

La calidad de los datos se vuelve especialmente importante cuando los modelos se acercan a la saturación en benchmarks públicos conocidos. Ejemplos adicionales de la misma distribución pueden producir menos mejoras. Tareas diseñadas cuidadosamente, retroalimentación de expertos y casos adversariales pueden revelar debilidades que el volumen por sí solo oculta.

Las aplicaciones empresariales hacen que este problema sea concreto. Un modelo general puede conocer la terminología contable estándar, pero carecer de acceso a los contratos actuales y las políticas internas de una empresa. Conectar ese modelo con información confiable y con permisos suele mejorar las respuestas más que sustituirlo por un modelo ligeramente más reciente.

La generación aumentada por recuperación aborda esta brecha al incorporar documentos relevantes en el contexto del modelo durante una solicitud. El modelo no necesita memorizar cada dato cambiante durante el entrenamiento. En su lugar, recibe evidencia seleccionada al producir una respuesta.

Este enfoque introduce su propio problema de datos. Una recuperación deficiente puede mostrar pasajes obsoletos, duplicados o irrelevantes. Un modelo capaz podría entonces producir una respuesta segura a partir de evidencia débil.

Por ello, las organizaciones necesitan sistemas de información limpios junto con modelos capaces. Una base de conocimiento de IA con capacidad de búsqueda puede ayudar a los trabajadores a organizar el material fuente antes de que un asistente lo utilice. El modelo sigue siendo importante, pero la calidad de la información marca el límite del trabajo fundamentado.

Mejores datos también incluyen comentarios procedentes del uso real. Cuando los usuarios rechazan respuestas, corrigen código generado o abandonan un agente a mitad de camino, esos resultados revelan debilidades del producto. Los laboratorios pueden convertir esa evidencia en evaluaciones y futuros ejemplos de entrenamiento.

Este ciclo de retroalimentación beneficia a los grandes proveedores porque atienden muchas interacciones. También puede convertirse en una limitación. La actividad bruta de los usuarios no es automáticamente material de entrenamiento de alta calidad, y los controles de privacidad restringen cómo pueden utilizarla los proveedores.

El proveedor debe distinguir los resultados exitosos de los que solo parecen plausibles superficialmente. Un agente de programación que produce texto aceptado aún puede introducir un defecto oculto. Un asistente de soporte puede satisfacer a un usuario mientras incumple silenciosamente una política.

Por tanto, los datos de alta calidad requieren criterio, etiquetado e infraestructura de evaluación. No pueden reducirse a recopilar más prompts. El mejor proceso conecta fallos reales con pruebas representativas y luego utiliza esas pruebas para orientar el entrenamiento y los cambios de producto.

Este mecanismo explica por qué los datos y la eficiencia se refuerzan mutuamente. Mejores ejemplos pueden ayudar a modelos más pequeños a resolver tareas rutinarias. Un mejor enrutamiento puede enviar solo las solicitudes difíciles a sistemas de frontera costosos. Mejores evaluaciones pueden evitar que los equipos gasten capacidad de cómputo en cambios que mejoran una puntuación destacada sin mejorar los resultados para los clientes.

También explica por qué la infraestructura de Decart podría complementar la investigación de modelos de Anthropic. Experimentos más rápidos permiten a los investigadores probar antes mezclas de datos e intervenciones de entrenamiento. Una inferencia más eficiente genera más capacidad para evaluaciones, agentes y tareas de larga duración.

La ventaja competitiva no provendría solo de los datos. Procedería de un ciclo cerrado que conecte la selección de datos, el comportamiento del modelo, la evaluación, la optimización de cargas de trabajo y los resultados de los usuarios. Tanto Anthropic como OpenAI están trabajando hacia versiones de ese ciclo.

Una IA más barata no demuestra la tesis de los datos

La eficiencia está mejorando rápidamente, pero la evidencia pública aún no puede aislar cuánto del progreso proviene de mejores datos, modelos más pequeños, hardware, software o márgenes más bajos.

El respaldo más sólido de un cambio en la eficiencia aparece en la disminución de los costes de inferencia. El AI Index 2025 de Stanford concluyó que el coste de alcanzar un rendimiento equivalente al de GPT-3.5 en un benchmark cayó más de 280 veces entre finales de 2022 y finales de 2024.

El mismo análisis de costes de IA concluyó que modelos mucho más pequeños alcanzaron umbrales de rendimiento antes asociados a sistemas enormemente más grandes. Estos resultados muestran que una capacidad útil puede volverse más barata y compacta con el tiempo.

No demuestran que mejores datos de entrenamiento causaran la mejora. Nuevas generaciones de procesadores, cuantización, cambios en la arquitectura de los modelos, destilación, competencia y menores márgenes de los proveedores pueden reducir los precios. Las divulgaciones públicas rara vez revelan la contribución exacta de cada factor.

La cuantización reduce la precisión numérica utilizada para almacenar o ejecutar un modelo. La destilación entrena un modelo más pequeño para reproducir comportamientos seleccionados de un sistema más grande. Ambas pueden reducir los requisitos de recursos sin cambiar el corpus de entrenamiento subyacente.

Los benchmarks crean otra incertidumbre. Un sistema puede mejorar porque los desarrolladores lo entrenaron, directa o indirectamente, con ejemplos similares. Luego podría tener dificultades cuando los clientes presentan tareas desconocidas, documentos desordenados o condiciones cambiantes.

Por eso las afirmaciones sobre datos superiores necesitan un tratamiento cuidadoso. Anthropic y OpenAI divulgan categorías de información de entrenamiento, pero ninguna publica una receta completa para los modelos de frontera. Los observadores externos no pueden comparar directamente la calidad de los conjuntos de datos, el filtrado, los métodos de datos sintéticos ni la cobertura de las evaluaciones.

El informe de Decart presenta una brecha de verificación similar. Decart describe software que extrae más rendimiento del hardware informático. Las demostraciones públicas de entornos generados en tiempo real muestran ambiciones de baja latencia, pero no establecen resultados dentro de la infraestructura de producción de Anthropic.

El riesgo de integración seguiría presente incluso después de una adquisición completada. El software de infraestructura interactúa con controladores de hardware, arquitecturas de modelos, planificadores de nube y sistemas de fiabilidad. Una optimización que funciona para una carga de trabajo puede rendir de manera diferente a otra escala.

Los modelos de mundo añaden ambigüedad estratégica. Podrían volverse importantes para la robótica, la simulación y los medios interactivos. También podrían distraer a Anthropic del mercado más fuerte de Claude si la empresa los trata como una carrera de modelos independiente.

La interpretación más coherente se centra en la infraestructura. La optimización de cargas de trabajo de Decart está directamente conectada con las limitaciones de servicio de Anthropic. Sus productos de modelos de mundo muestran lo que esa infraestructura puede respaldar, pero no deberían sustituir la tesis de eficiencia del artículo.

También existe un problema de respuesta competitiva. OpenAI, Google, Meta, los proveedores de nube y las empresas de chips no están quietos. Cada uno puede mejorar compiladores, enrutamiento, modelos más pequeños, procesadores personalizados o canalizaciones de datos.

Google tiene una posición especialmente sólida en modelos, chips personalizados, infraestructura en la nube, datos de búsqueda y productos de consumo. OpenAI cuenta con retroalimentación de productos a gran escala y amplias asociaciones de infraestructura. Meta puede usar modelos abiertos y sus plataformas de consumo para distribuir mejoras ampliamente.

Anthropic aún tendría que demostrar que una propiedad más profunda de la infraestructura crea beneficios medibles. Los indicadores relevantes incluyen latencia, disponibilidad de los modelos, producción útil por unidad de cómputo y la calidad de los agentes que completan tareas largas.

Los compradores también deberían evitar equiparar precios más bajos de los modelos con costes más bajos de los flujos de trabajo. Un modelo económico que necesita correcciones repetidas puede costar más que un modelo capaz que completa la tarea una sola vez. El tiempo de revisión humana debe incluirse en el cálculo.

La misma cautela se aplica a los datos. Un gran corpus privado puede ser valioso, pero solo cuando está actualizado, permitido, es consultable y relevante. Más información propietaria no equivale automáticamente a mejor información.

La seguridad y la gobernanza complican aún más la estrategia. Entrenar o recuperar datos sensibles crea obligaciones relacionadas con el consentimiento, el control de acceso, la eliminación y la auditabilidad. Un conjunto de datos de alta calidad que no puede utilizarse de forma legal o segura tiene un valor operativo limitado.

Los datos sintéticos conllevan un riesgo distinto. Los modelos pueden amplificar sus propios hábitos estilísticos y errores cuando los ejemplos generados dominan una canalización. Los desarrolladores necesitan evaluaciones independientes y evidencia del mundo real para detectar ese ciclo de retroalimentación.

Estas limitaciones no invalidan el argumento de Seseri. Lo afinan. Mejores datos e infraestructura importan porque la escala bruta es insuficiente, no porque la investigación de modelos o el cómputo hayan dejado de ser necesarios.

La evidencia decisiva debe proceder del rendimiento desplegado. Si Anthropic atiende cargas de trabajo de Claude más exigentes con menor latencia y menos fallos, la estrategia de eficiencia ganará credibilidad. Si los beneficios permanecen limitados a demostraciones o afirmaciones internas, la tesis se debilita.

Tres señales pondrán a prueba la estrategia de mejores datos

La próxima etapa de la competencia entre Anthropic y OpenAI se juzgará mediante evidencia operativa, no otra ronda de gráficos promocionales de benchmarks.

La primera señal es el estado y el propósito declarado de la operación reportada de Decart. Un acuerdo completado confirmaría que Anthropic desea poseer directamente tecnología de optimización. Una asociación podría indicar interés sin los riesgos de una integración total.

El detalle más importante sería cómo Anthropic despliega a los ingenieros y el software de Decart. Una ubicación cerca de la inferencia de Claude, los sistemas de entrenamiento o la estrategia de hardware reforzaría la interpretación de eficiencia. Un enfoque en productos multimedia independientes la debilitaría.

Los lectores deberían buscar cambios medibles después de cualquier acuerdo. Respuestas más rápidas de Claude, mayor disponibilidad durante picos de demanda o agentes más capaces que operen con límites de recursos similares conectarían la estrategia corporativa con los resultados del producto.

La segunda señal es la eficiencia a nivel de producto en Anthropic y OpenAI. Los nuevos modelos deberían evaluarse a un nivel de capacidad fijo, no solo frente al benchmark más potente disponible. La pregunta es con qué coste y fiabilidad completa cada proveedor un trabajo comparable.

El enrutamiento de modelos formará parte de esa evidencia. Un proveedor puede reducir costes asignando solicitudes rutinarias a sistemas más pequeños y escalando las tareas difíciles. Un enrutamiento exitoso debe preservar la precisión mientras evita llamadas innecesarias a modelos de frontera.

Los agentes de larga duración ofrecen una prueba exigente. Combinan razonamiento, recuperación, uso de herramientas y verificación repetida. Las pequeñas ineficiencias se acumulan en cada paso, lo que hace que las tasas de finalización de los agentes sean más informativas que las respuestas aisladas de chat.

Los desarrolladores deberían observar la latencia y la fiabilidad junto con la calidad del modelo. Un sistema de programación que razona bien pero agota el tiempo de espera repetidamente no crea un flujo de trabajo eficiente. Un modelo más rápido que introduce más defectos tampoco supera la prueba.

La adopción empresarial proporciona otra señal útil. Los compradores ampliarán el uso cuando los sistemas de IA ofrezcan valor predecible dentro de las restricciones de gobernanza y presupuesto. Los anuncios de pilotos importan menos que el uso recurrente en procesos empresariales reales.

La tercera señal es una mayor divulgación sobre los datos de entrenamiento y las evaluaciones. Es poco probable una transparencia completa porque los laboratorios tratan las mezclas de datos y los métodos de optimización como activos competitivos. Aun así, informes más específicos podrían mejorar la evaluación externa.

Las divulgaciones útiles describirían cómo las empresas prueban los datos sintéticos, evitan la contaminación de benchmarks y evalúan tareas desconocidas. Los informes también deberían distinguir las mejoras procedentes de cambios en los modelos, sistemas de recuperación y enrutamiento en la capa de producto.

OpenAI y Anthropic tienen motivos para mantener privados estos detalles. Revelar una receta de datos de alto valor podría ayudar a los competidores a reproducirla. Sin embargo, las afirmaciones vagas dificultan que los clientes evalúen la fiabilidad y el riesgo.

Las evaluaciones independientes pueden reducir esa brecha. Deberían utilizar conjuntos de pruebas privados, flujos de trabajo realistas y medidas basadas en resultados. También deberían informar sobre la variabilidad en lugar de presentar una puntuación media como un juicio completo.

Estas tres señales siguen un orden claro. Primero, observe si Anthropic convierte el interés reportado en un compromiso de infraestructura. Segundo, examine si ese compromiso cambia la economía y la fiabilidad del producto. Tercero, exija evidencia que explique de dónde proceden las mejoras.

Un acuerdo completado sin mejoras de producto debilitaría la estrategia. Una mejor economía de Claude sin un acuerdo mostraría que Anthropic encontró otra vía. Divulgaciones sólidas sobre datos y evaluaciones facilitarían interpretar cualquiera de los dos resultados.

Para los desarrolladores, la respuesta práctica es comparar flujos de trabajo, no marcas. Prueben tareas representativas, midan los reintentos e incluyan el tiempo de revisión. Mantengan limpias las fuentes de recuperación y registren dónde fallan las respuestas generadas.

Los compradores empresariales deberían preguntar a los proveedores cómo utilizan los modelos la información de la empresa, con qué frecuencia se actualizan los índices de recuperación y cómo se aplican los controles de acceso. También deberían comparar los costes totales de finalización de tareas, en lugar de limitarse a las tarifas publicadas por token.

Los trabajadores del conocimiento se enfrentan a una elección similar. Un modelo más reciente puede ayudar, pero la calidad de los documentos que se le proporcionan suele determinar la respuesta. Organizar un contexto fiable sigue siendo valioso incluso a medida que mejoran los modelos de frontera.

Anthropic y OpenAI seguirán lanzando mejores modelos. La competencia más decisiva ahora se centra en qué empresa convierte la inteligencia en trabajo fiable y asequible. Sigan las conversaciones de Decart, la eficiencia desplegada y las divulgaciones de datos. En conjunto, esas señales mostrarán si unos mejores datos e infraestructura realmente superan otro ciclo de escalado.