AT&T reduce los costes de IA un 90 % con enrutamiento de modelos y modelos abiertos
AT&T afirma haber reducido algunos costes de inteligencia artificial hasta en un 90 %, pese a procesar una media de 45.000 millones de tokens diarios. La afirmación que llega a los lectores de Google News es llamativa, pero el mecanismo importa más que el porcentaje del titular.
La empresa no encontró un único modelo más barato que pudiera sustituir a todos los sistemas prémium. Construyó una pasarela que selecciona distintos modelos según la dificultad esperada, la velocidad, la calidad y el coste de cada solicitud.
Este enfoque cuestiona la suposición de que las empresas deban estandarizarse en un único modelo de frontera de OpenAI, Anthropic, Google u otro gran proveedor. AT&T combina en su lugar sistemas comerciales con modelos abiertos más pequeños entrenados para tareas de telecomunicaciones.
La estrategia plantea una disyuntiva clara. La elección de modelos puede reducir el gasto en inferencia y la dependencia de un único proveedor. También crea una capa operativa compleja que debe evaluar calidad, seguridad, latencia y fallos en numerosos sistemas.
Los resultados de AT&T siguen siendo cifras comunicadas por la propia empresa, y la evidencia pública no ofrece una auditoría independiente completa. Aun así, su escala hace que esto sea algo más que otro experimento corporativo de IA.
AT&T puso su enrutador de modelos en producción
El cambio importante de AT&T no consiste simplemente en adoptar modelos abiertos. Colocó la selección de modelos entre los empleados, las aplicaciones y los modelos que responden a sus solicitudes.
Andy Markus, director de Datos e IA de AT&T, describió la estrategia en una publicación de la empresa del 23 de julio sobre su economía de IA. La compañía procesa una media de 45.000 millones de tokens diarios, según esa actualización sobre costes de IA.
Un token es una pequeña unidad de texto o datos procesada por un modelo. El volumen de tokens se convierte en una medida operativa útil porque la mayoría de los servicios de IA alojados cobran según el consumo de entradas y salidas.
Enviar todos los tokens al modelo más capaz sería sencillo. También desperdiciaría una costosa capacidad de razonamiento en tareas rutinarias de extracción, clasificación, resumen y preparación de datos.
La pasarela de IA propietaria de AT&T intenta evitar ese desperdicio. La pasarela utiliza enrutamiento consciente de caché, que considera si ya existe información reutilizable antes de elegir un modelo.
En cada turno, el sistema sopesa la calidad esperada de la respuesta frente a la velocidad y el coste. También puede cambiar de modelo durante una conversación de varios turnos, en vez de mantener toda la sesión con un único proveedor.
Esa capacidad de cambio a mitad de sesión es importante. Una conversación puede empezar con una consulta básica, pasar a un análisis especializado de red y terminar con una recomendación compleja.
Una asignación estática trataría esos pasos como una sola carga de trabajo. El enrutamiento dinámico puede enviarlos a sistemas distintos según sus requisitos.
AT&T afirma que este proceso ha reducido los costes de IA pertinentes hasta en un 90 % y que ya ahorra millones. Estas declaraciones describen uso en producción, no una prueba de laboratorio.
Sin embargo, AT&T no ha proporcionado públicamente el denominador de la cifra del 90 %. Tampoco ha revelado qué proporción del tráfico recibe la reducción máxima ni una comparación detallada de calidad.
Por tanto, la afirmación debe interpretarse como un resultado máximo comunicado por la empresa. No debe considerarse un ahorro garantizado para cada aplicación o empresa.
Incluso con esa limitación, el volumen divulgado da peso al resultado. Pequeñas mejoras en el enrutamiento se acumulan cuando una empresa procesa decenas de miles de millones de tokens cada día.
El sistema también refleja decisiones arquitectónicas anteriores de AT&T. Ask AT&T dependía inicialmente de tecnología de OpenAI, pero la operadora lo diseñó para admitir algoritmos de otras empresas.
Esa flexibilidad quedó patente cuando se lanzó Ask AT&T en 2023. El asistente interno admitía programación, atención al cliente, traducción, búsqueda de documentos, optimización de redes y trabajo con software heredado.
La pasarela actual de AT&T convierte esa opcionalidad en una política operativa. Las aplicaciones ya no necesitan tomar de forma independiente cada decisión sobre modelos.
La pasarela se convierte en un punto de control para el enrutamiento, la caché, la medición y la gobernanza. Puede aplicar reglas coherentes incluso cuando los proveedores lanzan nuevos modelos o cambian sus condiciones de servicio.
Por eso la historia que aparece a través de Google News es más amplia que un anuncio de recorte de costes. AT&T trata la selección de modelos como infraestructura empresarial, en lugar de como una configuración de aplicación.
Por qué el enrutamiento de modelos cambia la economía de la IA empresarial
El enrutador desplaza la competencia de encontrar un único modelo universalmente superior a encontrar el modelo menos costoso que cumpla los requisitos de cada tarea.
La adopción de IA empresarial suele comenzar con un patrón directo. Un equipo elige un modelo alojado líder, conecta información de la empresa y amplía el acceso tras un piloto exitoso.
Los costes se vuelven más difíciles de predecir cuando el uso va más allá de empleados que realizan preguntas ocasionales. Los flujos de trabajo automatizados pueden generar prompts repetidos, contextos extensos, llamadas a herramientas, reintentos y resultados intermedios.
Los agentes aumentan esa presión porque una solicitud de usuario puede activar muchas llamadas a modelos. Un flujo de trabajo podría recuperar registros, clasificar documentos, crear un plan, llamar a herramientas de software, revisar resultados y corregir su respuesta.
El usuario ve una tarea completada. La empresa paga por cada paso necesario para producirla.
El enrutador de AT&T aborda este problema antes de que se produzca el consumo. Intenta seleccionar el modelo adecuado en cada turno en vez de analizar el gasto excesivo después de recibir una factura.
Esto es comparable a asignar trabajo entre un equipo mixto. Las solicitudes rutinarias no siempre requieren al especialista más cualificado, mientras que las decisiones difíciles siguen justificando una escalada.
La analogía tiene límites porque un enrutador debe emitir ese juicio automáticamente. Una decisión errónea puede producir una respuesta deficiente antes de que alguien detecte que se necesitaba un modelo más potente.
AT&T afirma que su pasarela estima la calidad esperada de la salida junto con el coste y la velocidad. Ese umbral de calidad es el componente central, aunque el porcentaje de ahorro atraiga más atención.
Un enrutamiento basado solo en costes favorecería de forma sistemática al modelo más pequeño disponible. El enrutamiento en producción debe identificar, en cambio, la opción de menor coste que siga siendo aceptable para una tarea concreta.
El sistema resultante puede otorgar a las empresas mayor poder de negociación. Una compañía que puede trasladar cargas de trabajo entre proveedores afronta menos presión para aceptar las limitaciones técnicas o las condiciones comerciales de un único vendedor.
La estrategia también cambia la forma en que se construyen las aplicaciones. Los desarrolladores pueden solicitar una capacidad o nivel de servicio sin vincular permanentemente cada función a un solo modelo.
Esta abstracción puede acortar futuras migraciones. También puede permitir a los equipos evaluar un nuevo modelo frente a categorías de cargas de trabajo reales antes de concederle un acceso más amplio.
El enfoque de AT&T sitúa a los modelos de frontera en un papel más limitado. Se convierten en objetivos de escalada para solicitudes intensivas en razonamiento, en vez de ser los motores predeterminados para cada interacción.
Esto no significa que los sistemas de frontera pierdan su valor. Significa que su valor debe corresponderse con trabajos que los modelos más pequeños no puedan completar de forma fiable.
Observadores independientes consideran que este enfoque forma parte de un patrón empresarial más amplio. Roy Chua, director de AvidThink, dijo a Mobile World Live que las empresas líderes utilizan pasarelas de enrutamiento para controles de costes, seguridad, caché y auditoría.
Scott Raynovich, fundador de Futuriom, sostuvo que los modelos abiertos pueden respaldar datos empresariales propietarios sin dejar a las compañías dependientes de los sistemas de frontera más caros.
Esos comentarios respaldan la arquitectura, pero no validan de forma independiente el ahorro comunicado por AT&T. La distinción importa porque la arquitectura y los resultados empresariales medidos son cuestiones separadas.
El enrutador también concentra autoridad. Quien controla la pasarela determina qué modelos reciben tráfico, qué umbrales de calidad se aplican y cómo se gestionan los fallos.
Esa posición se está volviendo estratégicamente valiosa. Los proveedores de modelos compiten por la inteligencia, mientras que las capas de enrutamiento observan la demanda entre aplicaciones y proveedores.
Un enrutador puede aprender qué modelo funciona bien para programación, atención al cliente, estándares de telecomunicaciones, análisis de fraude o extracción de documentos. Ese historial de rendimiento se convierte en datos operativos útiles.
Para los compradores empresariales, la lección es práctica. Los benchmarks de modelos por sí solos no pueden explicar la economía de un programa de IA en producción.
La composición de las cargas de trabajo importa igual. Una organización necesita saber qué tareas son comunes, cuáles son caras y cuáles realmente requieren razonamiento de nivel frontera.
Los equipos también necesitan criterios de evaluación trazables. Sin ellos, el enrutamiento puede convertirse en un mecanismo opaco que intercambia silenciosamente calidad de respuesta por un menor consumo.
Un flujo de trabajo de IA con capacidad de búsqueda puede ayudar a los equipos a conservar decisiones, pruebas y resultados. Ese registro cobra más importancia cuando varios modelos contribuyen a un mismo proceso.
La cobertura de Google News puede hacer que la cifra del 90 % parezca un único avance técnico. El método real de AT&T es una disciplina continua que incluye clasificación, evaluación, caché y medición de cargas de trabajo.
Los modelos abiertos para telecomunicaciones dan a AT&T otra palanca de costes
El enrutamiento reduce el consumo innecesario, mientras que los modelos abiertos específicos del dominio ofrecen al enrutador opciones más baratas que comprenden la terminología y las operaciones de telecomunicaciones.
AT&T combinó su pasarela con OTel 2.0, una familia de modelos abiertos adaptados para telecomunicaciones. La empresa desarrolló los modelos con datos del sector y una combinación de plataformas informáticas.
Un modelo específico del dominio se entrena o adapta para un campo delimitado, en lugar de para conversación general. Su enfoque más restringido puede mejorar el rendimiento con vocabulario especializado, documentos y preguntas operativas.
Las telecomunicaciones constituyen una prueba exigente. Los modelos pueden necesitar interpretar estándares técnicos, topología de red, telemetría de equipos, configuraciones de radio y sistemas de múltiples proveedores.
Un modelo general puede abordar estos temas de forma amplia. Aun así, puede carecer de la precisión necesaria para las operaciones de red, donde una respuesta plausible pero incorrecta puede tener consecuencias graves.
GSMA Intelligence sostiene que los modelos adaptados al dominio pueden ser más pequeños y seguir siendo competitivos en tareas de telecomunicaciones. Su análisis de OTel presenta la estrategia de AT&T como una alternativa a enrutar cada solicitud a través de un modelo general de frontera.
AT&T afirma que realizó posentrenamiento de OTel 2.0 utilizando más de 400.000 millones de tokens en GPU de AMD. El flujo de desarrollo más amplio procesó aproximadamente un billón de tokens.
Microsoft afirma que AT&T utilizó unas 530 GPU mediante Foundry Managed Compute. Ese total incluía 430 GPU AMD Instinct MI300X y varias arquitecturas de hardware.
La canalización de desarrollo de modelos también distribuyó el trabajo entre varios modelos abiertos. Phi-4 de Microsoft se encargó de la preparación de datos y la generación de datos sintéticos, procesando más de 700.000 millones de tokens al mes.
Otros modelos respaldaron tareas de razonamiento y desarrollo. Esto refleja la filosofía de la pasarela de producción: un modelo no necesita dominar cada etapa.
Microsoft afirma que la generación de datos con modelos abiertos ahorró decenas de millones frente al uso de modelos de frontera para el mismo trabajo de desarrollo. Se trata de una comparación comunicada por un socio, no de una auditoría financiera neutral.
Aun así, la cuenta de Microsoft ofrece detalles técnicos que van más allá del anuncio más breve de AT&T. Muestra que la elección del modelo y la del hardware se trataron como decisiones relacionadas.
Los modelos abiertos pueden ejecutarse en infraestructura dedicada, en lugar de hacerlo únicamente a través de una interfaz de programación de aplicaciones controlada por un proveedor. Por lo tanto, las empresas pueden evaluar distintas combinaciones de modelos, aceleradores, nubes y sistemas locales.
Esa flexibilidad respalda el interés declarado de AT&T en la soberanía. En este contexto, soberanía significa controlar los flujos de datos, las decisiones de despliegue y las dependencias de proveedores.
No significa que AT&T haya eliminado la tecnología externa. El proyecto utiliza infraestructura de Microsoft, hardware de AMD, datos de GSMA y modelos subyacentes creados en otros lugares.
La estrategia se entiende mejor como una dependencia diversificada. AT&T intenta evitar que un único modelo, proveedor de chips, nube o entorno de desarrollo se vuelva irremplazable.
Esa posición puede mejorar el poder de negociación. Si la empresa demuestra resultados comparables en varias plataformas, cambiar de proveedor se vuelve más creíble durante las conversaciones de contratación.
Los modelos abiertos también permiten una adaptación al dominio más profunda. AT&T puede entrenar con material de telecomunicaciones aprobado y ajustar la evaluación en torno a tareas específicas de red.
GSMA afirma que el material fuente inicial incluía normas y documentos del sector. Entre los colaboradores había organismos y proyectos dedicados a redes de radio, interfaces, API y operaciones de telecomunicaciones.
La familia de modelos también está destinada a un uso más amplio en la industria. Poner el resultado a disposición de otros puede fomentar pruebas compartidas, extensiones y aplicaciones especializadas.
Sin embargo, “código abierto” requiere una interpretación cuidadosa en IA. Una publicación puede proporcionar pesos y derechos de uso sin revelar todos los registros de entrenamiento, las decisiones de filtrado o los métodos de desarrollo.
Las organizaciones que evalúen OTel 2.0 deben revisar su licencia real, documentación, divulgaciones de datos y requisitos de despliegue. La etiqueta por sí sola no responde a las preguntas de gobernanza.
La escala del flujo de trabajo de entrenamiento también muestra que abierto no significa gratuito. Las GPU dedicadas, el trabajo de ingeniería, los controles de seguridad, la evaluación y la inferencia continua conllevan costes.
AT&T puede justificar esas inversiones porque opera a una escala inusual. Una empresa más pequeña podría gastar más en crear y gestionar una cartera de modelos de lo que ahorra mediante el enrutamiento.
Esa diferencia de escala limita la imitación directa. La idea transferible no es que todas las empresas deban entrenar un modelo de telecomunicaciones.
La lección más amplia es combinar la elección del modelo con evidencia específica de cada carga de trabajo. Una empresa debe utilizar un modelo abierto cuando el rendimiento en el dominio, el control y la economía operativa justifiquen la responsabilidad adicional.
El ahorro del 90% todavía necesita una auditoría de calidad
AT&T ha revelado un mecanismo creíble y una escala operativa considerable, pero no ha publicado suficiente evidencia para verificar de forma independiente el resultado principal.
La primera incertidumbre se refiere al alcance. “Hasta un 90%” describe la mayor reducción reportada, no necesariamente el promedio de todo el entorno de IA de AT&T.
Las divulgaciones públicas no identifican la combinación de modelos de referencia. Tampoco muestran cuánto tráfico se trasladó a modelos más pequeños, con qué frecuencia el enrutador escaló ni cómo variaron los ahorros según la aplicación.
La segunda incertidumbre se refiere a la calidad. AT&T afirma que el enrutamiento no compromete la calidad, pero los lectores no pueden examinar los umbrales de aceptación por tarea ni los resultados de evaluación.
Esa omisión es importante porque la calidad no es una única medida. Un resumen de atención al cliente, una recomendación de red, un parche de software y una alerta de fraude requieren estándares distintos.
Un enrutador puede reducir el gasto medio enviando más tráfico a modelos más pequeños. El resultado solo tiene valor si esos modelos siguen siendo fiables para el trabajo asignado.
La evaluación también debe detectar fallos poco frecuentes. Una puntuación media puede ocultar un pequeño número de errores costosos en operaciones de red o flujos de trabajo regulados.
La revisión humana sigue siendo importante. Cuando se lanzó Ask AT&T, Markus afirmó que los expertos en la materia todavía debían verificar el código generado y otros resultados relevantes.
El enrutamiento no elimina ese requisito. Añade otra decisión que los equipos deben supervisar, porque una aplicación puede comportarse de forma diferente cuando cambia el modelo seleccionado.
La operación consciente de la caché introduce preocupaciones relacionadas. Reutilizar cálculos previos puede reducir el consumo, pero la información almacenada en caché debe mantenerse actualizada, tener el alcance adecuado y estar protegida.
Una respuesta adecuada para un empleado o cliente no puede reutilizarse automáticamente para otro. La identidad, los permisos, la geografía y las políticas de retención de datos deben seguir la solicitud.
Los equipos de seguridad también deben evaluar a cada proveedor y modelo conectado. Un sistema multimodelo crea más integraciones, credenciales, registros, límites de políticas y posibles modos de fallo.
La puerta de enlace puede centralizar esos controles, lo cual es una ventaja. Sin embargo, la centralización también convierte a la puerta de enlace en un objetivo de alto valor y una dependencia crítica.
Si falla su lógica de clasificación, una tarea sensible podría llegar a un modelo no aprobado. Si el servicio deja de estar disponible, muchas aplicaciones posteriores pueden fallar a la vez.
La latencia presenta otra disyuntiva. El enrutador debe inspeccionar suficiente información para elegir un modelo, y una evaluación compleja puede retrasar la respuesta.
La caché puede compensar parte de esa demora, mientras que los modelos más pequeños pueden responder más rápido. El resultado combinado depende de la sobrecarga del enrutamiento, el diseño de la aplicación y el modelo seleccionado.
La diversidad de proveedores también genera trabajo operativo. Los proveedores utilizan interfaces, límites de contexto, formatos de llamadas a herramientas, controles de seguridad y calendarios de actualización diferentes.
Una puerta de enlace puede normalizar parte de esa variación. No puede garantizar que dos modelos interpreten de forma idéntica cada instrucción o formato de salida estructurada.
Las actualizaciones de los modelos hacen que el problema sea continuo. Una ruta que funcionaba bien el mes pasado puede volverse inferior después de que un proveedor cambie su comportamiento o publique un reemplazo.
Por lo tanto, AT&T debe mantener las evaluaciones en lugar de certificar cada ruta una sola vez. Los rastros de producción deben revelar tasas de fallos, escalaciones, latencia y correcciones humanas por carga de trabajo.
Los despliegues de modelos abiertos añaden consideraciones de cadena de suministro. Los equipos deben rastrear pesos, bibliotecas, licencias, procedencia del modelo y vulnerabilidades en toda la pila de servicio.
La calidad de los datos es otra limitación. Un modelo de telecomunicaciones entrenado con normas y material sintético puede seguir heredando lagunas, supuestos desactualizados o una cobertura débil de equipos inusuales.
Un resultado en una clasificación ofrece evidencia útil, pero no reproduce todas las condiciones de una red activa. Las evaluaciones de producción deben reflejar los propios datos, herramientas y consecuencias operativas de AT&T.
La incertidumbre final es organizativa. Un enrutador técnicamente sólido no puede resolver un flujo de trabajo poco claro ni una aplicación sin responsables definidos.
Los ejecutivos de AT&T han destacado los flujos de trabajo de extremo a extremo en lugar de tareas de IA aisladas. Esa distinción importa porque los ahorros locales pueden desaparecer cuando los empleados deben corregir resultados deficientes más adelante.
Las empresas que consideren sistemas similares deben calcular el coste total del proceso. La contabilidad debe incluir consumo de modelos, infraestructura, evaluaciones, ingeniería, seguridad, revisión y recuperación ante fallos.
También deben comparar resultados completados, no solo tokens. Una respuesta más barata no es económica cuando provoca otra llamada, otra ejecución del modelo o retrabajo manual.
Ninguno de estos riesgos refuta el resultado de AT&T. Explican por qué el porcentaje reportado debe iniciar un proceso de diligencia debida, en lugar de terminarlo.
Para los lectores de Google News, la interpretación responsable es limitada. AT&T afirma que su puerta de enlace ha logrado reducciones de hasta el 90%, pero la aplicabilidad más amplia sigue sin verificarse.
Qué observar tras la afirmación de AT&T sobre los costes de IA
Tres señales mostrarán si AT&T ha construido una arquitectura empresarial repetible o documentado un conjunto de cargas de trabajo inusualmente favorable.
La primera señal es un cuadro de resultados de producción más detallado. AT&T debería divulgar los ahorros medios por categorías de carga de trabajo, no solo la mayor reducción.
Una información útil separaría atención al cliente, programación, recuperación de documentos, análisis de redes, detección de fraude y flujos de trabajo autónomos. Cada categoría tiene un umbral de calidad y un perfil de modelo diferentes.
Un cuadro de resultados sólido incluiría tasas de escalación, latencia, tasas de error y correcciones humanas. También mostraría si el consumo sigue creciendo después de que bajen los costes unitarios.
Si los costes medios permanecen controlados mientras el volumen se expande, el argumento de AT&T a favor del enrutamiento de modelos se fortalece. Si los ahorros se concentran en un pequeño grupo de tareas simples, la afirmación se vuelve menos transferible.
La segunda señal es una evaluación independiente de OTel 2.0. Las clasificaciones del sector proporcionan un punto de partida, pero los operadores necesitan pruebas vinculadas a decisiones reales de red.
Los evaluadores deberían comparar el modelo con sistemas generales más grandes en interpretación de normas, análisis de topología, razonamiento sobre telemetría, resolución de problemas y uso de herramientas.
También deberían documentar dónde falla el modelo más pequeño. Un modelo de dominio fiable necesita límites de escalación claros, no solo puntuaciones agregadas altas.
La adopción de OTel 2.0 fuera de AT&T añadiría otra forma de evidencia. Otros operadores pueden comprobar si sus ventajas reportadas se mantienen en distintas redes, proveedores, idiomas y regulaciones.
Un despliegue externo significativo respaldaría el argumento de AT&T de que los modelos abiertos especializados pueden servir a una industria. Una adopción limitada sugeriría que la economía depende en gran medida de la escala y los datos internos de AT&T.
La tercera señal es cómo responden los proveedores de modelos de frontera e infraestructura. La estrategia de AT&T los presiona para justificar el consumo premium en cada carga de trabajo.
Los proveedores pueden responder con modelos más pequeños, sistemas de menor latencia, caché más robusta, enrutamiento automatizado o contratos empresariales más previsibles. También pueden mejorar las opciones de adaptación al dominio y despliegue privado.
La competencia en la capa de enrutamiento merece una atención especial. Empresas de nube, proveedores de modelos, puertas de enlace independientes y proveedores de software empresarial quieren influir en la selección de modelos.
Si el enrutamiento se estandariza, las empresas pueden mover las cargas de trabajo con mayor libertad. Si cada plataforma desarrolla un enrutador propietario, la dependencia de proveedores podría simplemente desplazarse hacia arriba.
La diversidad de hardware también importará. El uso que hace AT&T de AMD y otras arquitecturas pone a prueba si las empresas pueden evitar vincular la economía de su IA a una sola hoja de ruta de aceleradores.
Un rendimiento consistente entre distintos hardware fortalecería el argumento de la soberanía. Migraciones difíciles o un soporte de software desigual expondrían el coste de mantener esa flexibilidad.
La experiencia de AT&T también ofrece a los compradores empresariales una lista de verificación práctica. Pueden empezar midiendo las solicitudes según tarea, riesgo, latencia, calidad y resultado empresarial completado.
Después, pueden probar si los modelos más pequeños satisfacen cargas de trabajo definidas de forma limitada. Solo entonces deberían introducir el enrutamiento automatizado entre opciones aprobadas.
La gobernanza debe llegar antes que el tráfico masivo. Los equipos necesitan controles de acceso, registros, puertas de evaluación, reglas de respaldo, procedimientos de incidentes y responsables designados para cada ruta de producción.
El objetivo no es maximizar la proporción de solicitudes gestionadas de forma económica. Es minimizar el coste del trabajo aceptable y completado.
Esa distinción mantiene el enrutador alineado con los resultados empresariales. También evita que un objetivo de costes debilite silenciosamente el servicio al cliente, la fiabilidad de la red o la confianza de los empleados.
AT&T ha presentado uno de los ejemplos más claros, a gran escala empresarial, de esta arquitectura. La combinación de 45.000 millones de tokens diarios, enrutamiento dinámico y modelos específicos de dominio merece atención.
La empresa no ha demostrado que todas las organizaciones puedan reproducir una reducción del 90%. Ha mostrado por qué pagar a un único modelo para gestionar cada tarea se vuelve difícil a escala de producción.
La próxima fase dependerá de evidencia, no de otro titular. Habrá que observar los ahorros promedio, la validación externa de OTel 2.0 y las respuestas de los proveedores a la compra de múltiples modelos.
Estas señales determinarán si la afirmación de Google News se convierte en una guía para la industria o sigue siendo un resultado impresionante condicionado por la escala inusual de AT&T. Los equipos empresariales deberían empezar a medir ahora su propia combinación de cargas de trabajo, antes de elegir un router o entrenar otro modelo.
