El ARR de los modelos de IA de China podría alcanzar los 13.000 millones de dólares a fin de año, pero la prueba de ingresos apenas comienza

Goldman Sachs llegó a Google News con una previsión llamativa: la tasa anualizada de ingresos de los modelos de IA de China podría alcanzar los 13.000 millones de dólares a fin de año. La estimación sugiere que los proveedores chinos están dejando atrás las victorias en benchmarks y la adopción de chatbots gratuitos. Sin embargo, el titular también plantea una pregunta más difícil. ¿Puede un uso que se expande rápidamente convertirse en ingresos duraderos mientras los precios de los tokens siguen cayendo?

La cifra surge en medio de una creciente demanda de modelos chinos por parte de desarrolladores, empresas y usuarios internacionales. DeepSeek cambió las percepciones sobre su eficiencia a principios de 2025. Desde entonces, Alibaba, Moonshot AI, Z.ai y otros proveedores han impulsado nuevos modelos, aplicaciones y servicios en la nube en un mercado cada vez más concurrido.

La principal competencia ya no es simplemente China contra Estados Unidos. Es el crecimiento de los ingresos frente a una agresiva compresión de precios. Los proveedores chinos necesitan costes más bajos para ganar adopción, pero esas mismas condiciones económicas pueden debilitar los ingresos generados por cada solicitud.

Lo que realmente nos dice el titular de Google News sobre los 13.000 millones de dólares

La previsión importa porque presenta la IA china como un mercado comercial, no solo como un desafío técnico para los laboratorios estadounidenses.

El titular de Google News atribuye la estimación de 13.000 millones de dólares para fin de año a Goldman Sachs. Sin embargo, el artículo sindicado accesible no revela el modelo subyacente, el desglose por empresas ni el período de cálculo. Por tanto, la cifra debe considerarse una previsión reportada, no ingresos auditados del sector.

Los ingresos recurrentes anuales, o ARR, son una medida de tasa anualizada basada en las ventas recurrentes actuales. Resultan útiles para estimar la escala de las suscripciones y los servicios contratados. No equivalen a los ingresos ya reconocidos durante un ejercicio financiero completado.

Esta distinción cobra importancia cuando un mercado crece rápidamente. Un proveedor puede cerrar diciembre con una elevada tasa anualizada tras expandirse durante la segunda mitad del año. Sus ingresos reales cobrados a lo largo de todo el año pueden seguir siendo mucho menores.

La previsión también parece abarcar un mercado más amplio que las suscripciones de chatbots para consumidores. Goldman Sachs ha identificado anteriormente el entrenamiento de modelos, el postentrenamiento, la inferencia y las aplicaciones de IA como canales de monetización. El postentrenamiento adapta un modelo a los requisitos de un cliente, mientras que la inferencia es el cálculo realizado cuando los usuarios envían nuevas solicitudes.

Un anterior análisis de ingresos de IA de Goldman Sachs señalaba que los hyperscalers chinos estaban empezando a generar ventas de IA de rápido crecimiento. Destacaba la generación de vídeo, la edición de imágenes y la identificación de objetos como principales aplicaciones comerciales.

Ese análisis también describía un difícil mercado de consumo. Goldman indicó que los principales chatbots de China eran gratuitos y contaban entonces con cifras poco relevantes de usuarios de pago. Por consiguiente, la computación empresarial y las aplicaciones especializadas soportaban una mayor parte de la carga de monetización.

La cifra de 13.000 millones de dólares podría incluir ingresos de varias capas de esa pila. Los proveedores de nube venden acceso a modelos mediante interfaces de programación de aplicaciones, o APIs. Los desarrolladores usan APIs para incorporar capacidades de los modelos dentro de su propio software. Los proveedores también pueden vender implementaciones dedicadas, personalización de modelos, suscripciones y servicios de aplicaciones.

Sin una metodología publicada, sumar esas categorías crea posibles ambigüedades. Un desarrollador de modelos podría obtener ingresos por APIs a través de un socio de nube. El socio podría informar de esa actividad como ingresos de nube de IA. Contabilizar ambos importes sobreestimaría el valor económico producido para los clientes finales.

La conversión de divisas añade otra variable. Los proveedores obtienen la mayor parte de sus ingresos nacionales en renminbi, mientras que el titular presenta una estimación en dólares. Las variaciones del tipo de cambio pueden modificar el total reportado incluso cuando el negocio subyacente no cambia.

La previsión sigue siendo útil como señal direccional. Indica que Goldman considera que la comercialización avanza con suficiente rapidez como para justificar una estimación de tasa anualizada para todo el mercado. Sin embargo, los lectores no deben interpretar una sola cifra de titular como una medida precisa de beneficios, generación de caja o ventas anuales completadas.

Esta salvedad plantea la prueba central. Los proveedores chinos han construido una estrategia de adopción basada en modelos económicos. Ahora deben demostrar que un uso enorme puede compensar la caída de los ingresos por token.

La caída de los costes de inferencia creó la oportunidad

La oportunidad de ingresos de la IA china existe porque unos menores costes de inferencia hicieron asequible la experimentación en más productos y organizaciones.

Goldman Sachs estimó en enero de 2025 que los costes de inferencia en China habían caído más de un 95% durante el año anterior. Su análisis de costes sostenía que una ejecución de modelos más barata fomentaría más aplicaciones de IA generativa.

La inferencia ocurre después del entrenamiento del modelo. Abarca el cálculo utilizado para responder a un prompt, generar una imagen, escribir código o completar otra tarea en tiempo real. Cada solicitud adicional consume capacidad de cómputo, por lo que la economía de la inferencia determina tanto los precios para los clientes como los márgenes de los proveedores.

Los costes más bajos permiten a los desarrolladores probar más casos de uso sin asumir grandes compromisos. Un minorista puede resumir conversaciones de soporte. Una empresa de software puede añadir asistencia para programación. Un equipo de medios puede generar borradores visuales, mientras que un fabricante puede procesar imágenes de inspección.

Los agentes de IA amplifican este efecto. Un agente completa una tarea de varios pasos realizando llamadas repetidas a modelos, verificando resultados y seleccionando acciones posteriores. Por tanto, una solicitud de usuario puede generar muchas más veces el consumo de tokens que una respuesta de chatbot convencional.

Este mecanismo favorece a los proveedores que ofrecen un rendimiento aceptable a bajo coste. Un modelo no necesita liderar todos los benchmarks si funciona de forma fiable dentro de un flujo de trabajo definido. A los desarrolladores les suelen importar más la latencia, la consistencia, el esfuerzo de integración y el coste operativo total.

Los laboratorios chinos han apostado por esa posición. DeepSeek atrajo la atención mundial al presentar modelos de razonamiento capaces con un diseño centrado en la eficiencia. La familia Qwen de Alibaba ganó amplia visibilidad entre los desarrolladores mediante modelos descargables y acceso en la nube. Moonshot AI y Z.ai también han competido mediante lanzamientos frecuentes y ofertas de menor coste.

La evidencia reciente de adopción respalda la dirección básica. Associated Press informó de que los cinco modelos más utilizados en OpenRouter durante un mes reciente eran chinos. OpenRouter agrega acceso a múltiples modelos, lo que hace de su actividad una señal útil para desarrolladores, aunque no representa todo el mercado.

El mismo informe de adopción señaló que los modelos chinos estaban atrayendo a usuarios estadounidenses porque eran asequibles y cada vez más capaces. Citó a empresas que los evaluaban para programación, investigación, descubrimiento de clientes potenciales y otras tareas prácticas.

Esta demanda se extiende más allá de China. Goldman estimó anteriormente que los hyperscalers chinos generaban entre el 90% y el 95% de sus ingresos a nivel nacional. No obstante, identificó Asia, Oriente Medio y América Latina como mercados de expansión para nuevos centros de datos y servicios.

La generación visual ya ofrece evidencia de esa oportunidad internacional. Goldman afirmó que los mercados extranjeros aportaban más ingresos que China para algunas aplicaciones de vídeo y edición de imágenes. Estos productos pueden atender a clientes globales sin exigir que cada interacción incluya un amplio contexto empresarial local.

Los modelos abiertos también reducen la fricción de adopción. Los desarrolladores pueden inspeccionar el código disponible, implementar modelos en entornos seleccionados y personalizar sus sistemas. Esa flexibilidad atrae a empresas preocupadas por depender de una única API cerrada.

Sin embargo, las descargas y el volumen de tokens no se convierten automáticamente en ventas recurrentes. Un desarrollador puede utilizar pesos de modelos descargables sin pagar al laboratorio que los originó. Un proveedor de nube solo obtiene ingresos cuando los clientes usan su infraestructura alojada o compran servicios relacionados.

Esto crea un desafío de conversión. Los proveedores chinos deben transformar la distribución técnica en inferencia de pago, implementación gestionada, soporte empresarial o aplicaciones propietarias. La previsión de 13.000 millones de dólares depende de que ese puente adquiera relevancia comercial entre muchos clientes.

Las organizaciones que evalúan estos servicios también afrontan un problema de información. Los anuncios de modelos, benchmarks, revisiones de seguridad y resultados de pruebas internas llegan desde distintos lugares. Una base de conocimientos de IA consultable puede ayudar a los equipos a conservar esa evidencia antes de comprometer un flujo de trabajo con un proveedor.

La historia de adopción es, por tanto, real pero incompleta. Los menores costes de inferencia amplían el número de tareas económicamente viables. La cuestión pendiente es si los proveedores pueden retener suficiente valor después de abaratar cada tarea.

Alibaba, DeepSeek y los proveedores de IA de China se enfrentan a una paradoja de ingresos

La herramienta de adopción más potente del mercado, la eficiencia agresiva, también ejerce presión directa sobre la previsión de ingresos.

Los proveedores chinos de modelos compiten por desarrolladores mediante menores costes de uso, lanzamientos abiertos e iteración rápida. Estas tácticas pueden ampliar la demanda total. También pueden dificultar que cualquier proveedor mantenga poder de fijación de precios.

La ecuación básica tiene tres partes: volumen de solicitudes, ingresos por solicitud y coste de atender cada solicitud. La caída de los precios solo ayuda a los ingresos cuando el uso crece más rápido que la disminución de lo ganado por unidad. La rentabilidad requiere un paso adicional: que los costes de servicio caigan con suficiente rapidez para preservar un margen.

Los agentes de IA mejoran el componente de volumen de esa ecuación. Pueden llamar a los modelos repetidamente mientras buscan documentos, escriben código o coordinan herramientas de software. Goldman Sachs ha previsto un crecimiento considerable de las consultas globales a modelos a medida que se expanden los sistemas basados en agentes.

Sin embargo, la competencia de precios puede absorber ese crecimiento. Si un proveedor recorta tarifas, los rivales deben decidir si lo siguen. Los clientes también pueden dirigir diferentes tareas entre varios modelos, asignando el trabajo simple a la opción aceptable menos costosa.

Los modelos abiertos intensifican la presión. Una empresa de nube puede alojar un modelo de terceros en lugar de pagar a su desarrollador por cada llamada. Los grandes clientes pueden operar pesos descargados en su propia infraestructura. El laboratorio puede ganar influencia mientras captura ingresos directos limitados.

Alibaba cuenta con ventajas estructurales en esta competencia. Controla una importante plataforma de nube, desarrolla modelos Qwen y ofrece aplicaciones empresariales. Esa integración le brinda varias oportunidades para monetizar la misma ola de demanda.

La empresa se ha fijado el objetivo de superar los 100.000 millones de dólares en ingresos combinados de IA y nube durante cinco años. Sus ingresos de nube aumentaron un 36% durante el trimestre de octubre a diciembre descrito en un informe de resultados de marzo de 2026. Sin embargo, el beneficio trimestral global de Alibaba cayó un 67% a medida que aumentaban los gastos generales.

Estos resultados ilustran el conflicto principal del mercado. La demanda de nube e IA puede aumentar mientras la inversión y la competencia reducen los beneficios a corto plazo. El crecimiento de los ingresos por sí solo no muestra si los proveedores obtienen un retorno adecuado de la infraestructura.

Alibaba también se comprometió a invertir al menos 380.000 millones de yuanes durante tres años en infraestructura de nube e IA. La capacidad permite un mayor uso de modelos, pero incrementa los ingresos necesarios para justificar el gasto. La empresa debe equilibrar disponibilidad, calidad de servicio y disciplina de capital.

DeepSeek sigue una ruta diferente. Sus modelos han contribuido a establecer la eficiencia como una prioridad competitiva. Su influencia va más allá de los ingresos atribuidos directamente a la empresa, porque otras plataformas pueden desplegar o basarse en sus lanzamientos.

Eso hace que DeepSeek sea importante para la tesis de los 13.000 millones de dólares sin convertirla en una receptora evidente de los ingresos resultantes. Sus modelos pueden estimular el consumo de nube entre proveedores externos. El beneficio económico puede recaer en operadores de infraestructura, desarrolladores de aplicaciones e integradores empresariales.

Z.ai muestra otra faceta de esta disyuntiva. Según Associated Press, la empresa informó de un aumento de ingresos del 132%, hasta 724 millones de yuanes, en su ejercicio anterior. Su pérdida neta aumentó un 60%, hasta 4.700 millones de yuanes.

Las cifras muestran por qué el ARR necesita contexto. Un rápido crecimiento recurrente puede coexistir con pérdidas mucho mayores cuando la investigación, la computación y la adquisición de clientes siguen siendo costosas. La tasa de ingresos de un proveedor no responde si su negocio puede financiar el desarrollo continuo de modelos.

El reciente aumento de la demanda de Moonshot AI ofrece una lección similar sobre la capacidad. Associated Press informó de que la empresa suspendió temporalmente las nuevas suscripciones después de que el interés por su modelo Kimi tensionara los recursos disponibles. La alta demanda valida el interés por el producto, pero el racionamiento también limita la monetización inmediata.

Los proveedores estadounidenses afrontan su propia versión de este problema. OpenAI, Anthropic y Google compiten mediante capacidades de frontera, plataformas para desarrolladores e integraciones empresariales. Tienen mayor acceso a chips avanzados e infraestructura de nube madura, pero sus compromisos de entrenamiento e inferencia son considerables.

La frontera competitiva también es cada vez menos geográfica. Un desarrollador estadounidense puede utilizar un modelo abierto chino a través de un servicio global de alojamiento. Una empresa china puede combinar modelos nacionales con datos internos y software especializado. Los clientes comparan cada vez más cargas de trabajo, en lugar de carteras nacionales de modelos.

Esto debilita una narrativa simple de China contra Estados Unidos. Los proveedores chinos presionan a los laboratorios estadounidenses en costes, pero ejercen aún más presión unos sobre otros. Cada nuevo lanzamiento de bajo coste puede redefinir las expectativas de los clientes en todo el mercado nacional.

La estimación de Goldman será más creíble si los proveedores sostienen el crecimiento sin depender de subsidios crecientes. Se debilitará si la cuota de mercado exige repetidos recortes de precios que superen la demanda de tokens. La evidencia decisiva procederá de la calidad de los ingresos, no de las clasificaciones en benchmarks.

Lo que no muestra la estimación de ARR

La mayor incertidumbre es la medición, porque el mercado chino de IA carece de una definición coherente y divulgada públicamente del ARR de modelos.

El ARR funciona mejor con contratos de suscripción estables. Los servicios de modelos suelen combinar suscripciones, uso de API medido, contratos de nube, trabajo de implementación y créditos promocionales. Anualizar esos flujos puede producir una cifra que parece precisa, pero que se basa en supuestos cambiantes.

Los ingresos basados en el uso son especialmente volátiles. Un desarrollador puede generar un tráfico intenso durante el lanzamiento de un producto y reducirlo el mes siguiente. Multiplicar un mes sólido por doce puede exagerar la demanda duradera.

Los contratos empresariales pueden crear el problema opuesto. Un acuerdo de larga duración puede incluir capacidad informática reservada, soporte, personalización de modelos y almacenamiento. Etiquetar el contrato completo como ARR de modelos puede difuminar qué producto generó los ingresos.

Los ingresos de las aplicaciones plantean otra cuestión de límites. Un servicio de vídeo con IA depende de modelos, pero los clientes pagan por la experiencia de la aplicación. Incluir todos sus ingresos por suscripción hace que el mercado parezca mayor que si se cuentan solo los componentes de modelos y computación.

La previsión reportada de 13.000 millones de dólares puede utilizar un marco interno sólido. El titular público simplemente no proporciona suficiente detalle para evaluarla. No hay una lista visible de empresas, definición de categorías, supuesto de divisa ni conciliación con los estados financieros reportados.

Esa limitación no invalida la previsión. La investigación de renta variable suele combinar previsiones de empresas, verificaciones de canal, demanda de computación y estimaciones de analistas. Sí implica que los lectores deben evitar tratar la cifra como un total de mercado auditado de forma independiente.

La rentabilidad es una segunda omisión. Los proveedores deben pagar chips, electricidad, redes, capacidad de centros de datos, ingeniería y soporte al cliente. La expansión internacional añade costes de cumplimiento, localización, ventas e infraestructura.

Goldman había previsto anteriormente que las principales empresas chinas de internet invertirían más de 70.000 millones de dólares en centros de datos y capacidad de IA relacionada durante 2026. Sus perspectivas de infraestructura describían al sector como en una fase de construir primero.

Ese gasto podría crear capacidad suficiente para aplicaciones agénticas. También podría superar la monetización si la adopción empresarial avanza más lentamente de lo esperado. Los centros de datos no pueden reducirse fácilmente después de asumir compromisos a largo plazo de energía, terrenos y equipos.

El acceso al hardware sigue siendo otra limitación. Los controles de exportación estadounidenses restringen el acceso de China a algunos chips avanzados de IA. Los proveedores chinos están aumentando el uso de aceleradores nacionales, pero la compatibilidad de software y la capacidad de producción siguen influyendo en las decisiones de despliegue.

Goldman ha dicho que las empresas chinas destinaban tradicionalmente entre el 50% y el 75% de los gastos de capital a chips extranjeros, y que el equilibrio se está desplazando hacia proveedores nacionales. Esa transición puede mejorar la resiliencia del suministro. También puede requerir trabajo de ingeniería para adaptar modelos y aplicaciones entre sistemas de hardware.

El riesgo geopolítico complica el crecimiento internacional. Los gobiernos pueden aplicar revisiones de seguridad, restricciones de contratación pública o nuevos controles de exportación. Las empresas también pueden rechazar un modelo si no pueden determinar dónde se procesan los prompts, las respuestas y los datos operativos.

La calidad de los modelos plantea una cuestión aparte. Los sistemas chinos se han vuelto competitivos en programación, investigación y tareas comunes de asistentes. Los evaluadores independientes siguen encontrando un rendimiento desigual en capacidades especializadas, idiomas, uso de herramientas y cargas de trabajo de razonamiento difíciles.

Un modelo que es suficientemente bueno para un flujo de trabajo puede no ser adecuado para otro. Las empresas deben comprobar la fiabilidad con sus propios documentos y condiciones de fallo. Los benchmarks públicos no pueden representar plenamente los procesos empresariales privados.

La seguridad y la gobernanza importan tanto como el rendimiento en benchmarks. Un modelo económico puede resultar costoso si expone datos confidenciales, genera acciones poco fiables o requiere una revisión humana exhaustiva. Los compradores evaluarán el sistema operativo completo, no solo las tarifas por token.

Los requisitos regulatorios dentro de China también condicionan el comportamiento y el despliegue de los modelos. Los proveedores deben cumplir las normas nacionales que regulan los servicios públicos de IA generativa. Los clientes internacionales pueden aplicar estándares distintos para privacidad, derechos de autor, transparencia y decisiones automatizadas.

Estas incertidumbres crean un exigente estándar de prueba. Una cifra sólida de ARR necesita confirmación mediante ingresos reconocidos, retención de clientes, márgenes brutos y cargas de trabajo pagadas repetibles. Los recuentos de descargas y los picos temporales de tráfico no pueden aportar esa prueba por sí solos.

Por lo tanto, la previsión debe leerse como una tesis en evaluación. Afirma que el mercado chino de modelos de bajo coste se aproxima a escala comercial. No establece que cada proveedor haya encontrado un modelo de negocio sostenible.

Tres señales pondrán a prueba la previsión de Google News

Las próximas tres señales mostrarán si la ola de adopción de IA en China está generando ingresos duraderos o solo mayores volúmenes a precios más bajos.

La primera señal son los ingresos de IA reconocidos por los principales proveedores de nube. Alibaba, Baidu y Tencent pueden aportar al mercado evidencia más clara mediante sus divulgaciones de resultados. Los inversores necesitan cifras coherentes que separen los servicios de modelos de IA de la computación en nube general y de aplicaciones no relacionadas.

El crecimiento fortalecería la previsión si continúa durante varios períodos de información. Un único trimestre anualizado sería menos convincente. La mejor evidencia combinaría mayores ingresos de IA con un uso creciente por parte de los clientes y mejores márgenes de nube.

Alibaba merece especial atención porque combina el desarrollo de Qwen con la distribución en la nube. Su amplia plataforma puede captar demanda de entrenamiento, inferencia, almacenamiento y aplicaciones. También puede ocultar la capa de modelos cuando esos servicios se informan conjuntamente.

Baidu ofrece otra prueba útil a través de sus operaciones de modelos y nube. Tencent puede mostrar si el consumo de IA se está extendiendo por las comunicaciones, los videojuegos, la publicidad y los servicios empresariales. Un impulso similar en las tres sugeriría un cambio en todo el mercado, en lugar de una decisión contable de una sola empresa.

La segunda señal es la relación entre el volumen de tokens y los precios unitarios. Los proveedores deben divulgar suficiente información operativa para demostrar si el crecimiento del uso supera las caídas de precios. Unos márgenes brutos estables o en mejora harían que la tasa de 13.000 millones de dólares tuviera mayor sentido económico.

La adopción agéntica podría producir ese resultado. Un agente empresarial puede realizar decenas de llamadas al modelo durante una tarea. Si esos flujos de trabajo entran en producción habitual, el consumo total puede crecer más rápido de lo que caen las tarifas de API anunciadas.

Las promociones temporales apuntarían en la otra dirección. Los créditos gratuitos y el acceso subvencionado pueden impulsar la actividad medida sin crear ingresos duraderos. Los clientes atraídos solo por la tarifa más baja pueden volver a cambiar cuando responda un rival.

Las limitaciones de capacidad también requieren una interpretación cuidadosa. Muestran que la demanda superó el servicio disponible en un momento determinado. No revelan cuánto pagarán los usuarios una vez que llegue capacidad adicional y se estabilice el interés inicial.

La tercera señal es la retención internacional después de las revisiones de seguridad y cumplimiento. Los proveedores chinos ya atraen a desarrolladores fuera de su mercado local. Los contratos internacionales duraderos ampliarían su base de ingresos y reducirían su dependencia de la intensa competencia nacional.

La retención importa más que las pruebas iniciales. Los desarrolladores evalúan habitualmente varios modelos antes de elegir una configuración de producción. Un proveedor gana comercialmente cuando las aplicaciones siguen enviando tráfico de pago después de que terminan las pruebas.

La adopción empresarial exigirá garantías más claras sobre el tratamiento de datos, las actualizaciones de modelos, la disponibilidad del servicio y las responsabilidades legales. Los proveedores que satisfagan esos requisitos pueden convertir la experimentación de bajo coste en contratos más largos. Los que no puedan hacerlo podrían seguir siendo populares en proyectos personales sin conseguir grandes cuentas.

Los desarrollos normativos pueden fortalecer o debilitar esta señal rápidamente. Restricciones adicionales podrían cerrar los canales de contratación en algunos países. Las restricciones a los servicios estadounidenses también podrían crear oportunidades para alternativas chinas en otros lugares.

La distribución de código abierto añade matices. El autoalojamiento generalizado puede establecer un modelo chino como estándar técnico sin generar ventas directas de API. Esa influencia sigue importando porque puede respaldar servicios empresariales, asociaciones y despliegue en la nube.

Los lectores que sigan la historia a través de Google News deberían resistirse a reducirla a una única cifra de fin de año. La cuestión relevante es si los ingresos reconocidos, la economía unitaria y la retención de clientes avanzan conjuntamente.

Si mejoran las divulgaciones de nube, se mantienen los márgenes y los clientes internacionales permanecen tras las pruebas, la previsión reportada de Goldman parecerá cada vez más plausible. Si los precios siguen desplomándose mientras se amplían las pérdidas y los subsidios, el titular habrá medido la actividad con mayor precisión que el valor.

Los desarrolladores y compradores empresariales pueden actuar antes de que llegue ese veredicto. Deben comparar modelos con una carga de trabajo definida, documentar las tasas de error, medir los costos operativos completos y mantener alternativas. Una evaluación útil incluye los costos de seguridad y revisión humana junto con el consumo de tokens.

La misma disciplina se aplica a los trabajadores del conocimiento que eligen aplicaciones de IA. Los menores costos de los modelos pueden respaldar mejores herramientas de búsqueda, redacción y análisis. Sin embargo, los flujos de trabajo confiables requieren fuentes rastreables, acceso controlado y un manejo claro de la información sensible.

Los proveedores de China ya han transformado el mercado al hacer que una IA capaz sea más barata y accesible. Su próximo desafío es más difícil. Deben demostrar que la asequibilidad genera negocio recurrente en lugar de una carrera interminable hacia una inteligencia cada vez más barata.

La previsión de Google News de 13.000 millones de dólares ofrece a esa prueba un objetivo visible. Observe qué reconocen las empresas como ingresos, cuánto retienen después de los costos de prestación del servicio y si los clientes siguen pagando cuando llega el modelo más reciente.