Los modelos Qwen locales presionan la ventaja competitiva de OpenAI

Google News destacó esta semana una prueba llamativa: un modelo Qwen de 27.000 millones de parámetros se ejecutó en hardware personal pese a los enormes recursos asociados con la IA de frontera. La demostración cuestiona la idea de que el costoso entrenamiento de modelos otorgue automáticamente a OpenAI, Anthropic y otros laboratorios líderes una ventaja competitiva duradera.

La prueba no demuestra que un ordenador de escritorio pueda entrenar un modelo de frontera. Muestra algo comercialmente importante, pero más acotado. Una vez que existen pesos de modelo descargables, los usuarios pueden comprimir y ejecutar sistemas capaces sin enviar cada solicitud a un proveedor cerrado.

Esa distinción cambia dónde ocurre la competencia. OpenAI y Anthropic siguen controlando modelos avanzados, servicios alojados y plataformas maduras para desarrolladores. Sin embargo, un modelo de pesos abiertos puede ofrecer a los compradores otra opción cuando la privacidad, la personalización, una infraestructura predecible o la independencia del proveedor importan más que ganar cada benchmark.

El catalizador inmediato fue un experimento local con Qwen3.8 destacado en un reciente análisis sobre la ventaja competitiva de los LLM. Su conclusión fue provocadora: los recursos de hardware parecen cada vez más la principal barrera entre muchos usuarios y una IA local útil.

Esa conclusión necesita someterse a pruebas rigurosas. Ejecutar un modelo comprimido en un ordenador con mucha memoria no es lo mismo que operar un servicio de IA empresarial fiable. Sin embargo, el experimento captura una inversión más amplia. El acceso a los modelos se está facilitando más rápido de lo que pueden consolidarse las ventajas comerciales construidas en torno al acceso cerrado.

Un modelo Qwen de 27B llevó el debate sobre la ventaja competitiva al escritorio

El cambio importante no es que existan modelos locales, sino que versiones cada vez más capaces caben en hardware que las personas pueden poseer.

TerminalBytes probó Qwen3.8 27B en un Apple Mac Studio con 256 GB de memoria unificada. En su prueba local de Qwen, el sitio informó de unos 14 tokens generados por segundo utilizando una cuantización Q4_K_M de 17 GB.

Una cuantización es un modelo comprimido que almacena sus pesos numéricos con menos bits. Reducir la precisión disminuye los requisitos de memoria y puede mejorar la velocidad de generación. La contrapartida es un posible deterioro de la precisión, la calidad del razonamiento o la consistencia.

El mismo experimento incluyó una versión de 1 bit que ocupaba 6,7 GB. TerminalBytes informó que alcanzaba unos 27 tokens por segundo y que podía caber en un ordenador con 16 GB de memoria. El autor también observó que esta compresión extrema producía un comportamiento irregular y respuestas indecisas.

Esos resultados establecen un rango, no una victoria universal. Una cuantización mayor consumía más memoria y generaba texto con mayor lentitud. La versión más pequeña funcionaba más rápido y cabía en hardware común, pero la calidad de su salida se deterioraba.

Ese rango importa porque la adopción de IA local rara vez exige una configuración perfecta. Los desarrolladores pueden elegir distintos tamaños de modelo y niveles de compresión para asistencia de programación, resúmenes, clasificación de documentos o búsqueda privada. Una configuración débil para el razonamiento abierto podría seguir manejando un flujo de trabajo específico y repetible.

El repositorio de modelos publicado por Qwen pone los pesos a disposición para su descarga y modificación conforme a la licencia indicada. Pesos abiertos significa que los usuarios pueden obtener los parámetros entrenados, aunque no implica necesariamente que todos los conjuntos de datos y procesos de entrenamiento sean públicos.

Este es el mecanismo detrás de la reducción de la ventaja competitiva basada en el modelo. Un laboratorio asume el coste de producir un modelo base capaz. Los pesos descargables se convierten entonces en un activo que otros desarrolladores pueden comprimir, ajustar, empaquetar y desplegar en numerosos entornos de hardware.

Los proveedores cerrados mantienen el control sobre sus propios pesos. Los clientes interactúan mediante una aplicación o API, mientras que el proveedor gestiona la inferencia, las actualizaciones, los sistemas de seguridad y la capacidad. Este esquema elimina trabajo operativo, pero preserva la dependencia del proveedor.

El despliegue local invierte esas responsabilidades. El cliente obtiene control sobre el flujo de datos y el comportamiento del modelo, pero asume la responsabilidad del hardware, la supervisión, las actualizaciones y la seguridad. El modelo se vuelve más fácil de poseer, mientras que el sistema que lo rodea se convierte en la parte más difícil.

Por eso la demostración merece más atención de la que sugiere su configuración de escritorio. Convierte un debate abstracto sobre modelos abiertos en una elección de compra observable. Un equipo puede comparar un modelo alojado con una alternativa descargable sobre su propia carga de trabajo y hardware.

Esa elección presiona a los proveedores incluso cuando el modelo local pierde. Una alternativa creíble da a los compradores capacidad de negociación sobre condiciones de uso, arquitectura de despliegue y planes de cambio. También limita la confianza con la que un proveedor puede tratar el acceso al modelo, por sí solo, como una ventaja permanente.

Por qué Google News revivió una advertencia de hace tres años

El experimento con Qwen da nuevo peso a la discutida advertencia de 2023 de que ni Google ni OpenAI poseían una ventaja competitiva segura basada en los modelos.

Un documento atribuido a un investigador de Google circuló en mayo de 2023 bajo el título “We Have No Moat, And Neither Does OpenAI.” Su afirmación central era que los modelos abiertos más pequeños y adaptables mejoraban demasiado rápido como para que la escala, por sí sola, protegiera a los laboratorios líderes.

El documento no fue una declaración corporativa formal de Google. Esa distinción sigue siendo importante. Según los relatos contemporáneos, representaba un argumento interno, no una estrategia empresarial anunciada.

Aun así, el argumento identificó varios mecanismos que más tarde se volvieron centrales para el desarrollo de modelos abiertos. Los modelos pequeños iteran rápido. El ajuste fino puede especializar un modelo general. Los desarrolladores de la comunidad pueden explorar colectivamente optimizaciones que un solo laboratorio tendría dificultades para probar por sí mismo.

Una investigación de MIT Sloan examinó este patrón a través de la difusión de los pesos originales de Llama de Meta. Su estudio sobre la ventaja competitiva de la IA concluyó que la disponibilidad de Llama fomentó la innovación acumulativa, incluido el ajuste por instrucciones, la cuantización y otros trabajos derivados.

Esa historia explica por qué el actual artículo de Google News es más que una curiosidad de hardware. Qwen3.8 no compite simplemente como una aplicación terminada. Sus pesos descargables proporcionan materia prima para herramientas de despliegue, proyectos de compresión, versiones específicas para tareas e integraciones locales.

Los laboratorios cerrados funcionan de otra forma. Su modelo más potente puede mejorar de la noche a la mañana para todos los clientes de su API. También pueden coordinar controles de seguridad, capacidad y comportamiento del producto desde una única capa de servicio. El cliente recibe esos beneficios sin reconstruir una pila de despliegue.

El desarrollo abierto ofrece otro tipo de velocidad. Miles de usuarios independientes pueden probar un modelo en distintos procesadores, sistemas operativos, idiomas y tareas especializadas. Las modificaciones exitosas se difunden sin esperar una hoja de ruta centralizada del producto.

Ningún modelo de desarrollo garantiza una ventaja duradera. Un laboratorio cerrado puede lanzar un modelo más potente y recuperar una ventaja de capacidad. Una comunidad abierta puede comprimir, ajustar o reproducir partes útiles de ese avance.

Esto crea un ciclo repetido. Los laboratorios de frontera impulsan el rendimiento con entrenamientos más grandes e investigación especializada. Los desarrolladores de pesos abiertos hacen después que capacidades comparables sean más baratas, pequeñas y fáciles de desplegar.

El ciclo no elimina la investigación de frontera. Cambia cuánto tiempo una ventaja de investigación permanece comercialmente exclusiva. Si la capacidad premium de ayer se convierte en la referencia descargable de mañana, los clientes dudarán en construir una dependencia permanente de un solo modelo.

Google News es una palabra clave primaria incómoda para este tema porque Google News solo distribuyó el informe de Hackaday. Google no realizó el benchmark de Qwen ni anunció la afirmación subyacente. Su relevancia proviene de la histórica advertencia de Google sobre la ventaja competitiva y de la renovada distribución de la historia.

Ese contexto también expone una ironía más profunda. Google ayudó a crear gran parte de la base técnica detrás de los modelos de lenguaje modernos. Sin embargo, la investigación fundamental no otorga automáticamente un control exclusivo una vez que las técnicas, el talento y los artefactos de los modelos se extienden por todo el mercado.

Por tanto, la cuestión recurrente de la ventaja competitiva se refiere a la captura de valor, no a la invención. Una empresa puede crear tecnología importante sin controlar todo el valor que posteriormente crece a su alrededor. El valor puede migrar hacia la distribución, las relaciones con los clientes, los datos propietarios o la fiabilidad operativa.

La caída de costes presiona a OpenAI y Anthropic

OpenAI y Anthropic no están siendo desplazadas por un benchmark de escritorio, pero alternativas más baratas las obligan a justificar todo el servicio que rodea sus modelos.

La presión comienza con la economía. El AI Index 2025 de Stanford concluyó que el coste de consultar un modelo con un rendimiento equivalente al de GPT-3.5 en 2022 cayó más de 280 veces hasta octubre de 2024. Sus hallazgos sobre costes de IA también documentaron una rápida mejora entre los modelos más pequeños.

Ese descenso debilita la escasez. Cuando una capacidad determinada se vuelve drásticamente más barata, los proveedores no pueden depender del rendimiento de ayer como producto premium de mañana. Deben seguir avanzando en la frontera o vincular el modelo a servicios más difíciles de reproducir.

OpenAI y Anthropic cuentan con varias defensas posibles. Sus plataformas alojadas eliminan el trabajo de despliegue. Proporcionan escalado gestionado, herramientas para desarrolladores, interfaces multimodales, controles de seguridad y actualizaciones frecuentes de modelos. Los grandes clientes pueden tratar la inferencia de modelos como un servicio externo en vez de mantener infraestructura.

La fiabilidad también puede funcionar como una ventaja competitiva. Un sistema empresarial necesita latencia predecible, controles de acceso, registros, evaluación, respuesta a incidentes y responsabilidad contractual. Descargar pesos no resuelve por sí solo ninguno de esos requisitos.

La distribución ofrece otra defensa. Un modelo integrado en una suite de productividad establecida, una plataforma de nube o un entorno para desarrolladores puede llegar a los usuarios antes de que consideren alternativas locales. La conveniencia a menudo supera a la propiedad técnica.

Los datos pueden ser más duraderos que los pesos de los modelos. Un modelo general es ampliamente sustituible cuando múltiples sistemas pueden realizar la misma tarea. Un producto basado en los permisos, el historial, el vocabulario y los flujos de trabajo de una empresa se vuelve más difícil de sustituir.

Aquí es donde knowledge blending cobra relevancia para los trabajadores del conocimiento. La capa útil no consiste solo en qué modelo generó una respuesta. Consiste en cómo ese modelo conecta información de fuentes aprobadas mientras preserva el contexto y los límites de acceso.

La misma lógica se aplica a los equipos de software. Un modelo genérico de programación puede sugerir funciones, pero un asistente de producción debe comprender repositorios, estándares internos, sistemas de despliegue y decisiones anteriores. Ese trabajo de integración perdura incluso cuando cambia el modelo subyacente.

Los modelos de pesos abiertos siguen alterando la negociación. Una empresa puede comprobar si su carga de trabajo realmente requiere el mejor sistema cerrado. Si un modelo local funciona adecuadamente, el comprador puede reservar las API premium para solicitudes difíciles y dirigir el trabajo rutinario a otros lugares.

Esta arquitectura híbrida convierte los modelos en componentes intercambiables. Una capa de enrutamiento puede seleccionar un modelo según la dificultad de la tarea, los requisitos de privacidad, la latencia o la capacidad disponible. La aplicación se mantiene estable mientras el modelo seleccionado cambia por debajo de ella.

Para los proveedores cerrados, esa es la amenaza comercial central. Corren el riesgo de convertirse en un proveedor más dentro de un sistema más amplio, en lugar de controlar la experiencia completa de IA del usuario. Su modelo puede seguir siendo excelente mientras se debilita su control sobre la relación con el cliente.

Anthropic y OpenAI afrontan, por tanto, presión desde dos direcciones. Deben seguir ampliando las capacidades de frontera. También deben hacer que sus plataformas sean lo bastante prácticas como para que los clientes prefieran el acceso gestionado al control local.

La respuesta obligada es a largo plazo. Un único lanzamiento puede mejorar el liderazgo en benchmarks, pero no puede detener permanentemente la compresión ni la imitación. Los proveedores necesitan ventajas acumulativas en confianza, despliegue, herramientas y distribución.

Los modelos abiertos están más cerca, pero no han eliminado la brecha

La ventaja competitiva de los modelos se está reduciendo, pero la evidencia no respalda declarar obsoleta o plenamente mercantilizada a la IA cerrada.

Epoch AI ha seguido la distancia entre los modelos descargables y los cerrados mediante el rendimiento en benchmarks y la capacidad de cómputo de entrenamiento. Su investigación sobre modelos abiertos concluyó que los principales modelos abiertos históricamente han seguido a la frontera cerrada con un desfase temporal significativo.

Ese desfase todavía tiene valor. Las empresas que trabajan en tareas difíciles de programación, investigación, ciencia o agentes pueden obtener beneficios medibles del sistema más potente disponible. Incluso una ventaja temporal de capacidad puede sostener una demanda considerable cuando mejora las tasas de finalización o reduce la revisión humana.

Los benchmarks también ofrecen una imagen incompleta. Un modelo puede obtener buenos resultados en pruebas estandarizadas y, aun así, fallar con documentos extensos, instrucciones inusuales, uso de herramientas o terminología específica de una organización. La compresión puede introducir debilidades adicionales que las puntuaciones agregadas no revelan.

La prueba de Qwen ilustra directamente este problema. La cuantización más pequeña cabía fácilmente en una memoria limitada y generaba texto con rapidez. Sin embargo, el evaluador informó de vacilación y un nivel de convicción inconsistente en sus respuestas.

Ese comportamiento no es una preocupación menor para el uso en producción. Una herramienta de resumen puede tolerar variaciones de estilo. Un proceso de cumplimiento, un agente técnico o un flujo de trabajo orientado al cliente necesita un comportamiento estable en ejecuciones repetidas.

El acceso al hardware es otra limitación. Un modelo que técnicamente cabe en la memoria puede generar resultados con demasiada lentitud para una aplicación interactiva. Varios usuarios simultáneos pueden convertir una configuración aceptable para un único usuario en un servicio sobrecargado.

Los operadores también deben gestionar la longitud de contexto, el almacenamiento en caché, el almacenamiento, el consumo energético y la compatibilidad de software. Esos requisitos difieren según los formatos de modelo y los motores de inferencia. Un archivo descargable es solo el primer componente de un sistema funcional.

La seguridad genera trabajo adicional. El despliegue local puede reducir la exposición a una API externa, pero no hace que un sistema sea seguro automáticamente. Las organizaciones deben proteger el host, los archivos del modelo, los prompts, los datos conectados, las salidas generadas y las interfaces administrativas.

Los pesos abiertos también plantean cuestiones de gobernanza. Las distintas licencias imponen diferentes obligaciones o restricciones. «Modelo abierto» suele describir el acceso a los pesos, no la divulgación completa de los datos de entrenamiento, el código fuente o el proceso de evaluación.

Estas limitaciones explican por qué la disponibilidad de pesos abiertos no ha producido automáticamente una adopción empresarial universal. Los equipos técnicos pueden valorar el control y, al mismo tiempo, preferir un proveedor gestionado por disponibilidad, soporte y responsabilidad.

Los sistemas cerrados tienen sus propias incertidumbres. Los proveedores pueden cambiar los modelos, las políticas de uso, el comportamiento de seguridad o la disponibilidad de productos. Los clientes pueden tener una visibilidad limitada sobre los datos de entrenamiento y las actualizaciones de los modelos.

Por tanto, la comparación no es que abierto equivalga a libertad y cerrado a dependencia. Se trata de control operativo directo frente a responsabilidad operativa delegada. Cada lado genera un conjunto distinto de costes y riesgos.

La interpretación escéptica de la afirmación de Hackaday es sencilla. Un ordenador personal ejecutando Qwen no demuestra que OpenAI o Anthropic carezcan de una ventaja competitiva defensible. Solo muestra que el acceso al modelo se está convirtiendo en un candidato más débil para esa ventaja.

Una ventaja duradera aún puede existir por encima del modelo. La distribución, los flujos de trabajo propietarios, las evaluaciones, la confianza de los clientes y una infraestructura fiable pueden resistir la sustitución. Estos activos suelen tardar más en copiarse que una configuración de modelo descargable.

Por eso «evaporación» debería describir una capa específica. La escasez que rodea a los pesos de modelos capaces se está desvaneciendo. El negocio más amplio de la IA sigue siendo disputado, y algunas ventajas pueden reforzarse a medida que el modelo base se vuelve más fácil de reemplazar.

La verdadera ventaja competitiva se está desplazando por encima del modelo

A medida que los modelos se vuelven más intercambiables, la ventaja competitiva se desplaza hacia los sistemas que los seleccionan, fundamentan, evalúan y gobiernan.

Pensemos en un asistente interno de investigación. La interacción visible parece sencilla: un empleado hace una pregunta y recibe una respuesta. El sistema de producción detrás de ese intercambio debe recuperar documentos aprobados, aplicar permisos, citar evidencias y rechazar conclusiones sin respaldo.

Cambiar el modelo de lenguaje puede requerir una actualización de configuración. Reconstruir las conexiones documentales, las reglas de acceso, el historial de comentarios y el conjunto de evaluación de la organización requiere mucho más trabajo.

Esa diferencia separa una función del modelo de una ventaja competitiva del producto. Una función ofrece una capacidad en un momento determinado. Una ventaja se acumula a medida que los clientes añaden datos, flujos de trabajo, integraciones y hábitos que siguen siendo valiosos entre generaciones de modelos.

La evaluación está adquiriendo una importancia especial. Los benchmarks públicos miden capacidades generales, pero las empresas necesitan pruebas vinculadas a sus tareas reales. Un equipo jurídico se preocupa por la precisión de las citas, mientras que un equipo de ingeniería se preocupa por parches válidos y convenciones del repositorio.

Una empresa con un gran conjunto de evaluación, mantenido de forma continua, puede cambiar de modelo con menos riesgo. Puede comparar candidatos con casos de fallo conocidos en lugar de depender de las afirmaciones de lanzamiento. Esa competencia crea poder de compra en lugar de dependencia del proveedor.

El enrutamiento de modelos amplía la misma ventaja. Las solicitudes sencillas pueden ejecutarse en un modelo local pequeño. Las solicitudes sensibles pueden permanecer dentro de una infraestructura controlada. Las tareas difíciles pueden pasar a una API de frontera cuando su capacidad adicional justifique el compromiso operativo.

Esta arquitectura sitúa el control en manos del propietario de la aplicación. Los proveedores siguen compitiendo por el tráfico, pero ningún modelo individual tiene que gestionar todas las solicitudes. Las mejoras en Qwen, OpenAI, Anthropic u otra familia pueden incorporarse al sistema sin reconstruir todo el producto.

La experiencia de usuario también sigue siendo defendible. La mayoría de las personas no quiere comparar formatos de cuantización ni configurar un servidor de inferencia. Quiere una herramienta fiable que entienda su tarea y produzca trabajo útil.

Hackaday captó esta tensión con una comparación con la adopción de Linux. La disponibilidad técnica no garantiza la adopción masiva. Una alternativa gratuita y controlable puede coexistir con sistemas comerciales que reducen la complejidad.

La analogía tiene límites, pero su lección empresarial se mantiene. La tecnología abierta suele debilitar el poder de fijación de precios en la capa de infraestructura, al tiempo que crea oportunidades para empaquetado, soporte, alojamiento y aplicaciones especializadas.

Los ganadores no necesitan poseer todos los componentes subyacentes. Necesitan hacer que esos componentes sean fiables y útiles para un público definido. Por ello, un modelo local puede amenazar una ventaja competitiva mientras refuerza la demanda de herramientas de orquestación.

Los desarrolladores deberían tratar este cambio como una señal arquitectónica. Las aplicaciones construidas en torno al estilo de respuesta único de un proveedor afrontan costes de migración. Las aplicaciones construidas en torno a tareas explícitas, evaluaciones e interfaces de modelo reemplazables pueden beneficiarse de la competencia.

Los compradores empresariales deberían preguntarse dónde sigue siendo difícil cambiar. Si la respuesta es únicamente «nuestros prompts usan esta API», la ventaja es superficial. Si la respuesta incluye años de flujos de trabajo validados, contexto propietario y distribución de confianza, es más sustancial.

Los trabajadores del conocimiento deberían centrarse menos en la posición en los rankings y más en los límites de los datos. Las preguntas relevantes son adónde viaja la información, qué contexto puede recuperar el sistema y si las salidas importantes siguen siendo verificables.

Esta es la inversión fundamental detrás de la noticia de Google News. Antes, el entrenamiento costoso sugería que el propio modelo concentraría la mayor parte del valor. La inferencia barata y los pesos accesibles dirigen cada vez más ese valor hacia todo lo que rodea al modelo.

Qué observar tras el foco de Google News

Tres señales mostrarán si los modelos locales están erosionando de verdad el poder de los proveedores cerrados o simplemente ampliando el mercado a su alrededor.

La primera señal es el rendimiento independiente en tareas de los despliegues de Qwen3.8. El experimento de TerminalBytes demuestra que varias versiones cuantizadas pueden ejecutarse localmente. No demuestra con qué fiabilidad rinden en flujos de trabajo de programación, análisis, recuperación o agentes.

Las evaluaciones reproducibles reforzarían el argumento sobre la ventaja competitiva si los modelos comprimidos mantienen la precisión en tareas prácticas. Pérdidas de calidad grandes o impredecibles lo debilitarían. Las pruebas más útiles medirán el trabajo completado, no solo los tokens por segundo.

Observe si las evaluaciones divulgan el hardware, la configuración de cuantización, los prompts y las tasas de fallo. Sin esos detalles, las afirmaciones de rendimiento siguen siendo difíciles de comparar. Un modelo rápido que necesita correcciones frecuentes puede ser más lento en la práctica.

La segunda señal es la adopción empresarial del enrutamiento híbrido de modelos. Los modelos locales importan comercialmente cuando las organizaciones los usan para cargas de trabajo reales, no solo para experimentos personales. La evidencia debería incluir volumen sostenido, fiabilidad en producción y razones documentadas para elegir la inferencia local.

La adopción híbrida reforzaría la conclusión de que los modelos se están convirtiendo en proveedores intercambiables. Mostraría que los compradores pueden dividir el trabajo entre sistemas locales y APIs alojadas sin sacrificar la capa de aplicación.

Una adopción débil respaldaría la visión opuesta. Sugeriría que la complejidad de despliegue, los requisitos de soporte o las diferencias de calidad siguen protegiendo a los proveedores cerrados pese a la mejora de los pesos abiertos.

La tercera señal es la próxima respuesta de los laboratorios de frontera. OpenAI, Anthropic y Google pueden defender sus posiciones mediante modelos más potentes, mejores herramientas de agentes, una integración de producto más estrecha o controles de despliegue más atractivos.

Una respuesta centrada únicamente en ganancias de benchmarks preservaría una ventaja temporal de capacidad. Una respuesta que profundice la integración de flujos de trabajo y la confianza empresarial reforzaría una ventaja más duradera por encima del modelo.

Los nuevos lanzamientos de pesos abiertos pondrán a prueba esa defensa. Si las comunidades comprimen repetidamente capacidades similares a las de frontera para ejecutarlas en hardware modesto, el acceso exclusivo al modelo seguirá perdiendo valor estratégico. Si la brecha de frontera se amplía, las APIs premium conservarán un papel más claro.

Los lectores también deberían separar dos preguntas que los titulares suelen mezclar. ¿Puede un modelo local ejecutarse en el hardware disponible? ¿Puede sustituir a un servicio gestionado para una tarea específica de producción? La primera es ahora más fácil de responder. La segunda sigue dependiendo de la carga de trabajo.

El foco de Google News ofrece una razón útil para realizar esa evaluación ahora. Elija una tarea repetible, defina una salida aceptable, registre los casos de fallo y pruebe un modelo local junto al proveedor actual.

No comience con un plan de sustitución universal. Comience con evidencia. Si el sistema local cumple los requisitos de calidad, privacidad y latencia de la tarea, el comprador ha ganado capacidad de negociación incluso sin abandonar la IA cerrada.

Ese es el significado práctico de una ventaja competitiva del modelo que se evapora. OpenAI y Anthropic no necesitan desaparecer para que el mercado cambie. Solo necesitan volverse reemplazables con la frecuencia suficiente para que los clientes controlen la decisión final.