Jassy augura 6-8 modelos de IA parejos: la pyme deberá elegir

Durante la llamada de resultados del tercer trimestre de Amazon, su consejero delegado, Andy Jassy, dejó una idea que conviene anotar aunque tu empresa no tenga nada que ver con AWS: el futuro de la IA no apunta a un único modelo ganador, sino a un puñado de ellos compitiendo codo con codo. En concreto, Jassy anticipó que en dos o tres años habrá entre seis y ocho modelos "aproximadamente igual de buenos entre sí, o al menos lo bastante buenos para más del 95% de las cargas de trabajo".

La predicción surgió a raíz de una pregunta del analista de Goldman Sachs Eric Sheridan sobre el potencial de Amazon Bedrock, el servicio que da acceso a más de un centenar de modelos fundacionales de proveedores como Anthropic, OpenAI, Meta, Mistral, DeepSeek, Moonshot AI o xAI a través de una sola API. La respuesta de Jassy no es solo una defensa de su producto: es una tesis sobre cómo se va a organizar el mercado de la IA en los próximos años.

El argumento: ningún modelo lo hace todo bien

Jassy recurrió a la historia reciente de la tecnología para explicar por qué no cree en un único dominador. Recordó que en las últimas dos décadas ha visto a muchos líderes tecnológicos perder su ventaja inicial, y puso como ejemplos las bases de datos, las herramientas de analítica o el caso de TensorFlow, que parecía destinado a convertirse en el framework estándar antes de que PyTorch le tomara la delantera. Con los modelos de IA espera algo parecido: "no hay una herramienta que gobierne el mundo".

El razonamiento es sencillo y muy práctico. Unos modelos serán mejores en razonamiento, otros destacarán en programación, otros en tareas visuales, y habrá quien gane por velocidad o por coste por token. Esa especialización, según Jassy, empujará a la mayoría de clientes a usar varios modelos, y muchos lo harán incluso dentro de la misma aplicación de IA generativa. Para un equipo de desarrollo, eso se traduce en elegir el modelo según la tarea concreta en lugar de comprometerse con un único proveedor para todo.

Cambiar de modelo no sale gratis

La idea de un mercado con varios modelos intercambiándose el liderazgo encaja como anillo al dedo con la propuesta de Bedrock, que ofrece una capa de acceso común. Su API Converse permite trabajar con modelos de distintos proveedores sin reescribir las integraciones cada vez. Pero conviene no llevarse a engaño: cambiar de modelo no es tan sencillo como pulsar un botón.

Cada modelo tiene límites de contexto distintos, capacidades de herramientas diferentes y funcionalidades que no siempre coinciden. Si un equipo ha construido su flujo de trabajo alrededor del sistema de agentes de un proveedor concreto, migrar puede complicarse bastante. Jassy reconoció que los clientes quieren "intercambiarlos de un lado a otro a medida que se superan unos a otros", pero eso exige pruebas y validación por parte de quien desarrolla. A eso se suma la seguridad: según AWS, Bedrock no da a los proveedores de modelos acceso a los prompts ni a las respuestas de los clientes, y esa información no se usa para entrenar los modelos subyacentes.

Qué significa esto para una pyme

Más allá de la batalla entre hiperescaladores —Google con Vertex AI y Microsoft con Azure AI Foundry plantean catálogos multiproveedor muy similares—, la predicción de Jassy tiene consecuencias muy concretas para una empresa pequeña o mediana que esté empezando con IA:

• No te cases con un solo proveedor. Si tu arquitectura permite cambiar de modelo sin rehacerlo todo, ganarás margen cuando aparezca una opción más barata o más capaz para tu caso de uso.
• Elige por tarea, no por marca. Un modelo puede ser excelente para redactar correos y mediocre para extraer datos de facturas. Mide antes de decidir.
• Vigila el coste por token. En cargas recurrentes, la diferencia entre modelos puede pesar más que unas décimas de calidad.
• Prueba antes de migrar. Los límites de contexto y las capacidades de herramientas cambian entre modelos; lo que funciona en uno puede fallar en otro.

En ForgeNEX lo vemos cada semana en proyectos de pymes: la tentación de estandarizar todo en un único modelo es fuerte porque simplifica, pero a medio plazo encarece la adaptación. Como ya comentamos al hablar de qué medir cuando la GPU va al 100%, lo importante no es la potencia bruta sino si el sistema resuelve el problema con un coste razonable.

El negocio detrás del pronóstico

Conviene leer la predicción con contexto: Jassy no es un observador neutral, es el CEO de la empresa que quiere ser el punto de acceso a todos esos modelos. Su tesis es que Amazon no necesita tener el mejor modelo mientras sea el lugar al que los desarrolladores acuden a elegir. Y los números que maneja apuntan a que esa estrategia funciona: según sus datos, las empresas del Fortune 500 gastan ahora casi siete veces más en Bedrock que hace un año, el volumen de tokens se ha multiplicado por casi 17 y el servicio es, en sus palabras, el producto de miles de millones de dólares de crecimiento más rápido en la historia de AWS. Todo ello mientras AWS crece un 39,3% en el trimestre hasta los 46.000 millones de dólares, con una tasa anualizada de 184.000 millones.

Jassy también señaló que la mayor parte del tráfico de Bedrock ya corre sobre los chips Trainium de Amazon, lo que le permite contener precios y proteger márgenes. Es decir, el negocio no está solo en el modelo, sino en la infraestructura y en la capa de acceso.

Nuestra recomendación

Para una pyme, la lectura práctica es esta: trata los modelos de IA como piezas intercambiables de una cadena de montaje, no como una apuesta única. Diseña tus integraciones con una capa de abstracción que te permita cambiar de proveedor sin reescribir el flujo, documenta qué modelo usas para cada tarea y revisa esa elección cada cierto tiempo. Y no olvides la seguridad: comprueba qué hace cada proveedor con tus datos antes de enviarle información sensible. Si necesitas ayuda para montar esa capa de abstracción o para evaluar qué modelo encaja mejor en cada proceso, en ForgeNEX podemos echarte una mano.

Fuente: The New Stack. Análisis y adaptación: ForgeNEX.