Modelos abiertos en la empresa: Vercel mueve el 56% de sus tokens y AT&T el 40% de su IA. El hype ya no sostiene la factura

Las menciones a modelos abiertos en las llamadas de resultados estadounidenses se han multiplicado por seis interanual, y ya no hablamos de startups experimentando: Vercel procesa el 56% de sus tokens con modelos abiertos y AT&T ha trasladado el 40% de sus cargas de trabajo de IA a esa misma familia. El dato, recogido por Techmeme, no describe una moda técnica: describe una migración de presupuesto.

TL;DR: Las empresas fuera de Silicon Valley han dejado de tratar los modelos abiertos como un plan B y los usan como infraestructura principal. Vercel (56% de tokens) y AT&T (40% de workloads) son la prueba de que la decisión ya no es ideológica sino de coste y control. Para un CTO español, el riesgo real no es adoptar tarde: es quedarse pagando márgenes de proveedor cerrado por cargas de trabajo que un modelo abierto resuelve a una décima parte del precio.

La economía del token abierto ya no es un experimento de laboratorio

Durante dos años, la conversación sobre modelos abiertos en Europa se ha movido entre el eslogan y la sospecha. Que Llama, Qwen, DeepSeek o Mistral rinden bien en benchmarks lo sabíamos. Lo que cambia ahora es que empresas con P&L auditado y consejos que exigen retorno están poniendo ahí su producción. Cuando Vercel —infraestructura crítica de despliegue para miles de equipos— declara que más de la mitad de sus tokens pasan por pesos abiertos, está diciendo dos cosas: que la calidad es suficiente para cargas reales y que el coste por token se ha vuelto insostenible en el modelo cerrado puro.

El cálculo no es sutil. Un workload de clasificación, extracción o resumen a gran volumen, con GPT-4o o Claude Sonnet en API, se paga entre 2,5 y 15 dólares por millón de tokens según modalidad. Ese mismo workload servido sobre un modelo abierto de 70B en infraestructura propia, o vía endpoints tipo DeepSeek V3, cae a fracciones de dólar. Cuando el volumen es de miles de millones de tokens mensuales —páginas de Vercel, tickets de AT&T, logs de red— la diferencia no es una optimización: es el margen del trimestre.

A diferencia de lo que dice el marketing de los proveedores cerrados, la calidad ya no es el foso. El foso es la integración, la observabilidad y el gobierno del cambio de modelo, y eso es precisamente donde las agencias especializadas están ganando terreno.

Por qué AT&T y Vercel son la señal, no la excepción

Hay un sesgo natural a leer estas cifras como "cosas de tecnológicas". Es al contrario. Vercel es un proveedor, sí, pero AT&T es una telco con 150 años de historia, deuda en balance y equipos de procurement que no firman nada sin tres rondas de legal. Que el 40% de sus workloads de IA corran sobre modelos abiertos significa que el proceso de homologación ya pasó, que hay un playbook interno y que la decisión se ha repetido lo suficiente como para aparecer en el earnings call.

Las llamadas de resultados son un termómetro brutal. Nadie menciona un modelo en un 10-K por diversión: se menciona porque los analistas preguntan y porque hay ahorro cuantificable que justifica la narrativa ante el mercado. Sextuplicar menciones interanuales es la señal más limpia que tenemos de que la adopción ha cruzado el abismo y está en la fase de despliegue masivo.

Para el ecosistema de agencias IA en Madrid y de agencias IA en Barcelona, esto es una oportunidad operativa: los proyectos dejan de ser "pilotos con GPT" y pasan a ser migraciones reales con SLAs, versionado de pesos y fine-tuning vertical. El integrador que sepa hacer ese salto cobra por resultado, no por hora.

El coste real de migrar de un modelo cerrado a uno abierto

Aquí es donde el discurso se rompe. Migrar no es cambiar una API key. Es rediseñar prompts, reevaluar con evals internos, reentrenar a veces, montar serving propio o negociar un endpoint dedicado, y construir una capa de abstracción que evite volver a quedar atrapado. Las empresas que anuncian ahorros del 80% suelen olvidar los costes de ingeniería, tokens de evaluación y latencia añadida en inferencia self-hosted.

La tabla real, sin adornos, se parece a esto:

Opción	Coste API aprox. (input/output por millón)	Control de pesos	Caso de uso donde gana
GPT-4o	~2,5 / 10 USD	No	Razonamiento complejo, tool-calling maduro
Claude Sonnet	~3 / 15 USD	No	Contexto largo, código, documentos
Llama 3.3 70B (self-host)	Coste de GPU fijo + ops	Total	Fine-tuning vertical, datos sensibles
DeepSeek V3 / Qwen 2.5 (API abierta)	~0,14 / 0,60 USD	Parcial (pesos abiertos)	Volumen alto, clasificación, extracción

La lectura honesta: si tu carga es interactiva, con poca latencia exigida y bajo volumen, seguir en cerrado puede ser racional. Si tu carga es masiva, repetitiva y tolera latencias de 300-800 ms, el abierto arrasa en TCO a partir del tercer mes. El problema es que muchas empresas españolas han contratado como si todas sus cargas fueran la primera cuando en realidad el 70% de su tráfico es la segunda.

Gobernanza, cumplimiento y el elefante chino en la habitación

El punto incómodo: buena parte de los modelos abiertos que están ganando cuota son de origen chino. DeepSeek, Qwen, GLM. Eso no es un detalle de color, es una decisión de compliance. Un CTO europeo que mueve datos de clientes a través de un endpoint alojado en Shenzhen necesita una conversación seria con su DPO antes de firmar.

La salida razonable no es renunciar al ahorro, es separar el modelo del endpoint. Pesos abiertos alojados en proveedor europeo (Mistral, Aleph Alpha, o infraestructura propia en VPC) te dan el coste del abierto sin la exposición regulatoria. Esta es la conversación que muchas agencias IA están teniendo con sus clientes industriales: no "qué modelo es mejor", sino "dónde vive la inferencia y quién la audita".

Si tu sector es banca, salud o sector público, la ruta pasa por consultoría IA especializada en cumplimiento, no por elegir el modelo con mejor leaderboard. El AI Act no penaliza usar modelos abiertos; penaliza no poder explicar de dónde salen los datos y cómo se gobiernan.

Qué significa para el tejido empresarial español

España no tiene Vercels, pero tiene miles de empresas medianas con cargas de IA infladas por decisiones tomadas en 2023 y 2024, cuando la oferta cerrada era la única opción decente. Esas cargas, revisadas hoy, son candidatas directas a migración.

El ecosistema de agentes IA es especialmente sensible a esta dinámica, porque un agente que ejecuta cientos de miles de llamadas al mes convierte cualquier diferencia de precio por token en una hemorragia mensual. Lo mismo ocurre con pipelines de automatización documental, RAG sobre corpus internos, y clasificación de tickets. Aquí los modelos abiertos no son una alternativa: son la única forma de que el unit economics cierre.

El riesgo real, en cambio, es otro. Muchas empresas van a migrar mal: sin evals, sin capa de abstracción, sin plan de reversión, atadas a un único proveedor de GPU o a un único modelo abierto. Eso no es soberanía, es cambiar de amo. La integración de IA bien hecha implica diseñar para cambiar de modelo en 48 horas sin tocar producto.

Lo que viene en los próximos cuatro trimestres es predecible: más menciones en earnings, más proveedores cerrados bajando precios para defender cuota, y una segunda ola de migraciones hacia pesos abiertos alojados en Europa. El que gane no será el que tenga el modelo más listo, sino el que tenga el pipeline de evaluación más disciplinado. En ese juego, la ventaja no la tienen los laboratorios: la tienen los equipos de ingeniería que llevan dos años midiendo en serio.

Preguntas frecuentes sobre modelos abiertos en empresa

¿Qué son exactamente los modelos abiertos y en qué se diferencian de OpenAI o Anthropic?

Modelos abiertos son sistemas con pesos descargables (Llama, Qwen, DeepSeek, Mistral) que puedes ejecutar en tu propia infraestructura o vía proveedor de terceros. OpenAI y Anthropic son cerrados: solo accedes por API, sin control sobre pesos ni posibilidad de fine-tuning profundo fuera de sus términos. La diferencia práctica no es la calidad bruta, sino el control de coste, la ubicación de la inferencia y la capacidad de auditar el modelo.

¿Cuánto puedo ahorrar migrando una carga productiva a un modelo abierto?

En cargas de alto volumen (clasificación, extracción, resumen masivo), el ahorro típico frente a GPT-4o o Claude Sonnet se sitúa entre el 70% y el 95% en coste por token, según si usas self-hosting o un endpoint de pesos abiertos. En cargas interactivas de bajo volumen, el ahorro puede desaparecer por costes de ingeniería y latencia. La decisión no es global: es por caso de uso.

¿Los modelos abiertos son seguros para datos regulados?

Depende del endpoint, no del modelo. Pesos abiertos ejecutados en VPC propia o en proveedor europeo son perfectamente compatibles con AI Act y GDPR si hay contrato de encargado de tratamiento y trazabilidad. El problema aparece cuando usas endpoints alojados fuera de la UE sin evaluación de transferencias internacionales.

¿Puedo usar modelos abiertos en producción con agentes autónomos?

Sí, y de hecho es donde más sentido tiene por coste. La condición es tener evals internos, capa de abstracción de proveedor, observabilidad por traza y plan de reversión. Un agente que ejecuta 500.000 llamadas al mes sobre un modelo cerrado y no ha evaluado un abierto está dejando dinero en la mesa cada día.

¿Modelo abierto o modelo cerrado: cuál elijo en 2026?

Ni uno ni otro: arquitectura híbrida. Modelo cerrado para razonamiento complejo, tool-calling crítico y casos de baja latencia; modelo abierto para volumen, tareas repetitivas y datos sensibles. La regla práctica es enrutar por carga, no por preferencia de marca. Quien no tiene esa capa de enrutamiento está pagando de más por defecto.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de agentes de voz
• Agencias de IA en Barcelona y en Bilbao
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real