Medir el mercado de IA debe hacerse en dólares, no en tokens: análisis del analista de Dragonfly
El socio gerente de la firma de capital de riesgo Dragonfly, Haseeb Qureshi, criticó duramente el enfoque común para evaluar el mercado de modelos de IA. En su opinión, basarse en el consumo bruto de tokens es un método fundamentalmente erróneo que distorsiona la imagen del mercado. El único indicador adecuado son los flujos de efectivo reales, es decir, los dólares gastados por los usuarios.
Por qué los tokens son un indicador poco fiable
Qureshi destaca cuatro problemas clave que hacen que la métrica de "participación de tokens" sea prácticamente inútil para comparar modelos.
El primer problema: los subsidios. Los laboratorios chinos lanzan regularmente nuevos modelos con descuentos agresivos o incluso acceso gratuito. Esto infla artificialmente el consumo de tokens: los usuarios migran de un modelo gratuito a otro, creando una ilusión de alta demanda, aunque los costos reales en dinero sean cero.
El segundo problema: el diferente tamaño de los modelos. Los modelos pequeños, como Qwen 3.5-27B, cuestan aproximadamente cien veces menos por token que los modelos insignia como Claude Opus. El aumento en el uso de Qwen en el gráfico puede parecer un salto brusco en la participación de los modelos abiertos, pero en términos económicos es una cantidad completamente insignificante. Según Qureshi, el mercado debe analizarse estrictamente dentro de categorías de peso, según el tamaño del modelo.
El tercer problema: los sistemas multiagente. Se puede gastar la misma cantidad en una arquitectura compleja basada en DeepSeek o GLM 5.2 y en una sola consulta a un modelo avanzado como Opus o GPT-5.5 Pro con un rendimiento comparable. Sin embargo, la configuración multiagente "quema" muchos más tokens por el mismo dinero. Qureshi pone un ejemplo claro: si el 5% del uso de Opus migra a un sistema de este tipo con un gasto de tokens cuatro veces mayor, el gráfico mostrará aproximadamente un 18% de pérdida de participación de Opus, mientras que los gastos reales solo se desplazarán un 5%. "Estos gráficos exageran la importancia de los tokens de bajo valor", concluye el experto.
El cuarto problema: la elección de la plataforma OpenRouter. Si una empresa se ha decidido por un laboratorio avanzado, le resulta más rentable acudir directamente a Anthropic u OpenAI, y no a través de OpenRouter con su recargo. En el gráfico, esto parece una disminución de la participación de EE. UU., aunque los tokens simplemente salen de la plataforma. La conclusión de Qureshi: OpenRouter es útil para evaluar la participación dentro de los modelos abiertos, pero no es adecuado para comparar modelos abiertos y cerrados.
El futuro pertenece a los modelos baratos
Una idea similar desarrolla el fundador de SageRoad Research, Trevor Noren, vinculándola con la presión de precios sobre la industria. Cita la evaluación de JPMorgan: muchos tokens en el futuro podrían ser consumidos no por modelos avanzados, sino por modelos abiertos pequeños, que son suficientes para tareas específicas. Amazon ya ofrece alrededor de medio centenar de modelos abiertos a un precio que es una fracción del costo de los avanzados, y Nvidia, junto con Dell, Lenovo y HP, está creando computadoras para agentes de IA.
El banco señala que sus propios modelos pequeños, Claude Haiku y GPT-5.4-mini, aún no son competitivos en la "frontera eficiente", que actualmente está dominada por desarrolladores chinos: DeepSeek, MiniMax, Xiaomi y Alibaba.
Particularmente ilustrativo es el ejemplo de costo proporcionado por JPMorgan: ejecutar un conjunto de tareas del Artificial Analysis Intelligence Index en Claude Opus 4.8 cuesta $3,700 con un resultado de 56 puntos, mientras que DeepSeek V4 Pro obtiene 44 puntos por solo $186, aproximadamente 20 veces más barato. La conclusión es obvia: el nivel avanzado de inteligencia no es necesario para todo, solo donde se requiere. Mientras tanto, GLM 5.2 de Z.ai parece comparable a los modelos principales de Anthropic y OpenAI.
Noren cree que la mercantilización de los modelos no solo vendrá de la competencia entre laboratorios avanzados, sino también de empresas que buscan controlar los costos a través de modelos especializados más baratos. Según su evaluación, el gasto corporativo sigue siendo el camino más viable para que los gigantes de la nube recuperen sus inversiones en IA, pero las empresas gastarán lo menos posible.
Ambas posiciones coinciden en una cosa: el mercado de la inteligencia artificial debe medirse en dinero, no en tokens, y bajo la presión de los precios, la ventaja se desplaza cada vez más hacia los modelos baratos.
Mi opinión profesional: Los argumentos de Qureshi y Noren no son solo una discusión académica. Para los inversores en el sector de cripto e IA, esto es una señal de un cambio fundamental en las métricas. Si el mercado comienza a reevaluar los modelos según los ingresos en efectivo, y no según el consumo "bruto", veremos una redistribución del capital hacia aquellos proyectos que demuestren una monetización real, y no solo generen ruido en tokens. Esto es especialmente crítico para la evaluación de tokens vinculados a redes informáticas descentralizadas.