La meta de AT&T de 70%–80% de modelos abiertos necesita un conmutador

AT&T procesa un promedio de 45 mil millones de tokens de IA al día y afirma que los modelos abiertos impulsan cerca de 25% de su uso total de IA. Quiere que esa participación llegue a 70%–80% mientras controla los costos por token y protege datos propietarios. ¿Qué tareas pueden hacer la transición?

En 2021, más de 500 investigadores desarrollaban un modelo de lenguaje de código abierto para investigación independiente de cualquier empresa. El propósito de ese proyecto era dar acceso a la investigación, no atender el presupuesto operativo diario de una empresa de telecomunicaciones. Cinco años después, las empresas toman decisiones sobre modelos frente a facturas, políticas de datos y requisitos de servicio. “Abierto” describe el acceso a los pesos; no resuelve cuánto cuesta operarlos ni quién responde cuando fallan.

La mezcla de cargas de trabajo de AT&T revela más que una clasificación de modelos

En un reporte de Wall Street Journal de agosto, AT&T citó el control de costos por token y la protección de datos propietarios como razones para avanzar hacia modelos abiertos. Su participación prevista de 70%–80% es una meta, no un resultado medido; su porcentaje de uso no puede convertirse en un número de tokens sin saber cómo mide el uso.

La cobertura de septiembre situó a los modelos abiertos en 56% de los tokens de Vercel en agosto y atribuyó a AlphaSense un aumento interanual de seis veces en las menciones de modelos abiertos en llamadas de resultados y conferencias de empresas estadounidenses durante agosto y septiembre. Los tokens de Vercel miden actividad en una plataforma, mientras que las menciones miden conversación, no implementación. Ninguno establece una participación de mercado para el conjunto de las empresas. Junto con el relato de AT&T, muestran por qué los compradores ahora deben evaluar los modelos abiertos como opciones de producción, y no como artefactos de investigación.

Harvey, Abridge, Ramp y Rogo también han adoptado modelos de pesos abiertos o entrenado los suyos para reducir una dependencia costosa de los laboratorios de frontera conforme crecen su uso —y sus facturas de inferencia—. Pero que un modelo sea descargable no significa necesariamente que sea barato de operar. Un modelo que consume más tokens, requiere hardware costoso o falla una tarea con mayor frecuencia puede perder su aparente ventaja de precio. Los compradores deberían comparar el costo de las tareas completadas con éxito entre modelos.

El trabajo alrededor de un modelo dura más que la elección de un modelo

AWS hizo visible una elección entre múltiples proveedores en 2023, cuando lanzó Bedrock con modelos de Anthropic, Stability AI, AI21 Labs y AWS. Esa plataforma permitió a los clientes elegir entre proveedores sin tratar el modelo de un solo proveedor como la aplicación completa. En 2025, AI21 Labs agregó un sistema de orquestación orientado a reducir las alucinaciones y mejorar la confiabilidad, junto con su propio trabajo de creación de modelos. Son negocios distintos, pero ambos abordan el trabajo que permanece después de que un comprador obtiene acceso a un modelo.

Databricks ilustra otra parte de ese trabajo. En agosto, la empresa dijo que había superado una tasa anualizada de ingresos de $7 mil millones, mientras su CEO sostuvo que los agentes empresariales necesitan contexto organizacional que no está disponible para un modelo general. Un comprador aún debe identificar el sistema de origen de ese contexto, controlar quién puede recuperarlo y probar si un modelo lo usa correctamente. La tasa anualizada reportada por Databricks no mide los ingresos por enrutamiento de modelos; su argumento identifica la dependencia de datos que un cambio de modelo no puede eliminar.

Por lo tanto, un equipo de producción necesita un registro para cada tarea: qué modelos cumplen su umbral de calidad, cuánto cuesta operar cada uno, qué datos puede recibir cada uno y qué ocurre cuando el modelo preferido no está disponible. El equipo también necesita monitoreo después de la implementación, no solo una prueba de referencia antes de ella. Ese trabajo puede hacer más productiva una aplicación, pero la adopción empresarial puede seguir una curva J: la inversión en datos, infraestructura y cambio organizacional puede preceder a los rendimientos visibles.

La implementación privada cambia quién debe responder por una falla

La preocupación de AT&T por los datos propietarios ayuda a explicar el atractivo de alojar un modelo dentro de los propios controles de un comprador. En 2024, proveedores liderados por Huawei ya vendían sistemas locales de “IA en una caja” a empresas chinas. El alojamiento da a un comprador mayor control sobre el acceso, la retención y las actualizaciones; también le deja más por operar e investigar.

Chip Huyen señala en AI Engineering que los usuarios de modelos abiertos pueden asumir exposición relacionada con la trazabilidad de datos y derechos de autor que, de otro modo, el contrato de un proveedor comercial ayudaría a cubrir. El alojamiento privado no puede establecer de dónde procedían los datos de entrenamiento de un modelo. Los compradores también necesitan evaluaciones, respuesta a incidentes y un registro defendible de qué versión atendió una solicitud sensible. Esas obligaciones son la responsabilidad de implementación.

Los proveedores de servicios alojados enfrentan la misma demanda de los compradores desde el otro lado. OpenAI está probando Private Safety Processing para detectar usos indebidos mientras preserva protecciones de retención cero de datos para clientes iniciales. Un comprador que compara ese servicio con un modelo autoalojado compara dos esquemas de gobernanza, no simplemente “cerrado” contra “abierto”.

Un enrutador necesita evidencia por tarea, no fe en la intercambiabilidad

Artificial Analysis, Collinear, IBM, Nvidia y Vercel formaron la Cyber Index Alliance para evaluar cómo los agentes de IA encuentran y corrigen vulnerabilidades. Su CWE-Bench-AA incluye 120 tareas de aplicación de parches reservadas en diez categorías del OWASP Top 10 y seis familias de lenguajes de programación. Estas pruebas dan a un comprador una manera de preguntar si un candidato funciona en un trabajo específico, en lugar de si figura cerca de la cima de una clasificación general.

El límite importa. Un análisis de capacidades cibernéticas encontró que los modelos recientes de pesos abiertos iban de cuatro a siete meses detrás de los sistemas cerrados de frontera, aunque la brecha reportada se había reducido desde seis a diez meses durante gran parte de 2025. Un comprador no puede asumir que un modelo abierto más barato puede sustituir a un modelo de frontera en una tarea cibernética sensible. Un enrutador útil debe poder seleccionar el modelo cerrado —o rechazar la tarea— cuando un candidato abierto no alcanza el umbral requerido.

La política de suministro también reduce el conjunto de opciones. OpenRouter reportó que los modelos chinos representaron más de 30% del uso de tokens de empresas estadounidenses en su servicio cada semana desde el 8 de febrero, frente a 11% durante los 12 meses anteriores. Eso es uso de OpenRouter, no un censo de empresas estadounidenses. Sí muestra por qué una regla que excluya pesos chinos afectaría a compradores que ya usan ese canal. El ecosistema de pesos abiertos de Qwen vuelve especialmente concreta la pregunta de compras: la licencia, la procedencia y la aprobación de seguridad de un modelo pueden importar tanto como su puntuación en tareas.

Para perseguir su mezcla propuesta de 70%–80%, AT&T debe mostrar qué tareas puede atender un modelo abierto aprobado dentro de sus requisitos de calidad, costo y política de datos. Cuando ningún candidato lo logra, el acceso a los pesos no cambia nada; cuando varios lo hacen, AT&T puede cambiar de proveedores sin reconstruir el trabajo.