La verdadera pregunta nunca es "¿se reducirá la demanda de IA?", sino "¿en qué nivel de la cadena de suministro se asentará finalmente el valor?".

Autor del artículo, fuente: 0x9999in1, ME News

TL;DR

• Morgan Stanley en "Modelos de pesos abiertos y tres escenarios futuros" proporciona el juicio principal: el auge de modelos de pesos abiertos como Kimi K3, Qwen y Llama es un catalizador para acelerar la adopción de la IA, no una amenaza para los líderes del mercado.
• El argumento es la paradoja de Jevons: después de que el costo por inferencia única disminuya, las empresas utilizarán la IA en más tareas, lo que aumenta la demanda total de tokens, capacidad de cómputo, electricidad e infraestructura.
• Morgan Stanley advierte claramente: la apertura de peso no equivale a la gratuidad. Los costos de GPU, servicios en la nube, operaciones y seguridad aún existen; la viabilidad económica real depende del escenario.
• El estudio citado del MIT muestra que cambiar de modelos cerrados a abiertos puede reducir el precio promedio en aproximadamente un 70%, lo que equivale a un ahorro anual de unos 25 mil millones de dólares para las empresas; sin embargo, este estudio se completó en diciembre de 2025 y no incorpora plenamente los costos de implementación.
• La investigación de Carnegie Mellon es más cautelosa: el período de recuperación de la inversión depende en gran medida de la escala; las implementaciones de menor escala con menos de 30 mil millones de parámetros pueden recuperar la inversión rápidamente, pero la diferencia se vuelve significativa a mayor escala.
• Tres escenarios finales: oligopolio de código cerrado, coexistencia híbrida y victoria de los modelos de pesos abiertos. El punto de anclaje real es que el 63% de las empresas ya están utilizando dos tipos de modelos simultáneamente.
• Los únicos beneficiarios continuos son dos líneas: NVIDIA y el suministro de energía en el lugar. La razón no es tomar partido, sino que, independientemente de si la potencia de cómputo se concentra en centros de datos masivos o se distribuye en el borde, la lógica subyacente de las GPU y la electricidad no cambia.
• La verdadera pregunta nunca es "¿se reducirá la demanda de IA?", sino "¿en qué nivel de la cadena de suministro se asentará finalmente el valor?".

¿Qué malinterpretó el mercado?

A mediados de julio de 2026, se lanzó Kimi K3. El índice de semiconductores de Filadelfia cayó en respuesta, y NVIDIA, Micron, SK Hynix, e incluso empresas de EDA como Cadence también sufrieron el impacto.

¿Lo conoces? Demasiado conocido.

Hace más de un año, con el auge de DeepSeek, la reacción del mercado fue la misma: cuanto más fuerte sea el modelo de código abierto, menos valiosos se vuelven los recursos de cómputo. La lógica parece coherente: si un modelo con pesos abiertos puede igualar a los líderes del primer nivel, entonces la prima de los modelos cerrados desaparece; si la eficiencia mejora, la necesidad de acumular tarjetas disminuye. Así que se vendieron chips, equipos y electricidad, cortando toda la cadena.

Morgan Stanley llamó a esta cadena de reacción una malinterpretación en su informe del 4 de agosto.

¿Dónde está el malentendido? En que el mercado equiparó directamente "la reducción del costo unitario" con "la reducción del gasto total".

Hay una variable enorme en medio: el consumo.

Morgan Stanley citó la paradoja de Jevons. El economista del siglo XIX Jevons observó un fenómeno contraintuitivo: después de que la eficiencia de las máquinas de vapor mejorara y se pudiera hacer más trabajo con la misma cantidad de carbón, el consumo de carbón en el Reino Unido no disminuyó, sino que aumentó enormemente. Debido a que se volvió más barato, se volvió accesible; y como se volvió accesible, se utilizó en todas partes.

Aplicar la IA: el costo de una sola inferencia se reduce de un centavo a una décima parte de un décimo de centavo. Las empresas no se quedarán con el dinero ahorrado. En su lugar, integrarán la IA en aquellos procesos que antes eran "demasiado costosos" para realizar: revisión completa de tickets de soporte, escaneo continuo de repositorios de código, comparación punto por punto de contratos y clasificación automática de cada correo electrónico. Antes, no se hacían estas tareas no porque no se quisieran, sino porque eran demasiado caras para justificarlas.

Cuando el precio cae por debajo de esa línea, la demanda no aumenta linealmente, sino que se desploma en un flujo masivo.

II. ¿Qué se ha abierto realmente con "pesos abiertos"?

Aquí primero debemos aclarar los conceptos, porque la confusión del mercado proviene en parte de la confusión de los términos.

Morgan Stanley hizo en su informe una distinción que no es nueva pero sí necesaria: pesos abiertos ≠ código abierto.

Modelos de pesos abiertos definidos con precisión: Llama de Meta, Gemma de Google, y Qwen, DeepSeek, Kimi; los parámetros entrenados se publican. Puedes descargarlos, ajustarlos y desplegarlos por tu cuenta. Sin embargo, los datos de entrenamiento pueden no ser públicos y los acuerdos de licencia pueden tener restricciones.

El verdadero código abierto significa tener toda la pila tecnológica sobre la mesa: código, métodos de entrenamiento y detalles de los datos. El ejemplo mencionado en el informe es OLMo de AI2. Este círculo es mucho más pequeño de lo que la gente imagina.

Por lo tanto, la afirmación más precisa es: la diferencia fundamental entre pesos abiertos y cerrados no radica en el tamaño de los parámetros ni en quién está arriba o abajo en una lista, sino en la forma de obtenerlos y en su modelo de pago.

Open weights: Usually free to obtain weights, support fine-tuning, and flexible deployment options—on-premises, private cloud, public cloud, API, whatever you prefer.

Cerrado: licencia + facturación por token, todos los usuarios reciben el mismo conjunto de pesos, que no puedes modificar ni ver.

Morgan Stanley también dijo algo bastante realista: los modelos de vanguardia con el mejor rendimiento hoy en día siguen siendo en su mayoría cerrados. La razón es muy sencilla: el costo de entrenamiento es increíblemente alto, y nadie regalará el modelo anterior hasta que salga el siguiente.

Esta frase merece ser leída más de una vez. Significa que el seguimiento de modelos de pesos abiertos es, en esencia, una persecución con cierto retraso. La brecha se reducirá, pero la diferencia estructural en el tiempo no desaparece fácilmente.

Tres: Lo gratuito es lo más caro: los costos que no aparecen en la etiqueta de precio

The most valuable part of the report is precisely the section that tempers expectations around open weights.

Morgan Stanley citó una investigación del MIT: al cambiar de modelos cerrados a abiertos, el precio promedio puede reducirse aproximadamente un 70%, lo que se traduce en un ahorro empresarial de alrededor de 25 mil millones de dólares anuales.

Los números son impresionantes. Pero Morgan Stanley añadió de inmediato una observación: este estudio se completó en diciembre de 2025 y no incorpora adecuadamente los costos de implementación.

¿Qué es el costo de implementación? Debes comprar o alquilar tú mismo las GPU, alguien debe mantener el clúster, alguien debe ajustar el modelo, y alguien debe garantizar la seguridad y el cumplimiento. Los pesos abiertos te dan los planos y las piezas de un automóvil, no un automóvil listo para conducir.

La investigación de la Universidad Carnegie Mellon cuantificó esto de manera aún más drástica: el período de recuperación de la inversión depende en gran medida de la escala de implementación. Para implementaciones pequeñas con menos de 30 mil millones de parámetros, la recuperación puede ser rápida; pero una vez que la escala aumenta, la situación cambia por completo.

Esta es una realidad poco discutida pero extremadamente clave: la economía de los pesos abiertos no es una curva suave, sino una función definida por tramos.

Escenarios pequeños, alta frecuencia, tareas claras: los pesos abiertos están increíblemente atractivos.

Razonamiento complejo, agentes de largo alcance, confiabilidad extrema: el dinero cerrado no se gasta en vano.

Mira un paso más adelante hacia arquitecturas MoE supergrandes como Kimi K3. Incluso si solo se activan pocos expertos, los pesados pesos aún deben distribuirse en un clúster con memoria de alta capacidad y interconexiones de alta velocidad. Lo que se denomina "abierto" es la propiedad de los pesos, no la exención de los requisitos de hardware.

En otras palabras, los pesos abiertos han extendido la demanda de potencia de cálculo desde unos pocos laboratorios cerrados a proveedores de nube, nubes soberanas y centros de datos empresariales propios. El volumen total no ha disminuido, solo ha cambiado de dueño.

Esta es la cuenta que el mercado no resolvió durante la caída de julio.

Cuatro: Tres escenarios finales, hacia dónde se desplaza el valor

Morgan Stanley no apostó por una sola conclusión, sino que presentó tres escenarios. Esta forma de escribir ya es un juicio: nadie sabe el resultado final, pero la estructura de beneficios de cada escenario final puede trazarse de antemano.

Se supone que el rendimiento de los modelos de vanguardia es difícil de replicar. La carga de trabajo sigue manteniendo una alta densidad de cálculo y se concentra aún más en nubes de gran escala. El precio del token seguirá bajando, pero más lentamente, ya que la estructura oligopólica mantiene la disciplina de precios.

Beneficiarios: proveedores de nube, software de seguridad, redes ópticas, semiconductores, cadena de suministro eléctrica.

El informe señala una variable específica: Google. Si Gemini 4 logra un avance y vuelve a estar a la vanguardia, el retorno de la inversión de Google por ejecutar su API de modelos en su propia infraestructura podría alcanzar aproximadamente el 45%. Si no lidera la vanguardia, Google se asemejaría más a un proveedor de infraestructura, con un ROI aproximado del 30%.

Una diferencia del quince por ciento se apoya sobre el modelo de la generación anterior. Esas son las cuotas de la competencia en la vanguardia.

No existe una arquitectura única que lo domine todo. Los modelos de vanguardia de código cerrado dominan las tareas de razonamiento complejo y agentes de IA, mientras que los pesos abiertos satisfacen las necesidades de alta frecuencia, sensibilidad a costos y especialización vertical.

La carga se extiende por la nube pública, la nube privada, local y en el borde. Por lo tanto, el software de "capa intermedia" como orquestación de modelos, enrutamiento, evaluación y gobernanza se convierte en clave para la migración de valor hacia arriba. La demanda de software de seguridad crece con la dispersión de la carga.

Esta situación tiene un respaldo real muy sólido: actualmente, el 63% de las empresas utilizan simultáneamente modelos de pesos abiertos y cerrados.

Este número es muy revelador. La elección de las empresas no es "creer en qué facción", sino "cuál tarea es más barata y estable con cuál". Esto es una acción de compra, no una lucha de líneas.

El rendimiento de los pesos abiertos converge progresivamente hacia los niveles de vanguardia, y la inteligencia de los modelos básicos se vuelve ampliamente accesible. Los precios de las API de los modelos han disminuido significativamente, desencadenando una ola de adopción empresarial.

La infraestructura de IA se dirige hacia la descentralización: la demanda de centros de datos privados, nubes soberanas, implementaciones locales y dispositivos de borde ha aumentado significativamente. El enfoque de la innovación se ha trasladado del preentrenamiento al ajuste fino, la optimización de inferencia, agentes y la implementación de aplicaciones concretas.

En este escenario, el software de seguridad es uno de los mayores ganadores. También es fácil de entender: en un mundo donde los pesos pueden fluir libremente, la superficie de ataque se expande de forma geométrica.

La divergencia a nivel de acciones es interesante: AVGO podría ser el mayor beneficiario individual en un escenario cerrado; empresas de infraestructura local como DELL y HPE, así como fabricantes de dispositivos periféricos como Apple, tienen más facilidad para liberar valor en un escenario abierto. Los proveedores de nube dependerán de hacia dónde fluyan finalmente las cargas de trabajo: si se cumple el escenario abierto, Microsoft tiene una ventaja más clara gracias a su capacidad híbrida y de implementación local, mientras que Amazon y Google se verían reubicados como "otros beneficiarios" en este escenario.

V. Beneficiarios de 24/7: ¿Por qué NVIDIA y la electricidad?

Después de analizar los tres escenarios, Morgan Stanley identificó dos líneas que atraviesan todos los escenarios.

The first one is NVIDIA.

La lógica no es compleja, pero es sólida: independientemente de si la potencia de cálculo se concentra en centros de datos de gran escala o se distribuye en salas de servidores empresariales y en el borde, la lógica subyacente de la demanda de GPU no cambia.

Concentración: unos pocos compran grandes volúmenes; dispersión: decenas de miles compran pequeñas cantidades. El volumen total no disminuye, e incluso aumenta debido a la mayor difusión.

Cabe destacar que Morgan Stanley también aumentó recientemente la estimación de costos para los clústeres de IA: el precio del sistema NVIDIA Vera Rubin se situó en aproximadamente 49 mil millones de dólares por gigavatio, un 20 % más que la predicción anterior.

Este número es un poco sutil aquí. Por un lado, los modelos se vuelven más baratos; por otro, el gasto de capital por unidad de capacidad de cómputo aumenta. Ambos no son contradictorios: el costo marginal en la inferencia disminuye, mientras que la inversión fija en entrenamiento y despliegue aumenta. Lo primero impulsa la expansión de la demanda; lo segundo determina quién tiene derecho a participar en la oferta.

La segunda es el suministro de energía en el lugar (on-site power).

La razón es que la curva de demanda eléctrica abarca simultáneamente dos configuraciones: "centralizada" y "distribuida". Independientemente de cómo se distribuyan las cargas, la expansión de la IA implica que el consumo de energía y la capacidad de suministro deben aumentar al mismo ritmo.

La electricidad es la restricción más implacable en toda la narrativa de la IA. Los modelos pueden ser de código abierto, los pesos pueden descargarse, los chips pueden reemplazarse, pero la electricidad no puede ser de código abierto. Un gigavatio es un gigavatio, y nadie puede crearlo.

Esta podría ser la línea más segura de las tres situaciones. Tan segura que resulta un poco aburrida.

Seis: El verdadero valor de este informe no es la conclusión, sino el marco.

Comparte tu opinión.

Si se lee solo el título de este informe de Morgan Stanley: "Los pesos abiertos aceleran la adopción en lugar de debilitar a los líderes", es fácil considerarlo una frase destinada a calmar el mercado. Pero lo realmente significativo es que cambia la forma de plantear la pregunta.

El problema original del mercado era: ¿se reducirá la demanda de IA debido al aumento de la eficiencia?

La pregunta de Morgan Stanley es: la demanda de IA definitivamente no se reducirá, pero la cuestión es en qué nivel de la cadena de suministro terminará acumulándose el valor: en la capacidad de cómputo, la nube, la orquestación y gobernanza de software, o en la infraestructura distribuida local y de borde?

La diferencia entre estas dos preguntas es la diferencia entre una mentalidad de mercado bajista y una mentalidad estructural.

Creo que la dirección de Morgan Stanley es correcta, pero hay dos aspectos que merecen atención.

En primer lugar, la paradoja de Jevons no entra en vigor automáticamente.

El efecto Jevons tiene como premisa que la demanda debe tener suficiente elasticidad. El carbón se volvió más eficiente precisamente porque en el Reino Unido del siglo XIX había muchas industrias aún no mecanizadas. La situación con la IA es similar, pero no idéntica: aunque las empresas pueden integrar la IA en muchos escenarios, lo que ocurre después —si genera retornos medibles— es otra cuestión.

Si muchas empresas solo utilizan la IA en áreas que "parecen estar ocupadas pero no pueden especificar los beneficios", la expansión de la demanda tendrá un techo, y este techo aparecerá de repente en algún trimestre. La paradoja de Jevons describe la eficiencia en la conversión de energía, pero no garantiza que la conversión produzca valor.

En segundo lugar, la conclusión de que "NVIDIA se beneficia ininterrumpidamente" es demasiado cómoda para ser correcta.

Es difícil encontrar errores lógicos: la demanda de GPU no cambia con la ruta de la arquitectura. Pero entre un juicio correcto y una buena decisión de inversión, hay el precio. El informe no responde, ni debería responder, si el mercado ya ha precificado plenamente esta expectativa "todo el tiempo".

Un argumento alcista lógicamente impecable suele ser un caldo de cultivo para operaciones saturadas. Esto no es contradecir, sino recordar: la certeza de una conclusión no equivale a la atractividad de las probabilidades.

Siete: Para las empresas, esto en realidad es más sencillo

Ignorando el juego de valoración en el mercado secundario, desde la perspectiva de la compra empresarial, las lecciones de este informe son mucho más sencillas.

El 63% de las empresas usan ambos lados; este número ya da la respuesta: no elijas un bando, elige el escenario.

Tareas frecuentes, predecibles, sensibles a datos y con límites bien definidos: construirlas con pesos abiertos ahorra dinero real, especialmente por debajo del nivel de 30 mil millones de parámetros, con un período de recuperación tan corto que resulta atractivo.

Comprar una API cerrada para tareas que requieren razonamiento complejo, agentes de largo alcance y actualizaciones continuas de capacidades前沿 es algo digno; pagar por confiabilidad y velocidad de iteración no es vergonzoso.

Lo que realmente requiere inversión es la capa intermedia: orquestación, enrutamiento, evaluación y gobernanza. ¿Cómo determinas por qué camino debe ir una solicitud? ¿Cómo garantizas que la calidad de la salida no se degrade tras cambiar el modelo? ¿Cómo controlas los límites de los datos en un mundo donde los pesos se pueden descargar libremente?

Morgan Stanley enumera esta capa como el principal beneficiario en un escenario mixto; creo que este juicio es más práctico que cualquier recomendación de acciones individuales, porque esta capa es una capacidad que las empresas deben construir por sí mismas y no se puede comprar.

Por cierto, sobre la seguridad. Los pesos abiertos descentralizan la implementación del modelo y también descentralizan la superficie de ataque. Antes solo tenías que gestionar unas pocas claves API; ahora debes gestionar un conjunto de archivos de pesos que se ejecutan localmente, datos de ajuste fino y puntos finales de inferencia. Que el software de seguridad sea mencionado en los tres escenarios no es una coincidencia.

Ocho. Cierre

El día del lanzamiento de Kimi K3, las acciones semiconductoras cayeron en picada. Hoy, mirando hacia atrás, parece más un reflejo condicionado del mercado que un acto de reflexión.

Los pesos abiertos no son los que levantan la mesa. Son los que alargan la mesa.

Después de extender la mesa, ¿será desplazado el que antes estaba en el asiento principal? Posiblemente, pero no debido al peso abierto en sí, sino porque él mismo no logró mantenerse en la vanguardia. Son dos cosas distintas.

Lo más honesto de este informe de Morgan Stanley es que no te dice cuál es el resultado final, solo te indica quién no se moverá en cada uno de los posibles escenarios finales.

NVIDIA y electricidad.

El primero es consenso, el segundo es físico.

En cuanto a las empresas intermedias que siguen los movimientos al alza y a la baja, cambian de bando y se reevalúan, su destino depende en gran medida del contexto. Esta frase puede sonar como una obviedad, pero en un mercado donde todos buscan respuestas seguras, admitir "depende del contexto" es, de hecho, la forma más valiosa de honestidad.

Los modelos se volverán más baratos generación tras generación; esta es una tendencia que no se puede detener.

La capacidad de cálculo se dispersará capa tras capa; esta es una tendencia que no se puede detener.

Pero lo barato y la diversificación juntos nunca equivalen a un retroceso.

Jevons entendió esto en 1865. Pasaron ciento sesenta años y la humanidad todavía está pagando la lección por el mismo error intuitivo.

Es muy interesante.

Citar fuente

1. Morgan Stanley, *Modelos de peso abierto y tres escenarios futuros* (informe de investigación), agosto de 2026
2. Gelonghui / Sina Finance: "Morgan Stanley: Los modelos de peso abierto reducen los costos de IA; la paradoja de Jevons podría impulsar el crecimiento continuo de la demanda de capacidad de cómputo", 4 de agosto de 2026
3. BigGo Finance: *Modelos de peso abierto para acelerar la adopción de IA: Morgan Stanley describe tres escenarios y nombra a Nvidia y Power Chain como beneficiarios*, 4 de agosto de 2026
4. Huoxing Caijing: "Morgan Stanley: El auge de los modelos de IA con pesos abiertos acelerará la adopción de la IA al reducir costos", 4 de agosto de 2026
5. Blockspace Media: *Morgan Stanley dice que la IA de peso abierto podría aumentar la demanda de cómputo y energía*, 2026年8月
6. Estudio del MIT sobre la diferencia de precios entre modelos abiertos y cerrados (completado en diciembre de 2025, citado en un informe de Morgan Stanley)
7. La Universidad Carnegie Mellon sobre la relación entre el período de recuperación de la inversión y la escala de la implementación de modelos abiertos (citado en el informe de Morgan Stanley)
8. Insights de Morgan Stanley: *Oportunidades en la infraestructura de IA* (con actualización de la estimación de costo por gigavatio del sistema Vera Rubin)