Empresa de IA, que todos los días depende de reiniciar los límites para contener emergencias.
A finales de octubre, OpenAI volvió a ajustar las reglas de cuotas, en respuesta a las quejas de los usuarios sobre la reducción de la cuota del plan Pro 200. Tras mencionar "hemos recibido comentarios amables", Tibo, responsable de Codex, anunció que los límites de uso de todos los planes Pro y Business Premium se duplicaron. En la comunidad, hubo celebraciones continuas.
Cosas similares también han ocurrido recientemente con Kimi, pero el tono parece ser aún más "crudo".
El nuevo modelo Kimi K3.1 Pro, bajo la marca Luna Obscura, se lanzó hace menos de 12 horas y ya ha generado controversia. Por un lado, bloggers internacionales han publicado exposiciones sobre cómo el modelo proporciona plantillas de promoción que exigen ocultar la etiqueta de colaboración pagada; por otro, los usuarios han expresado quejas concentradas sobre el rápido agotamiento de los límites: apenas se inician las tareas, ya se descubre que se está cerca del límite de uso.
Dos días después, Moonshot se disculpó públicamente por la limitación de flujo y el consumo innecesario de cuotas en K3.1 Pro, restauró un 25% adicional del cupo mensual para todos los suscriptores de planes y declaró que reducirá las llamadas innecesarias a sub-Agents y la longitud de las salidas.
Aunque esta es la tercera disculpa de Kimi en seis meses, este "incidente de límite" no se ha resuelto realmente.
El "agujero negro de límite" sigue continuando
Entre los grandes modelos nacionales, Kimi siempre ha sido una presencia especial. Gracias a su capacidad para procesar textos largos y generar contenido textual, no solo ha acumulado un grupo de usuarios leales, sino que también tiene la capacidad de competir directamente con grandes empresas extranjeras que poseen enormes recursos de cómputo y reservas financieras en la competencia global de modelos de vanguardia.
Pero desde principios de este año, las quejas sobre que sus paquetes de suscripción se agotan demasiado rápido no han cesado. “Los que no tienen dinero no pueden permitírselo, y los que sí lo tienen obtienen mejor relación calidad-precio con modelos extranjeros”, señaló un usuario intensivo de IA. Según ellos, por el mismo precio, Kimi ofrece mucho menos cuota que GPT y Claude. Otros usuarios comparan con otros modelos: “Con 199 de recarga en DeepSeek te alcanza para un mes, pero con Kimi solo te alcanza para un día”.
Para estos usuarios, el modelo grande no es una herramienta de chat que se abre ocasionalmente, sino un producto de productividad integrado en su flujo de trabajo diario. Por lo tanto, su percepción del consumo de cuotas es muy directa.
Después del lanzamiento de K3.1 Pro, esta contradicción se volvió más evidente. El nuevo modelo experimentó una mejora significativa en capacidades como código, tareas de largo alcance y modelado 3D, y la respuesta del mercado ha sido bastante positiva. El índice de inteligencia otorgado por Artificial Analysis es de 55 puntos, ubicándolo en el cuarto lugar mundial y convirtiéndolo en el modelo de peso abierto con la puntuación más alta en la lista. La institución de evaluación externa ModelCompare incluso afirmó, debido a la aparición de este modelo, que "la brecha de IA entre China y EE.UU. se redujo de varios meses a solo 31 días".
Solo mirando los precios de la API, Kimi sigue esforzándose por mantener la ventaja de costos típica de los modelos nacionales: el K3.1 Pro reduce aproximadamente un tercio respecto a la generación anterior, con la entrada disminuyendo de 20 yuanes por millón de tokens a 13 yuanes, y la salida de 100 yuanes a 68 yuanes. Sin embargo, para los usuarios que compran paquetes de suscripción, aunque la capacidad del modelo ha mejorado, deben calcular con más cuidado su cuota al usarlo realmente.
Un suscriptor de larga data de Kimi descubrió que, aunque el precio unitario es más bajo, el nuevo modelo consume más tokens por tarea completada, lo que resulta en un costo total aproximadamente igual. Según las pruebas de Artificial Analysis, el K3.1 Pro generó un total de aproximadamente 150 millones de tokens en la serie completa Intelligence Index, mientras que la mediana de los modelos participantes fue de solo 87 millones de tokens. Convertido, el volumen de tokens del K3.1 Pro es aproximadamente un 72% superior al nivel mediano.
Los casos reales de tareas son aún más alarmantes. En la comunidad, un usuario que suscribió el paquete de 199 yuanes de Kimi envió solo la instrucción "revisar la arquitectura del proyecto", y K3.1 Pro activó 5 sub-Agents, agotando el límite de 5 horas en solo unos minutos. Frente a la pregunta clásica "el pelícano monta en bicicleta", K3.1 Pro generó una respuesta de 1 hora y 47 minutos, consumiendo el 87% del límite de 5 horas.
Lo que es más problemático es que la compensación de cuotas tampoco logró calmar por completo la insatisfacción de los usuarios. En los últimos días, numerosos usuarios han reportado que, aunque ahora tienen cuota, no pueden utilizarla.
“Kimi está en horario pico, por favor inténtelo de nuevo más tarde o actualice su suscripción para acelerar.” Incluso tras pagar por una suscripción, este mensaje frustrante sigue apareciendo repetidamente en los chats de numerosos usuarios, incluyendo a quienes ya habían actualizado su plan anteriormente por falta de cuota.
Kimi ha llevado el modelo a un límite de capacidad superior, pero lo que los usuarios ahora enfrentan ya no es solo un problema de consumo de cuotas, sino también una brecha entre el servicio disponible en horas pico y los beneficios pagos.
“No se atreve a dar todo”, ¿Kimi está empezando a usar la memoria?
Para aliviar la presión sobre los límites, Kimi parece haber comenzado a ajustar su función de memoria, antes considerada su mayor orgullo. El 10 de agosto, Kimi actualizó la arquitectura de memoria sin notificar previamente a los usuarios, introduciendo un mecanismo de "memoria onírica" que consume cuotas pagadas, el cual lee automáticamente el contenido de las conversaciones en segundo plano y lo escribe en la base de memoria.
Ahora, varios usuarios han informado que el espacio de memoria de Kimi no ha podido cargarse normalmente estos días, lo que sugiere que el equipo oficial está actualizando y modificando el mecanismo de memoria. Actualmente, la nueva versión de la memoria tiende a agrupar y resumir las instrucciones de memoria pasadas en preferencias del usuario, en lugar de ejecutarlas individualmente como antes. La ventaja es que el consumo de tokens podría reducirse. Sin embargo, el costo es que la capacidad de memoria más detallada también se verá afectada.
Sin embargo, esto solo puede aliviar parcialmente el consumo. El problema de costos al que se enfrenta Kimi proviene en primer lugar del modelo en sí.
K3.1 Pro es un modelo con 3 billones de parámetros. La información previamente circulada en la industria sobre la arquitectura de la serie K3 indicaba que su tamaño de modelo era aproximadamente de 2.8T parámetros, con unos 104B parámetros activados. En comparación, algunos modelos con un tamaño de parámetros relativamente más pequeño y una mayor eficiencia de activación tienen ventajas en el control de costos de ingeniería. Fabricantes como DeepSeek y Zhipu están buscando un equilibrio más adecuado entre capacidad y costo mediante la optimización de la arquitectura del modelo y la ingeniería de inferencia.
Luego está el consumo de razonamiento generado por tareas complejas. Kimi K3.1 Pro tiene activado por defecto el modo de pensamiento durante todo el proceso, lo que genera cadenas de razonamiento más largas y más contenido intermedio de inferencia. Un contexto largo aumenta la carga computacional del procesamiento de entrada, y el razonamiento complejo junto con múltiples llamadas a Agentes también elevan aún más el consumo total. Una tarea de Agente que requiera múltiples llamadas al modelo, la ejecución de varios sub-Agentes, y revisiones y modificaciones repetidas puede consumir recursos mucho más allá de lo que el usuario percibe como una sola pregunta.
Para Kimi, lo que realmente necesita demostrar tal vez no sea si puede seguir aumentando los parámetros del modelo, sino hasta qué punto puede mejorar la eficiencia de inferencia al mismo tiempo que eleva su capacidad. Un desarrollador que sigue a Kimi señaló que, en lugar de participar ciegamente en la competencia de modelos de alto nivel, Kimi debería invertir recursos en desarrollar modelos más ligeros y eficientes.
Este no es un problema de Kimi solo.
Todos los proveedores que ofrecen servicios de modelos avanzados con una tarifa mensual fija enfrentan la misma tensión estructural: el aumento de la capacidad del modelo suele ir acompañado de un crecimiento proporcional o incluso superlineal en los costos de inferencia, mientras que los precios de suscripción son rígidos y las expectativas de los usuarios son que “lo que pagas debe ser suficiente”. La diferencia radica en que algunas empresas convierten la eficiencia de tokens en una capacidad de producto, mientras que otras convierten los avances en capital de marca, y los usuarios suscritos quedan atrapados en medio, pagando costos operativos superiores a lo esperado por un “inteligencia poderosa”.
Además, los recursos de cómputo de Moonshot dependen en gran medida de suministros externos. Bloomberg informó previamente que Moonshot tiene un acuerdo de cómputo con Alibaba, lo que le permite utilizar un clúster de aproximadamente 20.000 chips de NVIDIA, cuya capacidad de cómputo representa una parte significativa de los recursos totales de Moonshot. Anteriormente, tras su lanzamiento, Kimi suspendió nuevas suscripciones dentro de las 48 horas debido a que la capacidad de GPU se acercaba al límite.
Cuando la capacidad de cómputo de una empresa ya está bajo presión, ofrecer cuotas generosas a usuarios finales suscriptores es financieramente irracional.
¿A quién deberían ganar dinero los modelos nacionales?
Si una empresa tiene una capacidad de cómputo limitada, debe decidir un problema práctico: ¿dónde asignar prioridad los recursos? ¿Entrenar e iterar el próximo modelo, invertir en servicios de inferencia en tiempo real para millones de usuarios individuales, garantizar las necesidades de llamadas a la API de desarrolladores, o proporcionar cuotas más generosas a los usuarios suscritos?
Detrás de las diferentes opciones se encuentran distintas prioridades de comercialización. La controversia sobre el límite de Kimi también revela la verdadera posición de Moonshot AI respecto a las suscripciones de consumidor final bajo restricciones de capacidad de cómputo.
De agosto a septiembre de 2026, múltiples medios informaron que Moonshot está negociando con Microsoft, Amazon y Google para listar K3 en Azure, AWS y Google Cloud, y obtener hasta un 30% de los ingresos generados por la venta de servicios K3 a través de estas plataformas. Además, la licencia de código abierto de K3 no es el protocolo MIT estándar, sino un acuerdo redactado por Moonshot: los proveedores de alojamiento MaaS con ingresos anuales superiores a 20 millones de dólares deben firmar un acuerdo de licencia comercial adicional.
Juntar estos dos hechos revela que Moonshot está explorando un camino comercial distinto al de simplemente operar suscripciones B2C: en lugar de construir por sí misma una infraestructura masiva de inferencia B2C, es mucho más coherente con su situación de recursos otorgar prioritariamente sus capacidades de modelo en volumen a proveedores de nube que poseen capacidad de cómputo y canales de distribución, en lugar de venderlas al por menor a millones de usuarios suscritos.
Cuando el extremo C asume más el papel de entrada de usuarios, retroalimentación de producto y demostración de capacidades del modelo, en lugar de ser la principal fuente de ingresos, su pool de cuotas podría diferir de las expectativas de los usuarios.
Actualmente, las empresas chinas de modelos grandes también están buscando sus propios métodos más adecuados para generar ingresos.
La competitividad de DeepSeek se debe en gran medida a la combinación de la capacidad del modelo, la eficiencia de razonamiento y el ecosistema abierto. Actualmente, casi todos los ingresos provienen de cargos por llamadas a la API del modelo, mientras que la aplicación de chatbot sigue siendo gratuita y sin publicidad. Según The Information, la tasa anual de ingresos de DeepSeek ha superado los 1.000 millones de dólares, más que duplicando la cifra de menos de 500 millones de dólares hace algunos meses. El CEO, Liang Wenhong, declaró claramente en una reciente reunión con inversores que el aumento en los precios de la API no ha provocado la pérdida de clientes, y la demanda de los usuarios sigue siendo fuerte.
Zhipu está atravesando una transformación de su modelo de negocio, pasando de depender de implementaciones locales a servicios de suscripción API. Según los estados financieros del primer semestre de 2026, los ingresos de la plataforma abierta y los servicios API de Zhipu representan el 86,5%, un aumento del 2735,7% interanual, mientras que los ingresos provenientes de implementaciones locales disminuyeron del 84,8% al 13,5%. Este cambio es impulsado en gran medida por el auge de la demanda de Coding.
MiniMax, que comenzó como un producto B2C para mercados internacionales, está intentando ampliar sus límites de comercialización. Además de seguir desarrollando modelos, API y productos orientados a usuarios individuales, también está intensificando sus esfuerzos en el mercado B2B, extendiendo sus capacidades hacia la generación de video, así como hacia Agentes, Razonamiento y Programación. Su estrategia consiste en integrar las capacidades del modelo en más escenarios empresariales y de desarrolladores, evitando depender excesivamente de un solo producto o grupo de clientes.
En comparación con las rutas directas de monetización de estas empresas de modelos, los gigantes de internet tienen otra ventaja: ya poseen una matriz de productos madura, una gran base de usuarios y recursos de clientes empresariales, lo que les permite integrar los modelos grandes en sus ecosistemas existentes y buscar ingresos a través de la valorización de productos y servicios empresariales. Por ejemplo, Tencent está intentando transformar sus productos y escenarios de oficina mediante modelos grandes. Productos como WeChat y WeCom han integrado gradualmente capacidades de modelos como Yuanbao, Hunyuan y DeepSeek, y agentes de oficina inteligente como WorkBuddy también están acelerando la expansión de sus usuarios.
Tras integrar las capacidades de los productos QoderWork, MuleRun y Wukong, Alibaba lanzó Qwen Office, una plataforma unificada empresarial de agentes generales. En la conferencia Cloud栖 de septiembre, DingTalk completó la actualización de su versión comercial, manteniendo la versión estándar gratuita y añadiendo cuatro versiones de pago: AI Básica, AI Avanzada, AI Premium y AI Flagship, integrando plenamente las capacidades de Qwen Office.
No se puede lograr un negocio sostenible solo con precios bajos y tráfico; la capacidad del modelo puede seguir mejorando constantemente, pero la disposición del usuario a pagar no crecerá ilimitadamente. La verdadera pregunta es si cada empresa puede encontrar un modelo de negocio que se alinee con sus capacidades tecnológicas, recursos de cómputo y posición en el mercado.
No solo Kimi se encuentra al borde del precipicio de costos.
Twitter: https://twitter.com/BitpushNewsCN
Grupo de Telegram de BitPush: https://t.me/BitPushCommunity
Suscripción a BitPush en TG: https://t.me/bitpush