IBM dice que la IA abierta ya rinde al 90%
Escuchar el artículo · 2:48
Krishna cifra el vuelco empresarial: modelos abiertos al 90% de eficacia por una fracción del coste por token.
En este artículo (4)▼
Noventa por ciento del rendimiento a una décima del precio por token.
La cifra que Krishna puso sobre la mesa
Arvind Krishna soltó el dato en la llamada de resultados del tercer trimestre de 2026, alrededor del 21 y 22 de octubre, al responder a Matt Swanson de RBC sobre cómo contener el gasto en IA sin perder el control del despliegue. Su serie histórica: a finales de 2024 la frontera marcaba 70 puntos frente a 20 o 30 de la abierta en una evaluación amplia; a finales de 2025, 70 frente a 50; hoy la abierta ronda el 90% de eficacia. Y el coste por token de los pesos abiertos se mueve entre el 10% y el 25% del de frontera. Cubrieron la llamada Xataka en español el 23 de octubre con firma de Javier Marquez, The Register, Benzinga y Constellation, con transcripción disponible en Yahoo Finance.
Del ranking de puntos al euro por millón de tokens
La tesis de Krishna cambia el eje de la discusión. La carrera llevaba años girando alrededor de quién tiene el modelo más capaz, con cada generación buscando lo más alto de las clasificaciones. Su argumento: cuando se usa la IA de verdad, miles o millones de veces, lo que manda es cuánto cuesta cada respuesta suficientemente buena. IBM empuja en esa dirección a su familia Granite, modelos abiertos para empresa, pequeños y eficientes, con despliegue flexible en infraestructura propia. Granite 4.0 combina arquitectura híbrida Mamba-2 con transformer, recorta memoria en contextos largos y su variante pequeña activa solo 9B de 32B totales, superando a casi todos los abiertos en IFEval salvo Llama 4 Maverick.
Una cifra de parte con asteriscos visibles
Xataka advierte lo esencial: son valoraciones de Krishna sin pruebas concretas identificadas, con un benchmark amplio sin nombre y sin verificación independiente. El 10% es el extremo optimista del rango y los costes reales dependen del mix de entrada y salida y del proveedor. IBM cita PoCs de Granite 3.0 con entre 3x y 23x menos coste frente a GPT-4, pero con letra pequeña sobre precios de watsonx contra OpenAI. Y el ahorro de más del 90% en inferencia citado por FT Partner Content y Ars viene de contenido patrocinado por la propia IBM. Falta lo importante: qué benchmark usa Krishna, qué modelos compara a qué precios reales y cuántos clientes migraron cargas con ahorro auditado.
El pitch on-prem disfrazado de dato de mercado
El argumento de Krishna también es una cuña comercial. Pesos abiertos en infraestructura propia significa soberanía sobre el despliegue, justo lo que preguntaba el analista de RBC. Ningún hyperscaler respondió aún a la cifra del 90% frente al 10%. La pregunta que deja para quien despliega IA a escala es directa: qué cargas siguen justificando pagar diez veces más por ese último tramo de capacidad.
Fuente: xataka.com, theregister.com
