La escalada de los pesos abiertos
El jueves 16 de julio, Moonshot AI liberó su modelo insignia más reciente, Kimi K3. K3 es un modelo Mixture-of-Experts (MoE) de 2,8 billones de parámetros cuyos pesos se publicarán el 27 de julio. Buena parte de este análisis parte del supuesto de que Moonshot cumpla esa fecha de liberación.
El dato central es que la brecha de desempeño, tanto entre modelos abiertos y cerrados como entre los estadounidenses y los chinos, se redujo desde los 6 a 9 meses que se discutían hasta algo más cercano a 3 a 5 meses.
Por lo que muestran los materiales de lanzamiento, K3 es un verdadero modelo de frontera. Es lo más cerca que un modelo abierto ha estado de la vanguardia desde DeepSeek R1. Pero la historia es distinta. DeepSeek R1 fue un laboratorio chino pivoteando muy rápido hacia los modelos de razonamiento. Kimi K3, en cambio, es un ejemplo de un laboratorio chino ejecutando el escalamiento de áreas ya conocidas: datos, algoritmos, arquitectura, herramientas y entornos.
¿Qué tan bueno es Kimi K3 frente a la competencia?
Kimi K3 aparece segundo en el índice de Vals AI, tercero en el Intelligence Index de Artificial Analysis (solo superado por Claude Fable y GPT-5.6 Sol Max, y a la vez más barato) y primero en el Frontend Code Arena. Moonshot AI compite de igual a igual con Anthropic y OpenAI usando muchísimos menos recursos.
Es, con claridad, el modelo abierto más potente jamás liberado. Y deja una señal importante: si la destilación adversarial desde los modelos cerrados de frontera de Estados Unidos aportó algo, fue en un grado relativamente pequeño. Quienes siguieron el llamado pánico por la destilación y concluyeron que los laboratorios chinos solo producen buenos modelos por robo de propiedad intelectual están por llevarse una sorpresa: las empresas chinas son extremadamente buenas construyendo modelos, del mismo modo en que lo son las líderes estadounidenses.
El estado del arte en desempeño máximo por laboratorio queda, a grandes rasgos, así:
- Anthropic: Claude Fable 5
- OpenAI: GPT 5.6 Sol
- Moonshot AI: Kimi K3 (pesos abiertos)
- SpaceXAI: Grok 4.5
- Zhipu (Z.ai): GLM 5.2 (pesos abiertos)
- Meta: Muse Spark 1.1
- DeepMind: Gemini Flash 3.5
- Alibaba: Qwen 3.7 Max
Que un jugador con muchísimo menos cómputo pelee estos puestos es notable. Todos los laboratorios chinos tienen mucho menos poder de cálculo que sus contrapartes estadounidenses, pero pueden destinar una fracción mayor de ese cómputo al entrenamiento, porque la adopción de IA en China arrancó más tarde y libera capacidad.
China recommita con la IA de código abierto
Muchos empezaron a seguir la escena china de IA hace poco, así que pueden concluir que liberar modelos abiertamente es su estrategia central. En realidad, la mayoría de los laboratorios tiene una estrategia mucho más parecida a la de Anthropic u OpenAI: construir la mejor inteligencia posible. La mejor explicación para su giro inicial hacia los modelos abiertos es la practicidad: necesitaban liberarlos para ganar adopción, atención y retroalimentación, sobre todo en el valioso mercado del Área de la Bahía.
Esta semana eso cambió. Xi Jinping dio un discurso central en la World AI Conference (WAIC) y comprometió de manera muy directa el futuro del ecosistema de IA chino con el código abierto y la difusión global. Ese compromiso, en la misma semana en que se anunció el modelo de pesos abiertos más potente hasta la fecha, es una marca clara en la historia temprana de la IA moderna.
Al ligar el compromiso de Xi a un modelo muy fuerte, China comentó de forma implícita su tolerancia al riesgo respecto de liberar modelos de pesos abiertos. La explicación más simple es que el gobierno chino sigue de cerca los riesgos potenciales de los modelos, probablemente con más alcance técnico que la regulación por percepción del gobierno estadounidense, y no encuentra en los modelos de frontera actuales un riesgo significativo.
¿Por qué los modelos abiertos golpean a los laboratorios de frontera?
Los modelos abiertos son desaceleracionistas en lo económico para los laboratorios de frontera, porque reducen de forma masiva el margen potencial de los laboratorios cerrados. Eso tiene dos efectos: los laboratorios tienen menos ganancias para reinvertir en modelos futuros, y el mercado percibe un menor valor terminal de esas empresas, lo que encarece sus futuras rondas de financiamiento.
Al mismo tiempo, los modelos abiertos son aceleracionistas para la difusión de la IA en la economía, porque bajan el precio de entrada a la inteligencia y fomentan la personalización. El potencial es que casi cualquier empresa los use para construir agentes específicos de su dominio. Esa difusión es, por naturaleza, mucho más lenta que los productos de los laboratorios de frontera, pero potencialmente más grande. El riesgo es claro: si los modelos cerrados se adelantan demasiado en capacidad bruta, esa ventaja de personalización puede volverse irrelevante.
En un panorama mediático estadounidense que atravesó meses de entusiasmo y alarmismo, esta sorpresa debería servir de aterrizaje. El mundo no comparte de forma unánime las narrativas sobre IA que más se escuchan en Estados Unidos.
