Los presupuestos de tokens generosos se convirtieron en el mayor escudo que protege a los laboratorios de IA de frontera en Estados Unidos. Esa es la lectura que dejan los ingenieros de software que ya incorporaron GLM 5.2, el modelo de la firma pekinesa Z.ai, a su rutina diaria de programación.
Zain Hasan, ingeniero de IA en Together AI, aprendió a usar asistentes de codificación con un ojo puesto en el gasto. Manda los problemas difíciles a un modelo de frontera, cercano al estado del arte en razonamiento, como Fable de Anthropic. Pero cuando la tarea es más directa, la deriva a un modelo menos capaz y más barato. Hoy, ese modelo tiende a ser GLM 5.2.
¿Qué es GLM 5.2 y por qué es tan barato?
Lanzado el 16 de junio por el laboratorio Z.ai, GLM 5.2 es un modelo de pesos abiertos: cualquier organización con hardware suficiente puede descargarlo y alojarlo gratis. Se distribuye bajo licencia MIT, lo que permite copiarlo, modificarlo y usarlo sin restricciones comerciales.
Se trata de un modelo de 753 mil millones de parámetros, de los cuales solo 40 mil millones están activos a la vez, una optimización tipo mezcla de expertos que acelera la respuesta. Quienes pagan por la API de Z.ai igual ahorran: cuesta 4,40 dólares por millón de tokens de salida, menos de un quinto del precio de Opus 4.8 de Anthropic y una décima parte del costo de Fable, el modelo de codificación de la misma empresa.
El problema, dice Hasan, es que muchas empresas todavía no miden lo que gastan.
"Muchas compañías siguen tratando de entender esta tecnología, así que no hay realmente un presupuesto de tokens", explicó. Y cuando paga otro, lo racional para el ingeniero es saltarse el cálculo del costo. "Lo más fácil es elegir el modelo más potente."
Benchmarks: ¿qué tan cerca está de Opus 4.8?
GLM 5.2 sumó temores de que las empresas estadounidenses pierdan su ventaja competitiva. El modelo casi empata el puntaje de Opus 4.8 en algunos benchmarks de programación agéntica, como FrontierSWE y PostTrainBench. Investigadores de ciberseguridad también hallaron que rinde bien en pruebas de seguridad, una capacidad que motivó comparaciones con Mythos de Anthropic.
El avance no es aislado. Según el AI Index de Stanford, las empresas chinas produjeron en 2025 algo más de la mitad de los modelos "notables" que sus pares estadounidenses. Era cerca de un tercio en 2023 y un quinto en 2020.
Aun así, la brecha persiste en las tareas más duras. Z.ai publicó su propio reporte técnico el día del lanzamiento, centrado en Opus 4.8 y GPT-5.5 de OpenAI, y solo reclamó victorias en dos benchmarks de razonamiento menos exigentes, ninguno de codificación. En SWE-Marathon, una prueba larga de programación agéntica, GLM 5.2 completó apenas 13 por ciento de las tareas; Opus 4.8 duplicó ese puntaje. Opus también se impuso por 10 puntos o más en NL2Repo, DeepSWE y Tool-Decathlon.
¿Cómo usan GLM 5.2 los programadores?
Los resultados en flujos reales varían mucho. Hasan, cuya empresa aloja el modelo en infraestructura norteamericana, destaca la resistencia en tareas largas.
"Lo principal que noté con GLM 5.2 es que puede hacer tareas de horizonte más largo", dijo. Los modelos de pesos abiertos previos, agregó, solían perder el hilo tras cinco a quince intercambios. "Con este pude usarlo por horas y mantenía una línea de pensamiento coherente."
David Nix, ingeniero principal en MetaRouter de Denver, dice que GLM 5.2 llega "muy cerca" de modelos como Opus y GPT-5.5, lo bastante para ganarse un lugar fijo en su rotación. Estima que maneja entre 10 y 20 por ciento del trabajo diario que envía a un modelo, y ya es su primera parada para tareas puntuales como el diseño de front-end. Hasan coincide en que tiene "muy buen gusto" para el diseño web.
No todos quedaron conformes. Sai Kiran Myadaram, ingeniero en Indhic AI de Bengaluru, se suscribió la semana del lanzamiento y agotó su cuota semanal en menos de dos o tres días. Además reportó alucinaciones y sobre-planificación en arreglos menores de front-end. "Me está arruinando el código base", dijo, antes de volver a Codex de OpenAI.
