La 'fatiga de modelos' golpea a los laboratorios de IA

En una sola semana de principios de septiembre de 2026, cuatro de los mayores laboratorios de inteligencia artificial del mundo lanzaron nuevos modelos. Anthropic presentó Claude Fable 5.1 y Claude Mythos 5.1. Meta lanzó Muse Spark 1.3. Google presentó Gemini 3.8 Flash. OpenAI siguió con GPT-6 Astra, un modelo que la empresa dice centrado en ciberseguridad y en el manejo de computadoras, fruto de 'años de investigación y grandes apuestas'. Esa misma semana, la Universidad de Inteligencia Artificial Mohamed bin Zayed, en Abu Dabi, sumó su propia familia de modelos abiertos K2 Horizon, y el fabricante de chips Nvidia acordó comprar la plataforma de código abierto Hugging Face por 12.900 millones de dólares. El resultado, según directivos e investigadores consultados por CNBC, es un fenómeno al que llaman 'fatiga de modelos': un agotamiento creciente entre los ingenieros que construyen estos sistemas y las empresas que deben elegir entre ellos.

Por qué los laboratorios no bajan el ritmo

Esta agrupación de lanzamientos no es casualidad, según Ahmed Abbasi, profesor de la Mendoza School of Business de Notre Dame y con 25 años estudiando la IA. Según él, los grandes desarrolladores 'están todos jugando a quedarse con la mayor parte del presupuesto del cliente', compitiendo por recordar a clientes y desarrolladores que innovan al menos tan rápido como sus rivales. Anthropic y OpenAI, ambas valoradas por inversores privados en cerca de un billón de dólares, presionan con especial fuerza de cara a una eventual salida a bolsa. El director ejecutivo de OpenAI, Sam Altman, dijo a CNBC que 'todos nos estamos moviendo hacia ritmos más rápidos', atribuyendo parte de la aceleración al regreso de los equipos tras las vacaciones de verano.

El interés económico explica la urgencia. Gartner proyecta que el gasto mundial en IA alcanzará los 2,59 billones de dólares en 2026, un 47% más que en 2025, de los cuales más de un billón se destinará a servicios, software, seguridad, modelos y otras herramientas, no solo a infraestructura. Toda familia de modelos que se quede atrás en un lanzamiento arriesga perder parte de ese presupuesto frente a un rival dispuesto a lanzar más rápido, aunque, como señaló Noah Faro, responsable de tecnología de la startup financiera Farsight, la mayoría de los lanzamientos de esta semana fueron 'versiones puntuales', mejoras de modelos existentes y no creaciones completamente nuevas. Según Faro, los últimos lanzamientos que realmente marcaron una diferencia fueron Fable 5 de Anthropic en junio y Kimi K3 de Moonshot AI en julio.

Siento que la fatiga de modelos es real. No me malinterpreten, estoy muy entusiasmado con toda esta innovación, pero de verdad creo que estamos en un entorno con tanta efervescencia que hay que hacer ruido para destacar.

Una cinta sin fin que desgasta a ingenieros y compradores

El ritmo se ve con claridad en los datos. Según un análisis de Crypto Briefing, el intervalo mediano entre grandes lanzamientos de modelos punteros en toda la industria se redujo de 37,5 días en 2023 a solo 11 días en lo que va de 2026. El propio ritmo de OpenAI cuenta una historia similar: el intervalo mediano entre sus lanzamientos de modelos bajó de 170,5 días en 2023 a 49 días este año. Los laboratorios chinos han añadido presión: el modelo Kimi K3 de Moonshot AI, con 2,8 billones de parámetros, ha alcanzado paridad de rendimiento con sistemas propietarios cerrados a aproximadamente una sexta parte del costo de implementación, y los modelos chinos representaron el 41% de las descargas en Hugging Face en la primavera de 2026, antes de la compra de la plataforma por parte de Nvidia.

Los analistas de Gartner señalaron el problema de fondo en junio de 2026: la 'convergencia de capacidades', la tendencia de los nuevos modelos punteros a obtener puntuaciones muy similares entre sí en las pruebas estándar, lo que borra casi de inmediato la ventaja de ser el primero en lanzar. El costo humano también se ha hecho visible. En julio de 2026, más de 1.000 empleados de los principales laboratorios de IA firmaron una petición pidiendo un ritmo de desarrollo más mesurado, citando la saturación de las pruebas de referencia y la reducción del tiempo dedicado a documentación y pruebas de seguridad.

• Intervalo mediano entre grandes lanzamientos de modelos: 37,5 días en 2023, 11 días en lo que va de 2026
• Ritmo propio de OpenAI entre lanzamientos: 170,5 días en 2023, 49 días en 2026
• Gasto mundial en IA previsto por Gartner para 2026: 2,59 billones de dólares, un 47% más que en 2025
• Parte de las descargas de Hugging Face de modelos abiertos chinos, primavera de 2026: 41%
• Empleados de laboratorios de IA que firmaron una petición en julio de 2026 por un ritmo más mesurado: más de 1.000

Ese desgaste recae directamente sobre los equipos de TI de las empresas. 'Es realmente difícil evaluar cada uno de los modelos que están saliendo ahora mismo', dijo Suresh Vasudevan, director ejecutivo de la startup de IA empresarial Clockwork Systems. Si su empresa quiere probar diez modelos candidatos para una tarea, dijo, puede simplemente elegir cinco y descartar el resto, no porque los demás sean peores, sino porque ya no queda tiempo para revisarlos todos. 'Cada lanzamiento es tan bueno que ya es difícil distinguir un salto real', añadió Vasudevan.

Qué cambia para una empresa que debe elegir un modelo

Para una empresa hispanohablante en Estados Unidos que debe decidir en qué modelo de IA apoyarse, la fatiga de modelos convierte una decisión técnica en un blanco móvil. Atar la hoja de ruta de un producto al modelo de un solo proveedor supone el riesgo de una reescritura costosa meses después, cuando un rival lance algo notablemente mejor o el propio proveedor retire la versión en uso. La respuesta que se está imponiendo entre los compradores empresariales, en línea con el comentario de Vasudevan y con el hallazgo de Gartner sobre la convergencia de capacidades, es dejar de tratar el modelo subyacente como un activo duradero: cada vez más empresas construyen una capa de abstracción, un enrutador u orquestador capaz de cambiar de modelo sin reescribir el código de la aplicación, de modo que un modelo más rápido o más barato pueda adoptarse cada trimestre en lugar de forzar una reestructuración completa. Para una empresa que aún está eligiendo su primer modelo principal, la implicación inmediata es dar tanto peso a los costos de cambio y a la dependencia del proveedor como a los resultados de las pruebas de esta semana, porque el modelo que hoy encabeza los titulares puede quedar de nuevo un lanzamiento por detrás dentro de once días.