Comentario sobre Google: Gemini 3.8 implementa una estrategia de liderazgo en costos

En los últimos años, la cuestión central en la competencia entre los grandes modelos de IA era quién podía desarrollar el modelo más potente.

Sin embargo, esta lógica competitiva está cambiando.

La razón es que, a medida que las capacidades de los modelos siguen mejorando, un número creciente de tareas del mundo real ha superado el umbral de 'si el modelo es capaz de completarlas'. Para la investigación científica de gran complejidad, la programación y los agentes de horizonte amplio, la capacidad del modelo sigue teniendo un valor inmenso; sin embargo, para las tareas de baja complejidad —mucho más numerosas—, mejorar la puntuación de un modelo de 90 a 95 puede generar mucho menos valor real que reducir los costes de 1 a 0,3.

Al combinar esto con las tres actualizaciones del modelo Flash en seis semanas y la calma temporal que rodea al modelo Pro, queda de manifiesto que la estrategia de grandes modelos de Google es cada vez más clara: priorizar los costes bajos.

Por supuesto, cabe señalar que la versión 3.8 es, en realidad, algo más cara que la 3.7. Aunque los precios unitarios de la API para ambas generaciones de modelos son idénticos, los tokens de salida promedio aumentaron cerca de un 30% y los turnos de invocación para tareas de agentes también se incrementaron. Según las mediciones de Artificial Analysis, el coste por tarea subió de aproximadamente 0,40 a 0,58 dólares, lo que supone un aumento de alrededor del 45%. Creemos que Google está explorando actualmente el límite entre coste y rendimiento en la vía del bajo coste, pero la estrategia de bajos costes en sí sigue siendo sólida.

Por otra parte, los comentarios de los ejecutivos también corroboran esto. En el segundo trimestre de este año, Sundar Pichai, CEO de Google, afirmó que la demanda de la serie Flash es muy fuerte porque se sitúa en el punto óptimo entre rendimiento y coste.

Es evidente que Google está cambiando su objetivo prioritario de:

"cuán potente se puede hacer el modelo más avanzado"

a:

"cuán bajo se puede reducir el coste de completar las tareas."

Existe una gran diferencia entre ambos enfoques. Este último modelo se adapta mejor a la lógica económica de las futuras aplicaciones de IA a gran escala, ya que la gran mayoría del cómputo no provendrá en última instancia de una pequeña fracción de los problemas más difíciles, sino de un volumen masivo de solicitudes ordinarias.

1. La ventaja de distribución de Google le otorga una enorme base de usuarios, mientras que el elevado volumen de solicitudes amplifica de por sí el valor de los costes bajos.

Una diferencia fundamental entre Google y otras empresas de grandes modelos es que Google ya cuenta con una base de usuarios.

En el segundo trimestre de este año, los usuarios activos mensuales de AI Mode en la Búsqueda de Google superaron los 1.000 millones; el 11 de agosto, la aplicación Gemini superó los 1.000 millones de usuarios activos mensuales. Una ventaja de distribución aún mayor procede de toda la matriz de productos de Google: Gemini está integrado en 13 productos de Google con bases de usuarios que superan los 1.000 millones cada uno, de los cuales 5 cuentan con más de 3.000 millones de usuarios.

El ámbito de los desarrolladores también ha alcanzado una escala masiva. Cada mes, más de 9 millones de desarrolladores utilizan los modelos de Google, y la API de sus modelos propios procesa actualmente unos 22.000 millones de tokens por minuto, frente a los 16.000 millones de hace solo un trimestre.

Por lo tanto, el problema económico al que se enfrenta Google es diferente al de una empresa de IA que adquiere usuarios desde cero.

Lo que realmente necesita resolver es:

Cómo ofrecer IA a sus miles de millones de usuarios actuales a un coste lo suficientemente bajo.

En este punto, identificar la complejidad de las tareas resulta extremadamente importante.

Para tareas de alta complejidad, los clientes compran principalmente capacidad. En el caso de la investigación científica o las tareas complejas con agentes, si un modelo más potente puede mejorar significativamente la tasa de éxito, gastar unos pocos dólares adicionales por tarea es completamente aceptable.

Sin embargo, Google se enfrenta a diario, de forma prioritaria, a solicitudes de baja complejidad y alta frecuencia.

Por ejemplo, con preguntas y respuestas generales y agentes sencillos, siempre que ambos modelos puedan resolver el problema correctamente, aumentar la capacidad del modelo en unos pocos puntos porcentuales aporta un valor marginal muy bajo para los usuarios. Sin embargo, si el coste por inferencia se reduce de 0,50 a 0,20 dólares, multiplicado por miles de millones de usuarios y frecuencias de consulta en continuo aumento, se genera una diferencia de costes enorme para las empresas de LLM.

Por lo tanto, existe un efecto multiplicador entre las ventajas de distribución y las ventajas de bajo coste.

Cuantos más usuarios tiene Google, mayor es el valor generado por la reducción de costes por inferencia; cuanto menor es el coste, más puede Google seguir integrando la IA en productos existentes como la Búsqueda, Android, Workspace y YouTube, ampliando así continuamente el volumen de consultas.

Esta es también la razón por la que los modelos de bajo coste pueden tener un valor estratégico mayor para Google que para otras empresas de LLM.

2. La ventaja de bajo coste de las TPU se convertirá en el factor determinante fundamental en escenarios de baja complejidad

Para las tareas de alta complejidad, las diferencias de coste no suelen ser el factor determinante.

Si un modelo puede llevar a cabo investigaciones científicas, programación o tareas complejas con agentes que otro modelo no puede realizar, los usuarios compran principalmente el resultado; un modelo ligeramente más caro no cambiará su elección.

Sin embargo, los criterios de decisión para las tareas de baja complejidad son completamente diferentes.

Una vez que varios modelos pueden completar de manera fiable una tarea, los rendimientos marginales de las mejoras adicionales en la capacidad del modelo disminuyen rápidamente, lo que convierte al coste de ejecución en el factor competitivo clave.

Aquí es precisamente donde las TPU (los chips propietarios de Google) pueden maximizar su valor.

Google puede controlar simultáneamente los chips, los modelos y la infraestructura de inferencia. La última TPU 8i está diseñada específicamente para cargas de trabajo de inferencia, y los datos publicados por Google muestran un aumento del 80% en el rendimiento de inferencia por dólar en comparación con la generación anterior de TPU.

En el ámbito de los productos reales, estas reducciones de costes ya han empezado a materializarse. Alphabet reveló en el T2 que, aun cuando AI Mode incorpora continuamente modelos y capacidades más avanzados, la optimización conjunta de software y hardware ha reducido el coste por respuesta de AI Mode a su nivel más bajo desde el lanzamiento del producto.

Las TPU otorgan a Google una capacidad clave:

La capacidad de mantener una ventaja de costes en plena carrera por las capacidades de los modelos.

En escenarios de primer nivel, esta ventaja podría afectar solo marginalmente a los márgenes de beneficio sin captar cuota de mercado; sin embargo, en escenarios de baja complejidad, alta frecuencia y miles de millones de usuarios, el coste en sí determina qué funciones de IA se pueden ofrecer a escala y quién puede mantener, en última instancia, el mayor volumen de consultas.

Para que la estrategia de Google verdaderamente se mantenga, se deben cumplir dos condiciones de manera simultánea:

Los modelos de vanguardia se vuelven progresivamente homogéneos, mientras que la propia Google se mantiene de forma constante en el grupo de modelos de vanguardia.

Considero que la probabilidad de que estas dos condiciones se den simultáneamente está aumentando de cara a los próximos dos o tres años.

La probabilidad de la primera condición es extremadamente alta. La competencia entre modelos en los últimos años ha presentado una característica clara: cada vez resulta más difícil para cualquier empresa mantener el liderazgo durante mucho tiempo. Los nuevos métodos de entrenamiento, las técnicas de inferencia y las arquitecturas de modelos se difunden rápidamente; una vez que una empresa logra una clara ventaja, los demás competidores de primer nivel suelen ponerse al día en las siguientes rondas de actualización.

Por lo tanto, el panorama con mayor probabilidad de emerger a la larga es aquel en el que un pequeño número de empresas permanezca a largo plazo dentro de un rango homogéneo de capacidades.

Sin embargo, bajo una estrategia de bajo coste, el hecho de que pueda reducirse la probabilidad de que Google permanezca de forma constante en este grupo representa precisamente el mayor riesgo de esta estrategia. En las últimas seis semanas, Google ha actualizado su serie Flash tres veces consecutivas; en cambio, la serie Pro lleva seis meses y medio sin ser actualizada. Si los recursos de I+D y los objetivos de producto continúan inclinándose hacia la eficiencia de costes, Google podría sacrificar parte de sus capacidades de vanguardia a cambio de menores costes de inferencia.

Esto crea una contradicción inherente: la estrategia de bajo coste de Google ofrece su máximo valor solo si sus propios modelos se mantienen en el nivel superior, pero priorizar el bajo coste puede debilitar su capacidad para permanecer en ese nivel superior.

Por ahora, adoptamos una postura de espera ante esta cuestión, ya que la historia demuestra repetidamente que, en sectores donde no existe la ventaja del primer participante, perseguir sin descanso puede ser peor que esperar a que el sector alcance un cuello de botella para después acelerar a máxima velocidad y ponerse a la par, lo cual bien podría ser la verdadera estrategia de Google.

Este contenido ha sido traducido por IA y revisado por humanos. Se ofrece solo con fines de referencia e información general, y no constituye asesoramiento en materia de inversión.