Hace dos años la respuesta era sencilla. Los mejores modelos venían de laboratorios estadounidenses, y el resto del mundo iba años por detrás. En 2026 esa frase ya no se sostiene.
El Stanford AI Index 2026 sitúa la brecha global entre la frontera estadounidense y la china en 2,7 puntos porcentuales. Según la evaluación de CAISI, DeepSeek V4 Pro está unos ocho meses por detrás de los modelos estadounidenses líderes. Ocho meses, no ocho años. Y a un precio que cambia las cuentas de cualquier empresa.
Así que, para una empresa europea, la pregunta más útil no es quién gana la carrera. Es si usted mismo debería usar estos modelos, y cómo hacerlo.
Detrás del titular de DeepSeek hay todo un campo. GLM-5.2 de Zhipu incorpora 750 000 millones de parámetros, un millón de tokens de contexto y una licencia MIT, y lidera el grupo de modelos de pesos abiertos en SWE-bench Pro. DeepSeek V4 Pro-Max alcanza alrededor del 80 % en SWE-bench Verified. El Qwen de Alibaba ha superado al Llama de Meta y acapara más de la mitad de todas las descargas de modelos abiertos del mundo. Kimi K2.7 Code sigue de cerca a OpenAI y Anthropic en las pruebas de agentes.
Dos cosas unen a este grupo, y los pesos abiertos van primero. GLM-5.2 y DeepSeek V4 se publican bajo MIT, y Qwen bajo Apache 2.0, de modo que el uso comercial y el alojamiento propio están permitidos sin nada que negociar.
El precio es lo segundo, y pertenece a otra categoría de cifras. Una hora de programación en Claude cuesta unos 10 dólares. El mismo trabajo en DeepSeek cuesta menos de 50 céntimos, y el nivel DeepSeek Flash baja hasta 0,14 dólares por millón de tokens de entrada. El mercado se dio cuenta rápido. La cuota de DeepSeek en el uso de tokens saltó de menos del 1 % al 17 % en un solo mes.
China apostó, pues, por difundir pesos abiertos a través de plataformas como Hugging Face y GitHub, mientras Estados Unidos apostaba por modelos cerrados con un alto precio de acceso. La diferencia es comercial, no solo técnica.
Gran parte del debate gira en torno al origen del modelo. El riesgo vive en otro sitio, en dónde se ejecuta el modelo. El mismo modelo chino tiene un perfil completamente distinto según cómo lo despliegue.
Llamar a la API alojada del proveedor es el arranque rápido y barato. También envía sus datos a la jurisdicción del proveedor, y con una API china hereda además la pregunta de quién más puede acceder a ellos.
El extremo opuesto es la infraestructura propia. Descarga los pesos abiertos y el modelo se ejecuta en su nube o centro de datos de la UE. MIT y Apache lo permiten, y el laboratorio que entrenó el modelo nunca ve un prompt, un registro ni una llamada a herramientas. Obtiene el mayor control de los datos que existe. También obtiene todo el trabajo de seguridad y cumplimiento que viene con él.
Entre ambos está el término medio. Un modelo de origen chino se ejecuta en un proveedor occidental que se encarga de la operación por usted.
Fíjese en lo que ese orden le hace al argumento habitual. Los pesos abiertos que usted mismo ejecuta ofrecen mejor control de los datos que cualquier API alojada, china o estadounidense. Nadie vigila su tráfico cuando el tráfico nunca sale.
El primero es la jurisdicción. Enviar datos a cualquier API extranjera exige un contrato de encargo de tratamiento y una base legal según el RGPD. Una API china alojada añade encima otra pregunta, la de quién accede a esos datos y bajo qué condiciones. El alojamiento propio evita la mayor parte, porque los datos nunca salen de su red.
El segundo riesgo es la cara opuesta del primero. Si ejecuta un modelo abierto por su cuenta, parte de las obligaciones del reglamento de IA recaen sobre usted, y ya no queda ningún proveedor que asuma el cumplimiento. Nuestra lista de comprobación de la Ley de IA 2026 desarrolla lo que eso significa para chatbots, RR. HH. y flujos de trabajo internos.
El tercero no es técnico en absoluto. En EE. UU., empresas como Airbnb y Anysphere, creadora de Cursor, fueron objeto de escrutinio por usar los modelos chinos Qwen y Kimi. Luego llegaron las disputas por destilación, en las que laboratorios estadounidenses acusaron a laboratorios chinos de robar sus modelos mediante 24 000 cuentas fraudulentas, y la Casa Blanca calificó el asunto como seguridad nacional. Las empresas europeas sienten menos esa presión. Pero si vende al Estado o a un sector regulado, el origen del modelo puede excluirle de una licitación.
Asocie el modelo a la sensibilidad de la tarea, no a una bandera.
Los datos regulados, personales o confidenciales de clientes no deben ir a una API alojada en bruto, ni china ni estadounidense. Trátelos con un modelo abierto en su propia infraestructura de la UE, o a través de un modelo occidental con un contrato de encargo de tratamiento. El control vale más que el céntimo que ahorra.
El trabajo interno de gran volumen sensible al coste pero no a la confidencialidad es el caso contrario, y los modelos chinos abiertos en su propio alojamiento encajan bien. La relación precio-rendimiento es difícil de superar, y el riesgo se mantiene bajo porque los datos nunca salen de su red.
¿Vende al sector público o a una empresa regulada? Revise las normas de contratación sobre el origen del modelo y tenga a mano una alternativa occidental. Por eso precisamente conviene construir la aplicación de modo que el modelo pueda cambiarse, como describimos en nuestra comparación GPT-5.6 frente a Claude Fable 5.
La elección del modelo se aleja de la ingeniería y se acerca a la estrategia. Si quiere abordarla sobre un proceso real y datos reales, nuestro equipo de consultoría estratégica puede valorar dónde un modelo chino es una ventaja y dónde un riesgo innecesario.
La carrera entre China y EE. UU. durará años. La decisión sobre qué modelo toca cuáles de sus datos hay que tomarla ahora, y puede tomarse con la cabeza fría.
Fundador y responsable técnico de Rise.sk. Diseña y entrega aplicaciones web, sistemas de datos y automatizaciones, y escribe sobre decisiones de software, IA y servicios digitales.
Los correos de phishing con IA y las llamadas de voz deepfake se están convirtiendo en vectores de ataque habituales. Cómo reconocerlos y qué procedimientos internos necesita su empresa.
OpenAI dice que GPT-5.6 Sol supera a Claude Fable 5 en programación por un tercio del coste. Anthropic dice que Fable 5 lidera en capacidad bruta. Ambos tienen razón. Aquí tiene qué modelo gana qué trabajo.
Los tokens de API pueden costar menos que una hora de desarrollador, pero no son todo el proyecto. Una comparación práctica del uso del modelo, la revisión, las pruebas y los costes operativos.
Su contexto determina la respuesta
