El foco de la inteligencia artificial está cambiando hacia modelos más pequeños, no solo LLMs
El mercado de inteligencia artificial está atravesando una transformación silenciosa, pero bastante significativa. Y quienes están señalando este cambio son justamente las personas que ponen dinero en el juego.
Durante años, toda la atención estuvo concentrada en los grandes LLMs, esos modelos gigantescos que prometían resolverlo todo con una única solución. GPT, Gemini, Claude y otros nombres del género dominaron titulares, captaron miles de millones en inversiones y moldearon la forma en que el mundo percibe el potencial de la inteligencia artificial. Era casi como si el tamaño del modelo fuera directamente proporcional a su valor.
Pero el juego está cambiando, y quienes siguen de cerca el sector ya notaron que el movimiento ahora apunta hacia otro camino. Los modelos más pequeños y especializados están ganando cada vez más terreno, tanto en la preferencia de quienes desarrollan como de quienes invierten. No es casualidad que nombres importantes del ecosistema de Silicon Valley ya hayan comenzado a redirigir su mirada hacia este nicho.
Es exactamente sobre este giro que Lu Zhang, fundadora de Fusion Fund, una de las principales inversoras en startups tecnológicas, viene llamando la atención. En su participación en el programa Inside India de CNBC, compartió los principales temas de inversión que está observando en Silicon Valley. Para ella, el mercado está lo suficientemente maduro como para entender que no siempre lo más grande es lo mejor, y las inversiones ya reflejan eso.
Por qué los modelos más pequeños están ganando fuerza
La lógica detrás de este cambio no es complicada de entender, pero representa una ruptura real con el pensamiento que dominó los últimos años. Cuando los grandes LLMs irrumpieron con todo, la narrativa era clara: cuantos más parámetros, mejor el rendimiento, y cuanto mejor el rendimiento, mayor el valor para empresas y usuarios. Solo que el día a día de las aplicaciones reales fue demostrando que esa ecuación tiene límites bastante concretos, y que no toda tarea necesita del cañón más pesado de la estantería para resolverse con eficiencia.
Los modelos más pequeños, también llamados small language models o SLMs, llegan con una propuesta diferente: hacer menos, pero mejor, dentro de un contexto específico. Una empresa del sector salud, por ejemplo, no necesariamente necesita un modelo entrenado con prácticamente todo el contenido de internet para automatizar el triaje de pacientes u organizar historiales clínicos. Necesita un modelo que entienda profundamente el vocabulario médico, los flujos clínicos y las especificidades regulatorias del sector. Y en ese escenario, un modelo más pequeño y bien entrenado para ese dominio va a rendir de forma mucho más consistente y segura que un gigante genérico.
Reciba el mejor contenido sobre innovación en su correo electrónico.
Todas las noticias, consejos, tendencias y recursos que buscas, directamente en tu bandeja de entrada.
Al suscribirte al boletín informativo, aceptas recibir comunicaciones de Método Viral. Nos comprometemos a proteger y respetar siempre tu privacidad.
Además del rendimiento contextual, existe un factor que no puede ignorarse: el coste operativo. Ejecutar un gran LLM para cada petición de una aplicación corporativa es caro, consume mucha infraestructura y exige un gasto computacional considerable. En cambio, los modelos más pequeños pueden ejecutarse en hardware más accesible, incluso en dispositivos locales, lo que reduce la latencia, mejora la privacidad de los datos y recorta gastos de forma expresiva. Para empresas que necesitan escalar soluciones de inteligencia artificial sin quemar caja, esto marca toda la diferencia.
Lo que inversoras como Lu Zhang están viendo en el mercado
Lu Zhang, al frente de Fusion Fund, ha sido una de las voces más activas en esta conversación dentro del ecosistema de venture capital de Silicon Valley. Su perspectiva parte de una observación bastante práctica: el mercado de inteligencia artificial está entrando en una fase de madurez, donde la pregunta deja de ser cuál modelo es el más impresionante y pasa a ser cuál modelo resuelve el problema correcto, en el contexto correcto, con el menor coste y el mayor retorno posible. Este cambio de mentalidad ya está impactando directamente el flujo de inversiones hacia startups del sector.
Startups que llegan con propuestas de modelos más pequeños y verticalizados, enfocados en nichos como el jurídico, financiero, industrial o educativo, están encontrando un ambiente de captación mucho más receptivo que hace dos o tres años. Esto se debe a que los inversores, tras la euforia inicial con los grandes LLMs, pasaron a exigir resultados más tangibles y predecibles. Un modelo especializado que logra demostrar un ROI claro para un segmento específico tiene una historia mucho más convincente que contar que una plataforma genérica que promete hacer de todo un poco.
Otro punto relevante planteado por Lu Zhang tiene que ver con la dinámica competitiva entre Estados Unidos y China en el escenario de la inteligencia artificial. Según ella, en este momento, los dos países no están compitiendo exactamente por los mismos mercados. Esto sugiere que existe espacio para enfoques diferentes en cada ecosistema, con los estadounidenses apostando fuerte por modelos de uso específico e infraestructura de punta, mientras el mercado chino sigue caminos propios de desarrollo y aplicación. Esta coexistencia, en lugar de una disputa directa, puede incluso ser beneficiosa para el avance global de la tecnología, ya que cada lado acaba explorando fronteras distintas.
Modelos específicos versus modelos generalistas
La diferencia entre un modelo especializado y uno generalista va mucho más allá del número de parámetros. El punto central está en el entrenamiento dirigido. Mientras un LLM tradicional se alimenta con volúmenes absurdos de datos de prácticamente todos los dominios imaginables, un modelo más pequeño y específico pasa por un proceso de entrenamiento enfocado en datasets curados de un determinado sector. Esto hace que cometa menos errores dentro de ese contexto, genere respuestas más relevantes y necesite menos ajustes finos después de implantado.
En la práctica, este enfoque trae ventajas bien concretas:
- Menor tasa de alucinación — los modelos entrenados en dominios específicos tienden a inventar menos información porque su alcance de conocimiento está más controlado
- Respuestas más precisas — como el modelo conoce profundamente el área en la que actúa, sus salidas están más alineadas con lo que el usuario realmente necesita
- Implantación más rápida — el proceso de poner un modelo más pequeño en producción es significativamente más simple y menos costoso que lidiar con la infraestructura exigida por un LLM completo
- Mayor control sobre actualizaciones — reentrenar o ajustar un modelo pequeño es más ágil, permitiendo que las empresas acompañen cambios regulatorios o de mercado con más velocidad
La cuestión de la soberanía y privacidad de datos
Otro punto que pesa bastante en esta ecuación es la cuestión de la soberanía de los datos. Con regulaciones como la LGPD en Brasil y el GDPR en Europa cada vez más presentes en el radar de las empresas, las soluciones que permiten ejecutar modelos de inteligencia artificial localmente, sin necesidad de enviar datos sensibles a servidores de terceros, ganan un atractivo enorme.
Los modelos más pequeños encajan perfectamente en este escenario, ya que pueden implantarse on-premise o en entornos de nube privada con mucha más facilidad que sus versiones gigantes. Una empresa del sector financiero que necesita analizar datos de clientes, por ejemplo, puede hacerlo con un SLM ejecutándose internamente, sin que ninguna información sensible salga de su entorno controlado. Esto no es solo una ventaja técnica, es una necesidad regulatoria que se está volviendo cada vez más estricta en diversos mercados alrededor del mundo.
El panorama de inversiones en IA se está diversificando
El movimiento que Lu Zhang y otros inversores de Silicon Valley están liderando refleja un cambio estructural en la forma en que el capital de riesgo percibe el sector de inteligencia artificial. En los años anteriores, la mayor parte de los recursos fluía hacia empresas que intentaban construir el próximo gran modelo de lenguaje, compitiendo directamente con OpenAI, Google y Anthropic. Esto creaba una barrera de entrada monumental, ya que el coste de entrenar un LLM de punta puede superar fácilmente los cientos de millones de dólares.
Ahora, con la validación de los modelos más pequeños como alternativa viable y rentable, el ecosistema se abre para un volumen mucho mayor de startups. Equipos más pequeños, con presupuestos más realistas, pueden construir soluciones de alto impacto para verticales específicas sin necesidad de competir en la carrera armamentista de los grandes modelos. Esto es saludable para el mercado en su conjunto, porque distribuye la innovación de forma más equilibrada y permite que soluciones creativas surjan de lugares inesperados.
Además, la diversificación de las inversiones reduce el riesgo sistémico del sector. Cuando todo el capital está concentrado en pocas empresas que apuestan por el mismo enfoque, cualquier cambio de paradigma puede causar pérdidas significativas. Con un portafolio más diversificado, que incluya tanto empresas de modelos grandes como de modelos especializados, los inversores construyen posiciones más resilientes y con múltiples caminos hacia el retorno.
Herramientas que usamos a diario
Qué significa esto para el futuro de la IA
Esta tendencia no significa que los grandes LLMs vayan a desaparecer o perder relevancia. Todavía tienen un papel fundamental en tareas que exigen razonamiento amplio, creatividad e integración de conocimientos de múltiples dominios. Lo que está ocurriendo es una división más inteligente del trabajo dentro del ecosistema de IA, donde cada tipo de modelo encuentra su espacio más adecuado.
Piénsalo como un equipo bien formado: no pones al especialista en derecho tributario a escribir código de producción, así como no le pides al desarrollador sénior que redacte una contestación judicial. Cada uno en su lugar, el resultado sale mucho mejor.
Para el mercado en su conjunto, esta evolución abre oportunidades interesantes en varios frentes:
- Del lado de las empresas que consumen IA — la diversificación de opciones significa más poder de elección, soluciones más adherentes a las necesidades reales y costes más controlables
- Del lado de quienes desarrollan — abre espacio para que startups más pequeñas compitan de igual a igual con grandes players, ya que construir un modelo especializado de alta calidad no exige el mismo volumen de recursos que entrenar un LLM desde cero
- Del lado de las inversiones — crea un pipeline de oportunidades más variado, con tesis de retorno más claras y horizontes de monetización más cercanos
Lo que queda evidente en todo este movimiento es que la inteligencia artificial está madurando de verdad, no solo en tamaño, sino en profundidad y aplicabilidad. Y la madurez, en el mundo de la tecnología, suele venir acompañada de un movimiento natural de especialización y eficiencia.
Los modelos más pequeños no están ganando terreno porque sean una moda pasajera o una reacción contra los gigantes del sector. Se están consolidando porque resuelven problemas reales de forma más precisa, más barata y más segura. Y como bien observó Lu Zhang, el mercado ya entendió que la próxima gran ola de la inteligencia artificial puede que no sea la más grande de todas, sino la más inteligente. 🚀
