Por qué cada vez más desarrolladores en Estados Unidos eligen IA hecha en China

Hay una pregunta que casi nadie se hace en voz alta cuando habla de la carrera de la inteligencia artificial: si te va a resolver el mismo problema, ¿por qué pagarías veinte veces más por hacerlo?

Esa pregunta, tan simple, es la que está empezando a mover plata de verdad en Estados Unidos. Y no es un rumor de foro — es un patrón que ya aparece en datos de uso real, en decisiones de empresas conocidas, y ahora también en investigaciones del Congreso norteamericano.

El caso que resume todo

Un desarrollador de San Diego contó algo que ilustra el problema mejor que cualquier estadística: una sesión de trabajo de una hora usando un modelo como Claude le costaba unos 10 dólares. La misma sesión, con el modelo chino DeepSeek, le costó menos de 50 centavos. Estamos hablando de una diferencia de precio de entre 15 y 20 veces por el mismo tipo de tarea.

No es un caso aislado. Lindy, una startup de San Francisco que construye asistentes de trabajo con inteligencia artificial, migró buena parte de su infraestructura de modelos de Anthropic a DeepSeek. Su fundador, Flo Crivello, contó públicamente que el cambio le ahorró a la empresa millones de dólares, y resumió la filosofía detrás de la decisión con una frase que se volvió comentada en la industria: para escribir un email de rutina, no hace falta el modelo más inteligente del mundo.

También hay un patrón de uso más sofisticado que vale la pena entender, porque probablemente sea el futuro de cómo todos vamos a usar IA: un desarrollador de Dallas paga alrededor de 500 dólares mensuales por Claude y ChatGPT para las tareas que exigen planificación compleja y revisión cuidadosa, pero paga otros 200 dólares mensuales por modelos chinos más baratos (Minimax, Kimi, el modelo MiMo de Xiaomi) para resolver el 90% de sus tareas de rutina: código simple, transcripción, tareas repetitivas. En la jerga de la industria esto se llama "model routing" — enrutar cada tarea al modelo que le corresponde según su dificultad real, no usar un mismo modelo caro para todo.

No es solo un caso aislado: los números de uso lo confirman

El caso de Lindy o el del desarrollador de Dallas podrían parecer anécdotas sueltas si no fuera porque los datos de uso agregado muestran exactamente el mismo patrón a mayor escala. Según datos de uso de tokens de OpenRouter —una plataforma que usan millones de desarrolladores para acceder a distintos modelos de IA a través de una sola conexión— siete de los diez modelos más usados en un mes reciente fueron desarrollados por empresas chinas, incluyendo Moonshot AI, Tencent y DeepSeek.

Esto llevó incluso al CEO de Alphabet (la empresa dueña de Google), Sundar Pichai, a comentar públicamente en una charla durante la conferencia de desarrolladores Google I/O que la pregunta de fondo para la industria estadounidense es si se está haciendo lo suficiente para mantener el liderazgo, reconociendo que las empresas van a seguir optimizando por distintos factores —entre ellos, evidentemente, el precio— y que va a haber lugar tanto para modelos de código abierto como cerrado.

¿Por qué son tan baratos?

No es magia ni es dumping puro. Las empresas chinas de IA tienen costos estructurales más bajos: salarios de ingeniería menores y costos de infraestructura (electricidad, centros de datos) más bajos dentro de China. A eso se suma una estrategia deliberada: muchas de estas empresas liberan sus modelos como "open source" (código y pesos del modelo disponibles públicamente, gratis) y ofrecen planes subsidiados para ganar usuarios rápido, aunque eso signifique perder plata en el corto plazo.

El resultado, medido por un índice independiente llamado Artificial Analysis (que compara el rendimiento de los modelos contra su costo), es que hoy modelos como DeepSeek, la versión MiMo de Xiaomi y Minimax están entre los más eficientes en relación precio-rendimiento que existen en el mercado.

El dato que mejor grafica esto viene de Vercel, una plataforma que da servicios de IA a desarrolladores: la porción de tokens (las unidades de texto que procesa un modelo) que sus clientes le pidieron a DeepSeek pasó de menos del 1% a un 17% en solo un mes de mayo. Pero — y este matiz importa — la porción de la facturación de Vercel que representó ese uso se quedó cerca del 1%. Traducido: mucha gente usándolo, pero a un precio tan bajo que casi no genera ingresos para quien lo revende.

Un caso real dentro de una empresa que todos conocemos

Airbnb es probablemente el ejemplo más citado de esta migración, porque sucedió a la vista de todos. Su CEO, Brian Chesky, contó en una entrevista que la empresa usa 13 modelos de IA distintos en total, pero que se apoya fuertemente en Qwen (el modelo de la china Alibaba), al que describió como muy bueno, rápido y económico. El resultado que reportó la empresa tras lanzar un agente de atención al cliente construido mayormente sobre Qwen fue contundente: el tiempo promedio de resolución de consultas cayó de casi tres horas a solo seis segundos.

Es exactamente ese tipo de resultado el que explica por qué la migración hacia modelos chinos no es un capricho ideológico ni una simple curiosidad de nicho — es una decisión de negocio con impacto medible, tomada por una empresa que cotiza en bolsa y responde ante inversores.

El freno: no es solo cuestión de plata

Acá aparece la parte que hace que esto no sea un simple "ganaron los chinos". Empresas grandes y reguladas están siendo mucho más cautelosas, por razones de seguridad de datos, censura y riesgo geopolítico, según explicó a Rest of World el fundador de un newsletter especializado en tecnología china. Las que sí usan modelos chinos suelen tomar precauciones: procesar los datos en servidores de Estados Unidos, correr los modelos de forma local en su propia infraestructura ("self-hosting", posible porque son de código abierto), o accederlos a través de proveedores de nube estadounidenses en vez de pagarle directamente a la empresa china.

Y la fricción política es real, no hipotética. En abril de 2026, dos comités del Congreso de Estados Unidos —el Comité Selecto sobre China y el Comité de Seguridad Nacional— abrieron una investigación conjunta a Airbnb y a Anysphere (la empresa dueña de Cursor, una de las herramientas de programación con IA más usadas del mundo, con más de un millón de usuarios diarios y adopción en más de la mitad de las empresas del ranking Fortune 500). El motivo: ambas habían usado modelos abiertos chinos (Qwen de Alibaba en el caso de Airbnb, un modelo construido sobre Kimi de Moonshot AI en el caso de Cursor) dentro de su infraestructura.

Los legisladores no acusaron a estas empresas de nada ilegal — pidieron explicaciones. Pero el lenguaje de las cartas que enviaron es fuerte: hablan de un "riesgo creciente" de que sistemas de software usados en toda la economía estadounidense terminen dependiendo de modelos moldeados por objetivos estratégicos del gobierno chino, y mencionan específicamente preocupaciones sobre censura, seguridad de los datos y la posibilidad de que información sensible de código (arquitecturas de seguridad, lógica de autenticación, secretos comerciales) termine expuesta a un proveedor sujeto a la ley china. El CEO de Airbnb, Brian Chesky, respondió que la empresa no envía datos de usuarios a los desarrolladores de los modelos, y que está cooperando con la investigación.

La otra cara del conflicto: acusaciones de "destilación" de modelos

Hay un capítulo de esta historia que casi no se cuenta y que le agrega un matiz importante: no es solo Estados Unidos sospechando de China, también hay empresas estadounidenses acusando a empresas chinas de copiarles el trabajo. En febrero de 2026, Anthropic acusó públicamente a tres empresas chinas —DeepSeek, Moonshot AI y MiniMax— de haber "sobrecargado" su modelo Claude con 16 millones de intercambios provenientes de aproximadamente 24.000 cuentas fraudulentas. OpenAI hizo una acusación parecida ese mismo mes, afirmando tener evidencia de intentos continuos de DeepSeek de replicar las capacidades de sus modelos frontera mediante métodos cada vez más disimulados.

La técnica de la que se sospecha se llama "destilación" (distillation), y vale la pena entenderla en términos simples porque es la palabra que más se repite en este debate: consiste en usar las respuestas de un modelo más avanzado y costoso (entrenado con años de inversión) para entrenar a un modelo nuevo más chico y barato, de forma que ese modelo nuevo "aprenda" a imitar el comportamiento del original sin haber tenido que pagar el costo de desarrollarlo desde cero. Es, en cierto sentido, el equivalente de IA a fotocopiar un libro en vez de escribir uno propio — legal en una zona gris según el caso, pero que genera fricción evidente cuando la empresa fotocopiada es la que reclama.

Esta acusación es la que le da contexto a las preocupaciones que citan los legisladores estadounidenses en sus cartas a Airbnb y Anysphere: temen que capacidades de seguridad y "guardrails" (barreras que impiden que un modelo ayude a fabricar armas o generar desinformación, por ejemplo) que las empresas estadounidenses construyen con mucha inversión se pierdan cuando esas capacidades se extraen y se re-empaquetan en un modelo distinto sin los mismos controles.

Lo que esto no significa

Vale aclarar lo que la nota original no dice, porque es tan importante como lo que sí dice: esto no es evidencia de que los modelos chinos sean superiores en capacidad a los mejores modelos occidentales. Es evidencia de que, para una porción enorme de las tareas que la mayoría de las personas y empresas hacen con IA todos los días —resumir un texto, escribir un email de rutina, generar código repetitivo— la diferencia de calidad entre el modelo más caro y uno diez o veinte veces más barato es, en la práctica, casi imperceptible. Y esa brecha entre "el mejor modelo posible" y "el modelo suficientemente bueno para esta tarea" es exactamente donde está entrando la competencia china.

Un analista del centro de estudios Brookings Institution lo resumió con precisión: la adopción de IA en las grandes empresas ya está bastante saturada, así que el verdadero mercado de crecimiento para las compañías chinas son las empresas medianas que recién están empezando a usar IA pero que son sensibles al costo.

Qué podés hacer con esto, hoy

Si programás, o si tu trabajo depende de usar IA todos los días, esta nota tiene una aplicación práctica inmediata: probablemente no necesitás pagar el precio del modelo más caro para el 100% de lo que hacés. Antes de migrar todo tu flujo de trabajo a un modelo más barato, sin embargo, valen estas precauciones concretas:

• Separá tus tareas por complejidad real. Reservá el modelo más caro (Claude, GPT, Gemini) para lo que exige razonamiento largo, decisiones de arquitectura o código crítico. Delegá lo repetitivo a modelos más económicos.
• Revisá dónde se procesan tus datos. Si vas a usar un modelo chino, entendé si tus datos (o los de tus clientes) se procesan en servidores dentro o fuera de tu país, y si eso importa para tu caso — sobre todo si trabajás con datos sensibles o clientes regulados.
• Si sos una empresa que reporta a inversores o reguladores, documentá la decisión. El caso de Airbnb y Cursor muestra que "usar el modelo más barato" puede convertirse en un tema de escrutinio público si no podés explicar con claridad por qué lo elegiste y qué controles tenés sobre los datos.
• No confundas "barato" con "gratis de riesgo". Un modelo de código abierto que corrés vos mismo en tu propio servidor es una historia de riesgo distinta a la de pagarle directamente a una empresa china por acceso vía API.
• Entendé la diferencia entre "usar" un modelo y que ese modelo haya sido entrenado sobre datos de otro. Si te preocupa la calidad o la procedencia de un modelo, investigá si hay señalamientos de destilación no autorizada asociados a él — es un dato relevante tanto para la ética como para la estabilidad futura del proveedor.

La conclusión realista, sin sensacionalismo de ningún lado: hay una guerra de precios genuina en la IA, la están ganando por ahora los proveedores chinos en el segmento de tareas de rutina, y esa guerra de precios te puede beneficiar directamente como usuario — siempre que entiendas qué estás moviendo de un lado a otro cuando cambiás de proveedor.

También en Criterio AI

También se conecta con nuestra lectura sobre Claude Sonnet 5 en Amazon Bedrock: en ambos casos, la pregunta práctica no es solo qué modelo es “mejor”, sino qué modelo conviene usar por costo, infraestructura y riesgo.