En los últimos cuatro años ha proliferado una cantidad creciente de productos impulsados por IA, la mayoría construidos sobre modelos fundacionales de referencia. Startups, proveedores de software para empresas e incluso grandes incumbentes dirigen su inteligencia central a través de APIs de laboratorios de IA líderes, y existe un conjunto cada vez más amplio, aunque todavía limitado, de alternativas de código abierto o pesos no cerrados. Este esquema ha permitido una auténtica ola de productos de IA, pero también ha generado una fragilidad estructural que podría mitigarse mediante la democratización de la creación y el entrenamiento de modelos.\n\nDefiniendo un wrapper\nEn su forma más simple, un wrapper de IA es un producto cuya función central es una interfaz que se apoya en la API de un modelo de base de terceros, con poco o ningún desarrollo tecnológico propio por debajo de esa capa. Esa aproximación puede tener una vida útil corta, como lo demuestra Jasper: una vez fue un referente en la ola de escritura impulsada por IA, con una valoración máxima de 1,5 mil millones de dólares, pero su mercado principal se evaporó cuando ChatGPT introdujo funciones de escritura nativas y gratuitas. Sus ingresos cayeron de alrededor de 120 millones de dólares en 2023 a aproximadamente 55 millones en 2024. Jasper logró sobrevivir redirigiéndose hacia flujos de trabajo empresariales y formación específica de marca.\nEn términos generales, los análisis muestran que, entre las startups de IA que se redujeron en Estados Unidos en 2025, el 81% eran “wrappers y apps”. Copilotos y asistentes basados en modelos fundacionales, herramientas de productividad de IA, generadores de contenido y productos SaaS verticales cuyo diferenciador central era una frontera de LLM en lugar de datos o infraestructura propietaria.\nEn el caso de Jasper, y en muchos otros, lo que presionó a la empresa no fue un competidor que la superara, sino la propia plataforma sobre la que construyó absorbiendo la característica en torno a la cual giraba su negocio.\nNo todos los wrappers son iguales\nSería una generalización injusta decir que todos los wrappers de IA son iguales. Un wrapper delgado de prompts y visualización difiere de un producto que realiza recuperación intensiva, orquestación de herramientas, flujos de trabajo con agencia o fine-tuning específico por dominio. Este último puede ser verdaderamente defensible incluso si opera sobre un modelo de base de terceros. La llamada al modelo es una componente, pero no el producto completo.\nAlgunas empresas también utilizan múltiples modelos de base o afinan/destilan sus propios modelos más pequeños para tareas específicas tras prototipar en una API de vanguardia. Los modelos de código abierto o con pesos abiertos añaden variedad, ya que no todos los wrappers recurren a un modelo de frontera de código cerrado.\nEl problema del wrapper\nIndependientemente de dónde se sitúe un producto de IA en la escala de complejidad de wrappers, todos comparten el mismo problema: cuando la propuesta de valor central depende por completo de una llamada a API a un tercero, la empresa no controla plenamente su producto.\nNo puede controlar cambios de precio, límites de tasa, descontinuaciones, cambios en el comportamiento del modelo, o la posibilidad de que el proveedor de la plataforma decida competir directamente en el mismo vertical. Este no es un riesgo teórico: la magnitud del impacto depende de cuánto de su valor se encuentra por encima de la capa del modelo.\nLa economía del wrapper\nEntonces, ¿cuál es la defensibilidad de un wrapper de IA en la práctica? La respuesta corta es que depende de la propiedad intelectual. Cuando una empresa se beneficia de una ventaja de distribución existente, relaciones con clientes, licencias regulatorias, efectos de red o años de confianza de marca, la diferenciación en la capa de modelo podría importar menos. Pero si lo que distingue a un wrapper es observable fuera de la organización y replicable por un competidor competente en un periodo limitado, es razonable esperar que eventualmente se replique.\nEsa es la cruda verdad económica detrás del modelo wrapper: el costo de replicación es casi cero para la plataforma que controla el modelo subyacente y casi total para la startup que no lo controla. Si el wrapper tiene foso defensivo, este debe provenir de algo distinto a la llamada al modelo en sí. En ausencia de ello, es poco probable que el wrapper tenga una ventaja competitiva duradera.\nLa barrera de la solución\nQuizá se incline a pensar que la propiedad de los modelos es una solución a este problema, pero decirlo es más fácil que hacerlo.\nLa razón por la que pocas empresas poseen sus propios modelos no es falta de deseo, sino, con mayor probabilidad, de capacidad financiera. Entrenar un modelo de frontera competitiva requiere presupuestos de cómputo enormes, talento especializado, datos propios o con licencia costosa y la infraestructura para ejecutar aprendizaje por refuerzo a gran escala. Estos costos apartan el desarrollo de modelos propios para todas salvo las compañías mejor financiadas.\nPara que las empresas basen su norma en modelos propios, esta barrera debe disminuir de forma significativa. Ya existen fuerzas que empujan en esa dirección, y entre ellas destacan los modelos de código abierto. Pero incluso entonces, alojar y ajustar un modelo de código abierto no es tarea menor: exige talento técnico e infraestructura de cómputo que la mayoría de startups no tiene.\nVerdadera democratización de la propiedad de modelos\nLa democratización, en este contexto, no significa que cada empresa entrene un modelo de escala frontera desde cero. Ese objetivo no es realista ni necesario. Significa que la democratización alcance la capa de entrenamiento de la misma manera que el acceso a IA se ha democratizado para los usuarios finales.\nDemocratizar el entrenamiento y la propiedad de modelos podría darle a los fundadores una oportunidad duradera de convertir una idea en un negocio que no termine absorbido por un proveedor de modelos como una simple característica. Si eso ocurre, las apuestas podrían ir más allá de la viabilidad de un negocio individual.\nHoy, el acceso a modelos es barato. El acceso al entrenamiento no lo es. Este aspecto debe cambiarse. La capacidad de entrenar un modelo de IA debe estar plenamente democratizada para que el valor, el control y la responsabilidad se distribuyan en lugar de concentrarse.\n Hemos destacado las mejores herramientas de IA. Este artículo se enmarca dentro de TechRadar Pro Perspectives, nuestra plataforma para presentar a las mentes más brillantes de la industria tecnológica. Las opiniones expresadas son las del autor y no necesariamente las de TechRadar Pro o Future plc. Si estás interesado en contribuir, infórmate aquí: https://ift.tt/PlScyd6

from Latest from TechRadar https://ift.tt/qTPhGeM
via IFTTT IA