La respuesta corta
Las empresas de EE. UU. trasladan una parte creciente de su volumen de tokens de IA a modelos chinos de pesos abiertos (DeepSeek, Qwen de Alibaba y GLM de Zhipu) porque cuestan aproximadamente entre un 60 % y un 90 % menos que los mejores modelos de OpenAI y Anthropic para trabajos comparables. Los datos de OpenRouter difundidos por CNBC el 7 de julio de 2026 muestran que los proveedores chinos han suministrado más del 30 % de los tokens enrutados en EE. UU. todas las semanas desde el 8 de febrero de 2026, con un máximo cercano al 46 %, frente a una media de alrededor del 11 % en los doce meses anteriores.
La lectura práctica para los responsables de ingeniería: el coste del modelo es ya una variable arquitectónica de primer orden, y la opción capaz más barata es cada vez más a menudo una que no procede de un laboratorio de EE. UU. La contrapartida es que la vía directa de la API de estos modelos suele pasar por China, lo que plantea cuestiones de residencia de datos y de cumplimiento para los equipos regulados. La jugada ganadora es aprovechar la bajada de precios manteniendo los datos en su propia jurisdicción, algo que la naturaleza de pesos abiertos de estos modelos hace posible.
¿Qué está ocurriendo realmente?
Durante la mayor parte de los dos últimos años, la suposición por defecto para una carga de trabajo de producción seria era un modelo de frontera de un laboratorio estadounidense, OpenAI o Anthropic. Esa suposición se está erosionando con rapidez. Durante el primer semestre de 2026, una oleada de modelos chinos de pesos abiertos capaces redujo lo bastante la brecha de calidad en programación y tareas generales como para que el precio pasara a ser el factor decisivo, y el precio es donde ganan con claridad. El resultado es una migración medible de tráfico real de producción, no solo experimentos de aficionados.
La señal más clara procede de OpenRouter, un servicio de enrutamiento situado entre las aplicaciones y decenas de proveedores de modelos. Según informó CNBC el 7 de julio de 2026, la cuota de tokens enrutados en EE. UU. que van a modelos chinos se ha mantenido por encima del 30 % todas y cada una de las semanas desde el 8 de febrero de 2026 y ha llegado a picos del 46 %. Un año antes esa cifra rondaba de media el 11 %, y en el primer semestre de 2025 llegó a ser de solo el 4.5 %. Para cualquier equipo que ejecute inferencia de gran volumen, el tipo que domina el coste en las cargas de trabajo de IA y datos, es un cambio estructural en el destino de los tokens.
Tampoco es la historia de un único proveedor. Las ganancias se reparten entre DeepSeek, Qwen de Alibaba, Zhipu (ahora con la marca Z.ai), MiniMax, Kimi de Moonshot y otros. En abril de 2026, la cuota semanal combinada de los principales proveedores chinos en OpenRouter había superado el 45 % del volumen total, frente a menos del 2 % un año antes. El mercado ha pasado de «resultado de benchmark interesante» a «partida de la factura de infraestructura» en unos doce meses.
¿Qué magnitud tiene el cambio?
Empiece por la diferencia de precio en bruto. Los propios analistas de OpenRouter sitúan los modelos chinos de pesos abiertos entre un 60 % y un 90 % por debajo de los principales modelos de Anthropic y OpenAI. En una comparación ilustrativa para un conjunto de trabajo similar, Claude de Anthropic salió por unos $4,811, OpenAI por unos $3,357 y GLM de Zhipu por unos $544. Cifras así no superan sin cuestionamiento una revisión presupuestaria trimestral: cuando hay una opción de calidad comparable por una décima parte del coste, finanzas empieza a preguntar por qué cada llamada se enruta al nivel caro.
Las curvas de adopción coinciden con la historia del precio. GLM 5.2, de Z.ai, lanzado en junio de 2026, registró la adopción más rápida de todos los modelos que Vercel ha seguido este año: el volumen diario de tokens creció aproximadamente 27 veces y el número de clientes que lo usan, unas 80 veces en su primera semana completa. La cuota de DeepSeek en los tokens de Vercel pasó de menos del 1 % a alrededor del 17 % solo en mayo. Y el cambio se produce a nivel de empresas enteras: la startup de asistentes de IA Lindy pasó el 100 % de su tráfico de Claude, de Anthropic, a DeepSeek en junio, y su director ejecutivo espera ahorrar millones de dólares a medida que bajaba la curva de costes.
Los desarrolladores individuales cuentan lo mismo en miniatura. Los profesionales citados en los reportajes describieron que pasaron de unos $10 por hora de uso de Claude a menos de 50 céntimos por hora con DeepSeek, o que reservaron los modelos estadounidenses premium para el 10 % más difícil de las tareas mientras enrutan el 90 % rutinario a modelos chinos más baratos. El patrón es coherente: conservar un modelo de primer nivel para el trabajo que de verdad lo necesita y enviar todo lo demás a la opción más barata que supere el nivel exigido.
¿Por qué cambian los equipos?
El motivo principal es el coste, pero el motivo de fondo es que el coste dejó de justificarse por un foso de calidad. Cuando el mejor modelo estadounidense iba claramente por delante en las tareas que le importaban, pagar un sobreprecio era racional. En 2026, los modelos chinos de pesos abiertos están lo bastante cerca en programación convencional, redacción y uso de herramientas como para que, en la mayoría de las llamadas, el sobreprecio parezca más un impuesto que una inversión. Ese cambio de enfoque, de «el mejor modelo» a «el modelo más barato que supera mi nivel de calidad en cada tarea», es el giro mental que impulsa la migración.
El segundo motivo es la opcionalidad. Como estos modelos son de pesos abiertos, los equipos no quedan atados a la hoja de ruta, los precios o la disponibilidad de un único proveedor. Se pueden ejecutar detrás de una interfaz propia, ajustar con datos de su dominio o sustituir cuando aparezca algo mejor: la misma lógica de portabilidad que hace atractivo el ajuste fino de modelos abiertos para los equipos que quieren una capacidad duradera y propia en lugar de una dependencia medida por uso. En un año en que el acceso a los modelos de frontera se ha escalonado y los precios se han movido en ambos sentidos, esa opcionalidad vale dinero de verdad.
¿Cuáles son los riesgos de cumplimiento y de datos?
Aquí es donde el entusiasmo necesita una capa de gobernanza. La forma más barata de probar estos modelos, llamar a una API alojada en China, es también la más arriesgada para quien maneje datos regulados o sensibles. Enviar registros de clientes, datos de salud o datos financieros a un endpoint en el extranjero plantea problemas de residencia de datos, seguridad, censura y geopolítica, y no es hipotético: los legisladores estadounidenses ya han abierto investigaciones sobre empresas estadounidenses que enrutaron cargas de trabajo a través de modelos chinos. Para una plataforma de FinTech o de healthtech, esa vía puede chocar directamente con el RGPD, HIPAA y los compromisos internos de tratamiento de datos.
El matiz importante, y la razón por la que esto es una oportunidad y no una advertencia, es que el modelo y el lugar de alojamiento son decisiones separadas. DeepSeek, Qwen y GLM publican sus pesos, de modo que no hace falta usar una API alojada en China para usar el modelo. Puede descargar los pesos abiertos y ejecutar la inferencia dentro de su propio entorno en una nube de EE. UU. o de la UE, manteniendo los datos dentro de la jurisdicción de extremo a extremo. Es la misma disciplina que hay detrás de un buen trabajo de cumplimiento del RGPD: la pregunta que hace un regulador no es solo «qué modelo», sino «adónde fueron los datos». Responda a eso con el autoalojamiento y el argumento del coste sale intacto de la revisión de cumplimiento.
Qué significa para los equipos de software de EE. UU. y la UE
La primera lección es que la elección del modelo es ahora una disciplina de ingeniería de costes, no una elección puntual de proveedor. Con modelos capaces disponibles en un rango de precios que varía 10 veces, el patrón duradero es una capa de enrutamiento independiente del proveedor que envía cada carga de trabajo al modelo más barato que supere su nivel de calidad. Los equipos que codifican de forma fija un modelo y un precio dejan sobre la mesa una partida grande y recurrente, y quedan expuestos cuando ese proveedor cambia los precios o la disponibilidad.
La segunda lección es que los pesos abiertos cambian el cálculo del despliegue. La pregunta interesante para 2026 no es solo «modelo estadounidense o modelo chino», sino «API alojada o pesos autoalojados». Autoalojar un modelo abierto en su propio stack de cloud y DevOps añade trabajo operativo (capacidad de GPU, servicio, monitorización), pero convierte una dependencia transfronteriza medida por uso en un activo que usted controla, con una residencia de datos que puede demostrar. Para los sectores regulados, esa contrapartida favorece cada vez más el autoalojamiento.
La tercera lección es que la procedencia se está convirtiendo en un artefacto de auditoría. A medida que el origen de los modelos se vuelve más heterogéneo, importa no solo que usó IA, sino qué modelo, qué versión y dónde se ejecutó llegó a producción para cada función. Registre esa correspondencia, conserve la evidencia de sus evaluaciones y esté preparado para explicar la vía de alojamiento. Los equipos que irán más rápido son aquellos cuya arquitectura trata el modelo como un componente sustituible y bien documentado, y no como una suposición permanente e invisible.
Qué hacer este trimestre
Esta es la versión lista para ejecutar. Trate el cambio de costes de los modelos chinos como un impulso para hacer su stack de IA más barato y más defendible.
- Añada una capa de enrutamiento. Ponga una interfaz independiente del proveedor delante de sus llamadas a LLM para que el modelo, el nivel y el proveedor sean configuración y no código.
- Evalúe con su propio trabajo. Pruebe DeepSeek, Qwen y GLM frente a su proveedor actual con sus tareas reales y sus métricas de calidad, no con clasificaciones públicas.
- Dimensione cada llamada. Reserve los modelos estadounidenses premium para las cargas de trabajo más difíciles; enrute las tareas rutinarias de alto volumen al modelo más barato que supere el nivel exigido.
- Decida por separado el modelo y el alojamiento. Para datos regulados o sensibles, ejecute pesos abiertos dentro de su propio entorno de EE. UU. o de la UE en lugar de llamar a una API en el extranjero.
- Trace la vía de cumplimiento. Documente la residencia de datos de cada función de IA y compruébela frente al RGPD, HIPAA y sus compromisos con los clientes antes de escalar el uso.
- Registre la procedencia. Anote qué modelo, versión y vía de alojamiento está en producción para cada función, y mantenga la evidencia de evaluación disponible para las auditorías.
Nada de esto es asesoramiento jurídico, y sus obligaciones exactas dependen de su sector y de su jurisdicción. Pero la señal estratégica es clara: el precio de la IA capaz está bajando con rapidez, buena parte de la bajada procede de modelos de pesos abiertos, y los equipos que se benefician son los que pueden adoptarlos sin importar riesgo. Trate el modelo como sustituible, mantenga los datos donde exigen las normas y el ahorro será suyo.
Preguntas frecuentes
¿Por qué adoptan las empresas de EE. UU. modelos de IA chinos?
Principalmente por el coste. Los modelos chinos de pesos abiertos como DeepSeek, Qwen y GLM cuestan aproximadamente entre un 60 % y un 90 % menos que los principales modelos de OpenAI y Anthropic para trabajos comparables, a la vez que reducen buena parte de la brecha de calidad en programación y tareas generales. Según los datos de OpenRouter difundidos por CNBC el 7 de julio de 2026, los proveedores chinos han suministrado más del 30 % de los tokens enrutados en EE. UU. todas las semanas desde el 8 de febrero de 2026, frente a cerca del 11 % un año antes.
¿Cuánto más baratos son los modelos de IA chinos que los de OpenAI y Anthropic?
OpenRouter estima que entre un 60 % y un 90 % más baratos. En una comparación ilustrativa para un conjunto de trabajo similar, Claude de Anthropic costó unos $4,811, OpenAI unos $3,357 y GLM de Zhipu unos $544. El ahorro real depende de su carga de trabajo, del almacenamiento en caché y de su nivel de calidad, pero la caída del coste por token es grande.
¿Es seguro usar modelos de IA chinos con datos regulados?
Depende de cómo los despliegue. Enviar datos regulados a una API alojada en China plantea problemas de residencia de datos, seguridad y geopolítica y ya ha atraído el escrutinio del Congreso de EE. UU. Como DeepSeek, Qwen y GLM son de pesos abiertos, un patrón más seguro es ejecutar los pesos en su propia infraestructura de EE. UU. o de la UE para que los datos nunca salgan de su jurisdicción. Trate el lugar de alojamiento, y no solo el modelo, como la decisión de cumplimiento.
¿DeepSeek y Qwen son de código abierto?
Son de pesos abiertos: los pesos entrenados se publican con licencias permisivas, de modo que puede descargarlos y ejecutarlos en sus propios servidores o en la nube que elija. No es lo mismo que tener datos de entrenamiento y código totalmente abiertos, pero basta para autoalojar, ajustar y mantener la inferencia dentro de su propio entorno, la propiedad que permite a los equipos regulados aprovechar el ahorro sin enviar datos a una API en el extranjero.
¿Qué deberían hacer los equipos de software ante el cambio de costes de los modelos?
Ponga una capa de enrutamiento independiente del proveedor delante de sus llamadas a LLM, evalúe los modelos chinos de pesos abiertos con sus propias tareas y, para los datos regulados, aloje los pesos abiertos dentro de su propio entorno de EE. UU. o de la UE en lugar de llamar a una API en el extranjero. Haga un seguimiento del coste de tokens por función, mantenga conectada una alternativa capaz y documente qué modelo y qué vía de alojamiento usa cada función para las auditorías.
Fuentes
CNBC — Chinese AI models are gaining ground with U.S. companies as OpenAI, Anthropic costs surge (en inglés)
Rest of World — When Americans choose Chinese AI (en inglés)
Forbes — China’s DeepSeek V4 and Qwen reshape the open-source AI race (en inglés)