Estado de la IA

Nuestro análisis se basa en metadatos recopilados de OpenRouter , una plataforma que actúa como capa unificada de inferencia de IA y conecta a usuarios y desarrolladores con cientos de grandes modelos de lenguaje. Cada solicitud de un usuario en OpenRouter se ejecuta con un modelo seleccionado por el usuario y se registran metadatos estructurados que describen el evento de «generación» resultante. El conjunto de datos utilizado en este estudio consta de « metadatos anonimizados a nivel de solicitud» de miles de millones de pares de prompt y respuesta de una base global de usuarios, que abarcan aproximadamente dos años hasta el momento de redactar este texto. Nos centramos en particular en el último año.

Es importante destacar que no tuvimos acceso al texto subyacente de los prompts ni de las respuestas. Nuestro análisis se basa íntegramente en metadatos que capturan la estructura, los tiempos y el contexto de cada generación, sin exponer el contenido del usuario. Este diseño que preserva la privacidad permite el análisis del comportamiento a gran escala.

Cada registro de generación incluye información sobre tiempos, identificadores del modelo y del proveedor, uso de tokens y métricas de rendimiento del sistema. Los recuentos de tokens abarcan tanto los tokens del prompt (entrada) como los de la respuesta (salida), lo que nos permite medir la carga de trabajo global del modelo y su coste. Los metadatos también incluyen campos relacionados con el enrutamiento geográfico, la latencia y el contexto de uso (por ejemplo, si la solicitud se transmitió en streaming o se canceló, o si se utilizaron funciones de llamada a herramientas). En conjunto, estos atributos ofrecen una visión detallada, pero no textual, de cómo se utilizan los modelos en la práctica.

Todos los análisis, las agregaciones y la mayoría de las visualizaciones basadas en estos metadatos se realizaron con la plataforma de análisis Hex , que proporcionó un flujo reproducible para consultas SQL versionadas, transformaciones y la generación de las figuras finales.

Destacamos que este conjunto de datos es observacional: refleja la actividad real en la plataforma OpenRouter, que a su vez está condicionada por la disponibilidad de modelos, los precios y las preferencias de los usuarios. En 2025, OpenRouter admite más de 300+ modelos activos de más de 70 proveedores y presta servicio a millones de desarrolladores y usuarios finales, con más del 50 % del uso procedente de fuera de Estados Unidos. Aunque no se recogen ciertos patrones de uso externos a la plataforma, la escala global y la diversidad de OpenRouter lo convierten en una perspectiva representativa de la dinámica del uso de LLM a gran escala.

No se dispuso de acceso directo a los prompts de los usuarios ni a las salidas de los modelos para este estudio. En su lugar, OpenRouter realiza una categorización interna de una muestra aleatoria que comprende aproximadamente el 0,25 % de todos los prompts y respuestas mediante un módulo no propietario GoogleTagClassifier. Aunque esto representa solo una fracción de la actividad total, el conjunto de datos subyacente sigue siendo considerable dado el volumen total de consultas procesadas por OpenRouter. GoogleTagClassifier interactúa con Google Cloud Natural Language mediante classifyText como API de clasificación de contenido

La API aplica una taxonomía jerárquica e independiente del idioma a la entrada de texto y devuelve una o más rutas de categorías (p. ej., /Computers & Electronics/Programming, /Arts & Entertainment/Roleplaying Games) con sus correspondientes puntuaciones de confianza en el intervalo [0,1]. El clasificador opera directamente sobre los datos del prompt (hasta los primeros 1000 caracteres). El clasificador está desplegado en la infraestructura de OpenRouter, lo que garantiza que las clasificaciones permanezcan anónimas y no estén vinculadas a clientes individuales. Las categorías con puntuaciones de confianza inferiores al umbral predeterminado de 0,5 se excluyen de los análisis posteriores. El propio sistema de clasificación opera íntegramente en la infraestructura de OpenRouter y no formó parte de este estudio; nuestro análisis se basó únicamente en los resultados categóricos obtenidos (es decir, metadatos que describen las clasificaciones de los prompts), en lugar del contenido subyacente de los prompts.

Para que estas etiquetas detalladas resulten útiles a gran escala, asignamos la taxonomía de GoogleTagClassifier a un conjunto compacto de grupos definidos para el estudio y asignamos a cada solicitud etiquetas. Cada etiqueta se corresponde con una única categoría de nivel superior. Algunos ejemplos representativos de estas correspondencias son:

• Programación: de /Computers & Electronics/Programming o /Science/Computer Science/*
• Juegos de rol: de /Games/Roleplaying Games y categorías finales de diálogo creativo dentro de /Arts & Entertainment/*
• Traducción: de /Reference/Language Resources/*
• Preguntas y respuestas generales / Conocimiento: de /Reference/General Reference/* y /News/* cuando la intención parece ser la consulta de datos
• Productividad/Redacción: de /Computers & Electronics/Software/Business & Productivity Software o /Business & Industrial/Business Services/Writing & Editing Services
• Educación: de /Jobs & Education/Education/*
• Literatura/Escritura creativa: de /Books & Literature/* y categorías finales de narrativa dentro de /Arts & Entertainment/*
• Adultos: de /Adult
• Otros: para el conjunto de prompts poco frecuentes cuando no se aplica ninguna correspondencia dominante. (Nota: omitimos esta categoría en la mayoría de los análisis que siguen.)

Este enfoque tiene limitaciones inherentes, por ejemplo, la dependencia de una taxonomía predefinida restringe la categorización de comportamientos novedosos o que abarcan varios ámbitos, y es posible que ciertos tipos de interacción aún no encajen claramente en las clases existentes. En la práctica, algunas solicitudes reciben varias etiquetas de categoría cuando su contenido abarca ámbitos que se solapan. No obstante, la categorización basada en el clasificador nos proporciona una perspectiva para análisis posteriores. Esto nos permite cuantificar no solo cuánto se utilizan los LLM, sino también para qué.

Conviene destacar explícitamente algunas variantes:

• Código abierto frente a propietario: Clasificamos los modelos como código abierto (OSS, por simplicidad) si sus pesos están disponibles públicamente, y como código cerrado si solo se puede acceder a ellos mediante una API restringida (p. ej., Claude de Anthropic). Esta distinción nos permite medir la adopción de modelos impulsados por la comunidad frente a los propietarios.
• Origen (China frente al resto del mundo): Dado el auge de los LLM chinos y sus ecosistemas diferenciados, etiquetamos los modelos según su principal lugar de desarrollo. Los modelos chinos incluyen los desarrollados por organizaciones de China, Taiwán o Hong Kong (p. ej., Qwen de Alibaba, Kimi de Moonshot AI o DeepSeek). Los modelos del resto del mundo (RoW) abarcan América del Norte, Europa y otras regiones.
• Tokens de entrada frente a tokens de respuesta: Distinguimos entre tokens de entrada, que representan el texto de entrada proporcionado a un modelo, y tokens de respuesta, que representan la salida generada por el modelo. El total de tokens equivale a la suma de los tokens de entrada y de respuesta. Los tokens de razonamiento representan pasos de razonamiento interno en modelos con capacidades nativas de razonamiento y se incluyen en los tokens de respuesta.

Salvo que se indique lo contrario, el volumen de tokens se refiere a la suma de los tokens del prompt (entrada) y de la respuesta (salida).

Para comprender los patrones regionales de uso de los LLM, segmentamos las solicitudes según la ubicación geográfica del usuario. Los metadatos directos de las solicitudes (como la ubicación basada en la IP) suelen ser imprecisos o estar anonimizados. En su lugar, determinamos la región del usuario según la ubicación de facturación asociada a cada cuenta. Esto proporciona un indicador más fiable de la ubicación geográfica del usuario, ya que los datos de facturación reflejan el país o la región vinculados al método de pago o al registro de la cuenta del usuario. Utilizamos esta segmentación basada en la facturación en nuestro análisis de la adopción regional y las preferencias de modelos.

Este método tiene limitaciones. Algunos usuarios utilizan servicios de facturación de terceros o cuentas compartidas de una organización, que pueden no corresponder a su ubicación real. Las cuentas empresariales pueden agrupar la actividad de varias regiones bajo una sola entidad de facturación. A pesar de estas imperfecciones, la ubicación geográfica de facturación sigue siendo el indicador más estable e interpretable disponible para realizar análisis geográficos que preserven la privacidad, dados los metadatos a los que teníamos acceso.

Nuestros análisis abarcan principalmente un período móvil de 13 meses que finaliza en noviembre de 2025, pero no todos los metadatos subyacentes cubren este período completo. La mayoría de los análisis por modelo y de precios se centraron en el período del 3 de noviembre de 2024 al 30 de noviembre de 2025. Sin embargo, los análisis por categoría (especialmente los que utilizan la taxonomía GoogleTagClassifier) se basan en un intervalo más corto que comienza en mayo de 2025, cuando se empezó a disponer de un etiquetado coherente en OpenRouter. En particular, los campos de clasificación detallada de tareas (por ejemplo, etiquetas como Programación, Juego de rol o Tecnología) no se añadieron hasta mediados de 2025. Por consiguiente, todos los hallazgos de la sección Categorías deben interpretarse como representativos del uso de mediados de 2025 y no de todo el año anterior.

Salvo que se especifique lo contrario, todos los agregados de series temporales se calculan semanalmente con marcas de tiempo normalizadas a UTC, sumando los tókenes del prompt y de la respuesta. Este enfoque garantiza la comparabilidad entre familias de modelos y minimiza el sesgo debido a picos transitorios o a los efectos de las zonas horarias regionales.

La tabla siguiente clasifica las principales familias de modelos de nuestro conjunto de datos por el volumen total de tokens procesados. El panorama de los modelos OSS ha cambiado significativamente durante el último año: aunque DeepSeek sigue siendo el mayor contribuyente individual de OSS por volumen, su dominio ha disminuido a medida que los nuevos participantes ganan terreno rápidamente. Hoy, varias familias de código abierto mantienen cada una un uso considerable, lo que apunta a un ecosistema diversificado.

Esta figura ilustra la drástica evolución de la cuota de mercado de los principales modelos individuales de código abierto semana a semana. Al principio del período (finales de 2024), el mercado estaba muy concentrado: dos modelos de la familia DeepSeek (V3 y R1) representaban sistemáticamente más de la mitad de todo el uso de tókenes de código abierto, formando las grandes franjas de color azul oscuro en la parte inferior del gráfico.

Esta estructura de cuasimonopolio se desmoronó tras el punto de inflexión del verano (a mediados de 2025). Desde entonces, el mercado se ha vuelto más amplio y profundo, y el uso se ha diversificado considerablemente. Los nuevos participantes, como los modelos de Qwen, M2 de Minimax, el modelo de MoonshotAI Kimi K2 y la serie de OpenAI GPT-OSS , crecieron rápidamente hasta atender proporciones significativas de las solicitudes, y a menudo alcanzaron una adopción a escala de producción en pocas semanas tras su lanzamiento. Esto indica que la comunidad de código abierto y las startups de IA pueden lograr una adopción rápida al introducir modelos con capacidades novedosas o una eficiencia superior.

A finales de 2025, el equilibrio competitivo había pasado de un cuasimonopolio a una combinación pluralista. Ningún modelo supera el 25 % de los tókenes de código abierto, y la cuota de tókenes ahora se distribuye de forma más uniforme entre cinco y siete modelos. La implicación práctica es que los usuarios están encontrando valor en una gama más amplia de opciones, en lugar de recurrir por defecto a una única opción «mejor». Aunque esta figura muestra la cuota relativa entre los modelos de código abierto (no el volumen absoluto), la tendencia clara es un cambio decisivo hacia la fragmentación del mercado y una mayor competencia dentro del ecosistema de código abierto.

En general, el ecosistema de modelos de código abierto es ahora muy dinámico. Entre las conclusiones principales se incluyen:

• Diversidad entre los líderes: Donde antes una familia (DeepSeek) dominaba el uso de OSS, ahora vemos cada vez más media docena de modelos que mantienen una cuota significativa cada uno. Ningún modelo abierto concentra de forma constante más del ≈20–25 % de los tokens de OSS.
• Rápido crecimiento de los nuevos participantes: Los nuevos modelos abiertos con buenas capacidades pueden captar un uso significativo en cuestión de semanas. Por ejemplo, los modelos de MoonshotAI crecieron rápidamente hasta rivalizar con los anteriores líderes de OSS, e incluso un recién llegado como MiniMax pasó de cero a un tráfico considerable en un solo trimestre. Esto indica que hay pocas barreras para cambiar de modelo y una base de usuarios deseosa de experimentar.
• Ventaja iterativa: La permanencia de DeepSeek en los primeros puestos subraya que la mejora continua es fundamental. Los sucesivos lanzamientos de DeepSeek (Chat-V3, R1, etc.) lo mantuvieron competitivo incluso a medida que surgían rivales. Los modelos OSS cuyo desarrollo se estanca tienden a perder cuota frente a los que reciben actualizaciones frecuentes a la vanguardia o ajustes finos específicos de un dominio.

Hoy, en 2025, el ámbito de los LLM de código abierto se asemeja a un ecosistema competitivo en el que los ciclos de innovación son rápidos y el liderazgo no está garantizado. Para los creadores de modelos, esto significa que lanzar un modelo abierto con un rendimiento de vanguardia puede generar una adopción inmediata, pero mantener la cuota de uso requiere una inversión continua en su desarrollo posterior. Para los usuarios y los desarrolladores de aplicaciones, la tendencia es positiva: hay una selección más amplia de modelos abiertos entre los que elegir, a menudo con capacidades comparables o a veces superiores a las de los sistemas propietarios en áreas específicas (como los juegos de rol).

Hace un año, el ecosistema de modelos de código abierto se caracterizaba en gran medida por las concesiones entre dos extremos: una enorme cantidad de modelos pequeños y rápidos y un puñado de modelos potentes a gran escala. Sin embargo, un análisis del último año revela una maduración significativa del mercado y la aparición de una nueva categoría en crecimiento: el modelo de tamaño mediano. Tenga en cuenta que clasificamos los modelos según su número de parámetros de la siguiente manera:

• Pequeños: Modelos con menos de 15 mil millones de parámetros.
• Medianos: Modelos con entre 15 mil millones y 70 mil millones de parámetros.
• Grandes: Modelos con 70 mil millones de parámetros o más.

Los datos sobre el comportamiento de los desarrolladores y los usuarios nos cuentan una historia con matices. Las cifras muestran que, si bien el número de modelos en todas las categorías ha crecido, el uso ha cambiado notablemente. Los modelos pequeños están perdiendo aceptación, mientras que los modelos medianos y grandes están captando ese valor.

Un análisis más profundo de los modelos que impulsan estas tendencias revela dinámicas de mercado diferenciadas:

• El mercado de modelos «pequeños»: descenso general del uso. A pesar de una oferta constante de nuevos modelos, la categoría de modelos pequeños en su conjunto está perdiendo cuota de uso. Esta categoría se caracteriza por una gran fragmentación. Ningún modelo mantiene una posición dominante durante mucho tiempo, y hay una rotación constante de nuevos participantes de diversos proveedores como Meta, Google, Mistral y DeepSeek. Por ejemplo, Google Gemma 3.12B (lanzado en agosto de 2025) tuvo una rápida adopción, pero compite en un mercado saturado donde los usuarios buscan continuamente una alternativa mejor.
• El mercado de modelos «medianos»: en busca del «encaje entre modelo y mercado». La categoría de modelos medianos muestra un claro proceso de creación de mercado. El segmento en sí era insignificante hasta el lanzamiento de Qwen2.5 Coder 32B en noviembre de 2024, que en la práctica estableció esta categoría. Este segmento luego maduró hasta convertirse en un ecosistema competitivo con la llegada de otros competidores sólidos como Mistral Small 3 (enero de 2025) y GPT-OSS 20B (agosto de 2025), que se ganaron un lugar en la mente de los usuarios. Este segmento demuestra que los usuarios buscan un equilibrio entre capacidad y eficiencia.
• El segmento de modelos «grandes»: un panorama pluralista. La «búsqueda de calidad» no ha llevado a la consolidación, sino a la diversificación. La categoría de modelos grandes cuenta ahora con una variedad de competidores de alto rendimiento, desde Qwen3 235B A22B Instruct (lanzado en julio de 2025) y Z.AI GLM 4.5 Air hasta OpenAI: GPT-OSS-120B (5 de agosto): cada uno con un uso significativo y sostenido. Este pluralismo sugiere que los usuarios evalúan activamente varios modelos grandes abiertos en lugar de converger en un único estándar.

La era en la que los modelos pequeños dominaban el ecosistema de código abierto podría haber quedado atrás. El mercado se está bifurcando: los usuarios se inclinan por una nueva y sólida clase de modelos medianos o consolidan sus cargas de trabajo en el único modelo grande con mayor capacidad.

Los modelos de código abierto se emplean hoy en una gama notablemente amplia de tareas que abarcan ámbitos creativos, técnicos e informativos. Aunque los modelos propietarios siguen dominando las tareas empresariales estructuradas, los modelos OSS han logrado liderar dos áreas en particular: juegos de rol creativos y asistencia de programación. En conjunto, estas categorías representan la mayor parte del uso de tokens de los modelos OSS.

La figura anterior destaca que más de la mitad del uso de modelos OSS corresponde a Juegos de rol, con Programación como segunda categoría más importante. Esto indica que los usuarios recurren a modelos abiertos principalmente para diálogos interactivos creativos (como narración, interpretación de personajes y escenarios de juego) y para tareas relacionadas con la programación. El predominio de los juegos de rol (que representan más del 50 % de todos los tókenes de OSS) pone de relieve un caso de uso en el que los modelos abiertos tienen ventaja: pueden utilizarse con fines creativos y suelen estar menos limitados por los filtros de contenido, lo que los hace atractivos para aplicaciones de fantasía o entretenimiento. Las tareas de juegos de rol requieren respuestas flexibles, retención del contexto y matices emocionales, atributos que los modelos abiertos pueden ofrecer eficazmente sin estar muy restringidos por capas comerciales de seguridad o moderación. Esto los hace especialmente atractivos para comunidades que experimentan con experiencias centradas en personajes, ficción de aficionados, juegos interactivos y entornos de simulación.

La figura anterior muestra el desglose por categorías a lo largo del tiempo si nos centramos únicamente en los modelos de código abierto de China. Estos modelos ya no se utilizan principalmente para tareas creativas. El juego de roles sigue siendo la categoría más grande, con alrededor del 33 %, pero la programación y la tecnología representan ahora, en conjunto, la mayoría del uso (39 %). Este cambio sugiere que modelos como Qwen y DeepSeek se utilizan cada vez más para la generación de código y las cargas de trabajo relacionadas con la infraestructura. Aunque los usuarios empresariales de gran volumen pueden influir en segmentos específicos, la tendencia general apunta a que los modelos de código abierto de China compiten directamente en los ámbitos técnicos y de productividad.

Si nos centramos solo en la categoría de programación, observamos que los modelos propietarios siguen proporcionando la mayor parte de la asistencia de programación en general (la región gris), lo que refleja la solidez de ofertas como Claude de Anthropic. Sin embargo, dentro de la porción de código abierto, hubo una transición notable: a mediados de 2025, los modelos de código abierto de China (azul) proporcionaron la mayoría de la ayuda de programación de código abierto (impulsados por éxitos tempranos como Qwen 3 Coder). Para el cuarto trimestre de 2025, los modelos occidentales de código abierto (naranja), como LLaMA-2 Code de Meta y la serie GPT-OSS de OpenAI habían crecido con fuerza, pero su cuota global disminuyó en las últimas semanas. Esta oscilación sugiere un entorno muy competitivo. La conclusión práctica es que el uso de asistentes de programación de código abierto es dinámico y responde en gran medida a la calidad de los nuevos modelos: los desarrolladores están abiertos a cualquier modelo de código abierto que ofrezca el mejor apoyo de programación en ese momento. Como limitación, esta figura no muestra volúmenes absolutos: el uso de código abierto para programación creció en general, por lo que una franja azul que se reduce no significa que los modelos de código abierto de China hayan perdido usuarios, sino solo cuota relativa.

Ahora, si examinamos solo el tráfico de juegos de rol, vemos que los modelos de código abierto del resto del mundo (naranja, 43 % en las últimas semanas) y los modelos cerrados (gris, con un ~42 % en los datos más recientes) lo atienden casi por igual. Esto representa un cambio significativo respecto a principios de 2025, cuando la categoría estaba dominada por los modelos propietarios (gris), que concentraban aproximadamente el 70 % de la cuota de unidades léxicas. En ese momento (mayo de 2025), los modelos de código abierto occidentales representaban solo el ~22 % del tráfico, y los modelos de código abierto de China (azul) tenían una pequeña cuota del ~8 %. A lo largo del año, la cuota de los modelos propietarios disminuyó de forma constante. A finales de octubre de 2025, esta tendencia se aceleró a medida que tanto los modelos de código abierto occidentales como los de China ganaban terreno de forma significativa.

La convergencia resultante indica una competencia saludable; los usuarios tienen opciones viables tanto de código abierto como propietarias para conversaciones creativas y narración de historias. Esto refleja que los desarrolladores reconocen la demanda de modelos de conversación y juegos de rol y han adaptado sus lanzamientos a ese fin (por ejemplo, mediante ajustes finos con diálogos y la incorporación de alineación para mantener la coherencia de los personajes). Cabe señalar que los «juegos de rol» abarcan una variedad de subgéneros (desde conversaciones informales hasta escenarios de juego complejos). Sin embargo, desde una perspectiva general, está claro que los modelos OSS tienen ventaja en este ámbito creativo.

Interpretación. En general, en todo el ecosistema de código abierto, los principales casos de uso son: Juegos de rol y diálogo creativo: la categoría principal, probablemente porque los modelos abiertos pueden carecer de censura o personalizarse más fácilmente para tareas de personajes ficticios e historias. Asistencia de programación: la segunda categoría más importante, y en crecimiento, a medida que los modelos abiertos mejoran sus capacidades de programación. Muchos desarrolladores aprovechan los modelos de código abierto localmente para programar y evitar los costes de las API. Traducción y soporte multilingüe: un caso de uso estable, especialmente con la disponibilidad de modelos bilingües potentes (los modelos de código abierto de China tienen ventaja en este ámbito). Preguntas y respuestas de conocimiento general y educación: uso moderado; aunque los modelos abiertos pueden responder preguntas, los usuarios pueden preferir modelos cerrados como GPT-5 para obtener la máxima precisión factual.

Cabe señalar que el patrón de uso de OSS (centrado en gran medida en el juego de roles) refleja lo que muchos podrían considerar propio de «entusiastas» o «desarrolladores independientes»: ámbitos donde la personalización y la rentabilidad priman sobre la precisión absoluta. Sin embargo, los límites se están difuminando: los modelos OSS mejoran rápidamente en ámbitos técnicos, y los modelos propietarios también se utilizan de forma creativa.

Como muestra la figura anterior, la proporción del total de tokens enrutados a través de modelos optimizados para el razonamiento aumentó considerablemente en 2025. Lo que a principios del primer trimestre era una fracción prácticamente insignificante del uso ahora supera el cincuenta por ciento. Este cambio refleja ambos lados del mercado. Por el lado de la oferta, el lanzamiento de sistemas de mayor capacidad como GPT-5, Claude 4.5 y Gemini 3 amplió lo que los usuarios podían esperar del razonamiento paso a paso. Por el lado de la demanda, los usuarios prefieren cada vez más modelos capaces de gestionar el estado de las tareas, seguir una lógica de varios pasos y admitir flujos de trabajo de tipo agente en lugar de limitarse a generar texto.

La figura anterior muestra los principales modelos que impulsan este cambio. En los datos más recientes, el modelo de xAI Grok Code Fast 1 representa ahora la mayor proporción del tráfico de razonamiento (excluido el acceso gratuito de lanzamiento), por delante de los modelos de Google Gemini 2.5 Pro y Gemini 2.5 Flash. Este es un cambio notable respecto a hace solo unas semanas, cuando Gemini 2.5 Pro lideraba la categoría y DeepSeek R1 y Qwen3 también estaban entre los primeros. Grok Code Fast 1 y Grok 4 Fast han ganado cuota rápidamente, impulsados por el despliegue agresivo de xAI, sus precios competitivos y la atención de los desarrolladores hacia sus variantes orientadas al código. Al mismo tiempo, la presencia continuada de modelos abiertos como el de OpenAI gpt-oss-120b subraya que los desarrolladores siguen recurriendo al software de código abierto cuando es posible. En conjunto, esta combinación destaca lo dinámico que se ha vuelto el panorama del razonamiento, con una rápida renovación de modelos que determina qué sistemas dominan las cargas de trabajo reales.

Los datos apuntan a una conclusión clara: los modelos orientados al razonamiento se están convirtiendo en la opción predeterminada para las cargas de trabajo reales, y la proporción de tókenes que pasan por ellos es ahora un indicador adelantado de cómo quieren los usuarios interactuar con los sistemas de IA.

En la figura anterior, mostramos la proporción del total de tokens procedentes de solicitudes cuyo motivo de finalización fue una llamada a herramienta. Esta métrica está normalizada y recoge únicamente las interacciones en las que realmente se invocó una herramienta.

Esto contrasta con la señal Herramienta de entrada , que registra si se proporcionó una herramienta al modelo durante una solicitud (independientemente de su invocación). Los recuentos de Herramienta de entrada son, por definición, superiores a los de los motivos de finalización Llamada a herramienta, ya que la provisión es un superconjunto de la ejecución correcta. Mientras que la métrica de motivos de finalización mide el uso efectivo de herramientas, Herramienta de entrada refleja la disponibilidad potencial y no la invocación real. Dado que esta métrica se introdujo en septiembre de 2025, no la presentamos en este artículo.

El notable pico de mayo en la figura anterior se debió en gran medida a una cuenta de gran tamaño cuya actividad elevó brevemente los volúmenes totales. Aparte de esta anomalía, la adopción de herramientas ha mostrado una tendencia al alza constante durante todo el año.

Como se muestra en la figura anterior, la invocación de herramientas se concentraba inicialmente en un pequeño grupo de modelos: gpt-4o-mini de OpenAI y las series Claude 3.5 y 3.7 de Anthropic, que en conjunto representaban la mayoría de los tokens con herramientas habilitadas a principios de 2025. Sin embargo, a mediados de año, un conjunto más amplio de modelos comenzó a admitir el uso de herramientas, lo que refleja un ecosistema más competitivo y diversificado. Desde finales de septiembre, el modelo más reciente Claude 4.5 Sonnet ganó cuota rápidamente. Mientras tanto, nuevas incorporaciones como Grok Code Fast y GLM 4.5 han logrado avances visibles, lo que refleja una mayor experimentación y diversificación en los despliegues con capacidad para usar herramientas.

Para los operadores, la implicación es clara: habilitar el uso de herramientas está en auge en los flujos de trabajo de alto valor. Los modelos sin formatos de herramientas fiables corren el riesgo de quedarse atrás en la adopción empresarial y los entornos de orquestación.

La naturaleza de las cargas de trabajo de los modelos ha evolucionado notablemente durante el último año. Tanto el volumen de tókenes de las instrucciones (entrada) como el de las respuestas (salida) han aumentado considerablemente, aunque a distintas escalas y ritmos. El promedio de tókenes de entrada por solicitud se ha multiplicado aproximadamente por cuatro, pasando de unos 1,5 mil a más de 6 mil, mientras que las respuestas casi se han triplicado, pasando de unos 150 a 400 tókenes. La magnitud relativa del crecimiento pone de relieve un cambio decisivo hacia cargas de trabajo más complejas y con más contexto.

Este patrón refleja un nuevo equilibrio en el uso de modelos. Hoy, la solicitud típica se centra menos en la generación abierta («escríbame un ensayo») y más en razonar sobre grandes volúmenes de material proporcionado por el usuario, como bases de código, documentos, transcripciones o conversaciones largas, y producir conclusiones concisas y de alto valor. Los modelos actúan cada vez más como motores analíticos en lugar de generadores creativos.

Los datos por categoría (disponibles solo desde la primavera de 2025) ofrecen una visión más matizada: las cargas de trabajo de programación son el principal motor del crecimiento de los tókenes de los prompts. Las solicitudes que implican comprensión, depuración y generación de código superan habitualmente los 20K tókenes de entrada, mientras que todas las demás categorías se mantienen relativamente estables y con un volumen bajo. Esta contribución asimétrica sugiere que el aumento reciente del tamaño de los prompts no es una tendencia uniforme en todas las tareas, sino un crecimiento concentrado vinculado a casos de uso de desarrollo de software y razonamiento técnico.

La longitud de la secuencia es un indicador de la complejidad de la tarea y la profundidad de la interacción. La figura anterior muestra que la longitud media de la secuencia se ha más que triplicado en los últimos 20 meses, pasando de menos de 2.000 tokens a finales de 2023 a más de 5.400 a finales de 2025. Este crecimiento refleja un cambio estructural hacia ventanas de contexto más largas, historiales de tareas más extensos y respuestas más elaboradas.

Como en la sección anterior, la segunda figura aporta mayor claridad: los prompts relacionados con programación tienen ahora una longitud media en tokens de 3–4 veces la de los prompts de uso general. La divergencia indica que los flujos de trabajo de desarrollo de software son el principal motor de las interacciones más largas. Las secuencias largas no son solo verbosidad del usuario: son una señal de flujos de trabajo con agentes integrados y más sofisticados.

En conjunto, estas tendencias (una proporción creciente de razonamiento, un mayor uso de herramientas, secuencias más largas y la complejidad desproporcionada de la programación) sugieren que el centro de gravedad del uso de los LLM ha cambiado. La solicitud mediana a un LLM ya no es una simple pregunta ni una instrucción aislada. En cambio, forma parte de un bucle estructurado, similar al de un agente, que invoca herramientas externas, razona sobre el estado y persiste a lo largo de contextos más extensos.

Para los proveedores de modelos, esto eleva el nivel exigido a las capacidades predeterminadas. La latencia, la gestión de herramientas, la compatibilidad con el contexto y la robustez frente a cadenas de herramientas malformadas o adversarias son cada vez más críticas. Para los operadores de infraestructura, las plataformas de inferencia ahora deben gestionar no solo solicitudes sin estado, sino también conversaciones de larga duración, trazas de ejecución e integraciones de herramientas sujetas a permisos. Pronto, si no lo ha hecho ya, la inferencia agéntica pasará a representar la mayor parte de la inferencia.

La programación se ha convertido en la categoría con el crecimiento más constante en todos los modelos. La proporción de solicitudes relacionadas con la programación ha crecido de forma sostenida a lo largo de 2025, en paralelo al auge de los entornos de desarrollo asistidos por LLM y las integraciones de herramientas. Como se muestra en la figura anterior, las consultas de programación representaban aproximadamente el 11 % del volumen total de tókenes a principios de 2025 y superaron el 50 % en las últimas semanas. Esta tendencia refleja un cambio del uso exploratorio o conversacional hacia tareas aplicadas como la generación de código, la depuración y la creación de scripts para datos. A medida que los LLM se integran en los flujos de trabajo de los desarrolladores, su función como herramientas de programación se está normalizando. Esta evolución tiene implicaciones para el desarrollo de modelos, como un mayor énfasis en los datos de entrenamiento centrados en el código, una mayor profundidad de razonamiento para tareas de programación de varios pasos y ciclos de retroalimentación más estrechos entre los modelos y los entornos de desarrollo integrados.

Esta creciente demanda de asistencia en programación está transformando la dinámica competitiva entre los proveedores de modelos. Como se muestra en la figura siguiente, la serie Claude de Anthropic ha dominado de forma constante la categoría, con más del 60 % del gasto relacionado con la programación durante la mayor parte del período observado. No obstante, el panorama ha evolucionado de manera significativa. Durante la semana del 17 de noviembre, la cuota de Anthropic cayó por debajo del umbral del 60 % por primera vez. Desde julio, OpenAI ha ampliado su cuota de aproximadamente el 2 % a cerca del 8 % en las últimas semanas, lo que probablemente refleja un renovado énfasis en las cargas de trabajo centradas en los desarrolladores. Durante el mismo intervalo, la cuota de Google se ha mantenido estable en aproximadamente el 15 %. El segmento intermedio también está en movimiento. Los proveedores de código abierto, entre ellos Z.AI, Qwen y Mistral AI, están ganando reconocimiento de forma sostenida. MiniMax, en particular, ha surgido como un nuevo competidor de rápido crecimiento, con avances notables en las últimas semanas.

En general, la programación se ha convertido en una de las categorías de modelos más disputadas y de mayor importancia estratégica. Atrae la atención constante de los principales laboratorios, e incluso cambios modestos en la calidad o la latencia de los modelos pueden alterar la cuota de una semana a otra. Para los proveedores de infraestructura y los desarrolladores, esto pone de relieve la necesidad de realizar continuamente pruebas comparativas y evaluaciones, especialmente porque la frontera tecnológica evoluciona sin cesar.

Las figuras anteriores desglosan el uso de LLM en las doce categorías de contenido más comunes y revelan la estructura interna de subtemas de cada una. Una conclusión clave es que la mayoría de las categorías no presentan una distribución uniforme: predominan uno o dos patrones de uso recurrentes, que a menudo reflejan una intención de usuario concentrada o una correspondencia con los puntos fuertes de los LLM.

Entre las categorías de mayor volumen, el juego de rol destaca por su consistencia y especialización. Casi el 60 % de los tókenes de juego de rol se clasifican en Juegos/juegos de rol, lo que sugiere que los usuarios tratan a los LLM menos como chatbots informales y más como motores estructurados de juegos de rol o personajes. Esto se ve reforzado por la presencia de Recursos para escritores (15,6 %) y contenido para adultos (15,4 %), lo que apunta a una combinación de ficción interactiva, generación de escenarios y fantasía personal. Contrariamente a la suposición de que el juego de rol consiste principalmente en diálogos informales, los datos muestran un caso de uso basado en géneros bien definido y replicable.

Programación presenta un sesgo similar, con más de dos tercios del tráfico etiquetado como Programación/Otros. Esto indica el carácter amplio y de propósito general de los prompts relacionados con el código: los usuarios no se centran exclusivamente en herramientas o lenguajes específicos, sino que piden a los LLM todo tipo de tareas, desde depurar la lógica hasta redactar scripts. Dicho esto, Herramientas de desarrollo (26,4 %) y pequeñas proporciones de lenguajes de scripting indican una especialización emergente. Esta fragmentación pone de relieve una oportunidad para que los creadores de modelos mejoren el etiquetado o el entrenamiento en torno a flujos de trabajo de programación estructurados.

Más allá de las categorías dominantes de juegos de rol y programación, los demás ámbitos representan una cola diversa, pero de menor volumen, del uso de los LLM. Aunque individualmente son más pequeños, revelan patrones importantes sobre cómo los usuarios interactúan con los modelos en tareas especializadas y emergentes. Por ejemplo, traducción, ciencia y salud muestran una estructura interna relativamente plana. En traducción, el uso se reparte casi por igual entre Recursos de lenguas extranjeras (51,1 %) y Otros, lo que sugiere necesidades difusas: consultas multilingües, reformulación y alternancia ocasional entre idiomas, en lugar de traducción sostenida de documentos completos. La ciencia está dominada por una sola etiqueta, Aprendizaje automático e IA (80,4 %), lo que indica que la mayoría de las consultas científicas son preguntas sobre la propia IA y no sobre temas generales de STEM, como la física o la biología. Esto refleja un sesgo hacia las consultas autorreferenciales, ya sea en los intereses de los usuarios o en las fortalezas de los modelos.

La salud, en cambio, es la más fragmentada de las principales categorías, sin que ninguna subetiqueta supere el 25 %. Los tokens se distribuyen entre la investigación médica, los servicios de asesoramiento, la orientación sobre tratamientos y las consultas de diagnóstico. Esta diversidad pone de relieve la complejidad del ámbito, pero también el reto de modelarlo de forma segura: los LLM deben abarcar intenciones de los usuarios muy variadas, a menudo en contextos sensibles, sin una concentración clara en un único caso de uso.

Lo que vincula estas categorías de baja frecuencia es su amplitud: los usuarios recurren a los LLM para interacciones exploratorias, poco estructuradas o en busca de ayuda, pero sin los flujos de trabajo específicos que se observan en la programación o los asistentes personales. En conjunto, estas categorías secundarias quizá no dominen el volumen, pero apuntan a una demanda latente. Indican que los LLM se utilizan en los márgenes de muchos campos, desde la traducción hasta la orientación médica y la introspección de la IA, y que, a medida que los modelos mejoren en solidez dentro de cada dominio e integración con herramientas, podríamos ver cómo estas intenciones dispersas convergen en aplicaciones más definidas y de mayor volumen.

En cambio, finanzas, ámbito académico y ámbito jurídico presentan una distribución mucho más dispersa. Finanzas reparte su volumen entre divisas, inversión socialmente responsable y auditoría/contabilidad: ninguna etiqueta supera el 20 %. El ámbito jurídico muestra una entropía similar, con un uso repartido entre Gobierno/Otros (43,0 %) y Jurídico/Otros (17,8 %). Esta fragmentación puede reflejar la complejidad de estos ámbitos, o simplemente la falta de flujos de trabajo específicos con LLM para ellos en comparación con categorías más maduras como la programación y el chat.

Los datos sugieren que el uso real de los LLM no es uniformemente exploratorio: se concentra en un pequeño conjunto de tareas repetibles y de gran volumen. Los juegos de rol, la programación y la asistencia personal presentan estructuras claras y etiquetas dominantes. Los ámbitos científico, sanitario y jurídico, por el contrario, son más difusos y probablemente estén poco optimizados. Estas distribuciones internas pueden orientar el diseño de modelos, el ajuste fino específico de cada ámbito y las interfaces de las aplicaciones, especialmente para adaptar los LLM a los objetivos de los usuarios.

Los modelos de distintos autores se utilizan con diferentes patrones de uso. Las siguientes figuras muestran la distribución de las categorías de contenido para las principales familias de modelos (Claude de Anthropic, los modelos de Google, la serie GPT de OpenAI, DeepSeek y Qwen). Cada barra representa el 100 % del uso de tókenes de ese proveedor, desglosado por las etiquetas principales.

Claude de Anthropic está fuertemente orientado a usos de programación + tecnología , que en conjunto superan el 80 % de su uso. Los juegos de rol y las preguntas y respuestas generales representan solo una pequeña fracción. Esto confirma el posicionamiento de Claude como un modelo optimizado para el razonamiento complejo, la programación y las tareas estructuradas; los desarrolladores y las empresas parecen usar Claude principalmente como asistente de programación y para resolver problemas.

El uso de los modelos de Google es más diverso. Observamos segmentos destacados de traducción, ciencia, tecnología y algo de conocimiento general. Por ejemplo, aproximadamente el 5 % del uso de Google correspondió a contenido jurídico o de políticas, y otro 10 % aproximadamente estuvo relacionado con la ciencia. Esto podría indicar la amplitud del enfoque de entrenamiento de Gemini. En comparación con otros, Google tiene una proporción relativamente menor de programación que, de hecho, disminuye hacia finales de 2025 (hasta aproximadamente el 18 %) y una mayor variedad de categorías minoritarias. Esto sugiere que los modelos de Google se utilizan más como motores de información de propósito general.

El perfil de uso de xAI es distinto al de los demás proveedores. Durante la mayor parte del período, el uso se concentra de forma abrumadora en Programación, a menudo superando el ochenta por ciento de todos los tokens. Solo a finales de noviembre se amplía la distribución, con aumentos notables en Tecnología, Juegos de rol y Ámbito académico. Este cambio brusco coincide con el momento en que el modelo de xAI se distribuyó sin coste a través de determinadas aplicaciones de consumo, lo que probablemente generó una gran afluencia de tráfico ajeno a los desarrolladores. El resultado es una composición de uso que combina un núcleo inicial con gran presencia de desarrolladores con una oleada repentina de uso general, lo que sugiere que la trayectoria de adopción de xAI está determinada tanto por usuarios técnicos como por aumentos puntuales vinculados a la disponibilidad promocional.

El perfil de uso de OpenAI ha cambiado notablemente a lo largo de 2025. A principios de año, las tareas científicas representaban más de la mitad de todos los tókenes de OpenAI; a finales de 2025, esa proporción había descendido a menos del 15 %. Mientras tanto, la programación y el uso relacionado con la tecnología representan ahora más de la mitad del volumen total (29 % cada uno), lo que refleja una integración más profunda en los flujos de trabajo de desarrollo, las herramientas de productividad y las aplicaciones profesionales. La composición del uso de OpenAI se sitúa ahora entre el perfil muy concentrado de Anthropic y la distribución más dispersa de Google, lo que sugiere una amplia base de utilidad con una orientación creciente hacia tareas estructuradas de alto valor.

DeepSeek y Qwen presentan patrones de uso que difieren considerablemente de los de las demás familias de modelos analizadas anteriormente. La distribución de tókenes de DeepSeek está dominada por los juegos de rol, las conversaciones informales y las interacciones orientadas al entretenimiento, que a menudo representan más de dos tercios de su uso total. Solo una pequeña fracción de la actividad corresponde a tareas estructuradas como la programación o la ciencia. Este patrón refleja la marcada orientación de DeepSeek al consumidor y su posicionamiento como modelo conversacional con un alto nivel de interacción. Cabe destacar que DeepSeek muestra un aumento modesto pero constante del uso relacionado con la programación hacia finales del verano, lo que sugiere una adopción gradual en flujos de trabajo de desarrollo ligeros.

Qwen, en cambio, presenta un perfil casi inverso. Durante todo el período mostrado, la programación representa de forma constante entre el 40 y el 60 por ciento de todos los tókenes, lo que indica un claro énfasis en tareas técnicas y de desarrollo. En comparación con la composición más estable de Anthropic, con un fuerte peso de la ingeniería, Qwen muestra una mayor volatilidad en categorías afines como ciencia, tecnología y juegos de rol. Estos cambios de una semana a otra sugieren una base de usuarios heterogénea y una iteración rápida en casos de uso aplicados. Un aumento notable del uso de juegos de rol durante septiembre y octubre, seguido de una contracción en noviembre, apunta a una evolución del comportamiento de los usuarios o a ajustes en el enrutamiento de las aplicaciones que utilizan estos modelos.

En resumen, cada proveedor presenta un perfil distinto acorde con su enfoque estratégico. Las diferencias ponen de relieve por qué ningún modelo o proveedor cubre de forma óptima todos los casos de uso; también subrayan los posibles beneficios de un ecosistema multimodelo.

La distribución del gasto, como se muestra en la figura siguiente, pone de relieve el carácter cada vez más global del mercado de inferencia de IA. América del Norte, aunque sigue siendo la región con mayor gasto, representa ahora menos de la mitad del gasto total durante la mayor parte del período observado. Europa muestra una contribución estable y duradera. Su participación relativa en el gasto semanal se mantiene constante a lo largo de todo el período, normalmente en una franja entre alrededor del quince por ciento y poco más del veinte por ciento. Una evolución destacable es el auge de Asia no solo como productora de modelos de vanguardia, sino también como consumidora en rápida expansión. En las primeras semanas del conjunto de datos, Asia representaba aproximadamente el trece por ciento del gasto global. Con el tiempo, esta participación se duplicó con creces, hasta alcanzar aproximadamente el 31 % en el período más reciente.

Como se muestra en la tabla anterior, el inglés domina el uso y representa más del 80 % de todos los tókenes. Esto refleja tanto la prevalencia de los modelos en inglés como el sesgo hacia los desarrolladores de la base de usuarios de OpenRouter. Sin embargo, otros idiomas, en particular el chino, el ruso y el español, conforman una cola significativa. El chino simplificado por sí solo representa casi el 5 % de los tókenes a nivel mundial, lo que sugiere una participación sostenida de los usuarios en entornos bilingües o donde predomina el chino, especialmente dado el crecimiento de los modelos de código abierto de China como DeepSeek y Qwen.

Tasas de retención por cohorte. La retención se mide como retención de actividad, donde se cuentan los usuarios que regresan en meses posteriores, incluso tras períodos de inactividad; por ello, las curvas pueden presentar pequeñas oscilaciones no monótonas.

Esta colección de gráficos de retención refleja la dinámica del mercado de usuarios de LLM entre los modelos líderes. A primera vista, los datos están dominados por una elevada tasa de abandono y una rápida disminución de las cohortes. Sin embargo, bajo esta volatilidad subyace una señal más sutil y de mayor trascendencia: un pequeño conjunto de cohortes de usuarios iniciales muestra una retención duradera a lo largo del tiempo. Las denominamos cohortes fundacionales.

Estas cohortes no son meros usuarios pioneros; representan a usuarios cuyas cargas de trabajo han alcanzado una profunda y persistente adecuación entre carga de trabajo y modelo. Una vez establecida, esta adecuación genera una inercia tanto económica como cognitiva que se resiste a la sustitución, incluso cuando surgen modelos más nuevos.

Presentamos el efecto Cenicienta del zapato de cristal como marco para describir este fenómeno. La hipótesis plantea que, en un ecosistema de IA en rápida evolución, existe una distribución latente de cargas de trabajo de alto valor que siguen sin resolverse a lo largo de sucesivas generaciones de modelos. Cada nuevo modelo de vanguardia se «prueba» con estos problemas abiertos. Cuando un modelo recién lanzado logra satisfacer una restricción técnica y económica que antes no se había podido cumplir, alcanza el ajuste preciso: el «zapato de cristal» metafórico.

Para los desarrolladores u organizaciones cuyas cargas de trabajo por fin «encajan», esta alineación genera una fuerte dependencia. Sus sistemas, flujos de procesamiento de datos y experiencias de usuario quedan vinculados al modelo que resolvió primero su problema. A medida que los costos disminuyen y la fiabilidad aumenta, el incentivo para cambiar de plataforma se reduce drásticamente. Por el contrario, las cargas de trabajo que no encuentran ese encaje siguen en fase exploratoria, migrando de un modelo a otro en busca de su propia solución.

Empíricamente, este patrón es observable en la cohorte de junio de 2025 de Gemini 2.5 Pro y en la cohorte de mayo de 2025 de Claude 4 Sonnet, que retienen aproximadamente al 40 % de los usuarios en el mes 5, una proporción sustancialmente mayor que la de las cohortes posteriores. Estas cohortes parecen corresponder a avances técnicos específicos (por ejemplo, fidelidad del razonamiento o estabilidad en el uso de herramientas) que finalmente hicieron posibles cargas de trabajo antes imposibles.

• Ser el primero en resolver como ventaja duradera. La ventaja clásica de ser el primero cobra importancia cuando un modelo es el primero en resolver una carga de trabajo crítica. Los primeros usuarios integran el modelo en sus flujos de procesamiento, infraestructura y comportamientos de uso, lo que genera una gran fricción al cambiar de modelo. Esto crea un equilibrio estable en el que el modelo conserva su cohorte fundacional incluso cuando surgen alternativas más recientes.
• La retención como indicador de un punto de inflexión en las capacidades. Los patrones de retención por cohorte sirven como señales empíricas de diferenciación de los modelos. Una retención persistente en una o más cohortes iniciales indica un punto de inflexión significativo en las capacidades: una clase de carga de trabajo que pasa de ser inviable a ser posible. La ausencia de estos patrones sugiere paridad de capacidades y una diferenciación poco profunda.
• Restricciones temporales de la ventana de vanguardia. El panorama competitivo impone una ventana temporal estrecha en la que un modelo puede captar usuarios fundacionales. A medida que los modelos sucesivos cierran la brecha de capacidades, la probabilidad de formar nuevas cohortes fundacionales disminuye drásticamente. El momento «Cenicienta», en el que el modelo y la carga de trabajo encajan con precisión, es por tanto transitorio, pero decisivo para la dinámica de adopción a largo plazo.

En conjunto, los rápidos cambios en las capacidades de los modelos fundacionales exigen una redefinición de la retención de usuarios. Cada nueva generación de modelos ofrece una breve oportunidad para resolver cargas de trabajo que antes no podían abordarse. Cuando se produce esta alineación, los usuarios afectados forman cohortes fundacionales: segmentos cuyas trayectorias de retención se mantienen estables pese a la introducción de modelos posteriores.

La anomalía del lanzamiento dominante. El gráfico de OpenAI GPT-4o Mini muestra este fenómeno en su forma extrema. Una única cohorte fundacional (julio de 2024, línea naranja) estableció en el lanzamiento un encaje dominante y duradero entre la carga de trabajo y el modelo. Todas las cohortes posteriores, que llegaron después de que se estableciera este encaje y el mercado hubiera avanzado, se comportan de forma idéntica: abandonan el modelo y se agrupan en la parte inferior. Esto sugiere que la oportunidad de establecer este encaje fundacional es única y se presenta solo en el momento en que un modelo se percibe como «de frontera».

La consecuencia de la falta de encaje. Los gráficos de Gemini 2.0 Flash y Llama 4 Maverick muestran una advertencia sobre lo que ocurre cuando nunca se establece este encaje inicial. A diferencia de los otros modelos, no hay una cohorte fundacional de alto rendimiento. Todas y cada una de las cohortes presentan un rendimiento igual de bajo. Esto sugiere que los modelos nunca se percibieron como una «frontera» para una carga de trabajo de alto valor y uso recurrente. Se lanzó directamente al mercado de lo suficientemente bueno y, por tanto, no logró consolidar ninguna base de usuarios. Del mismo modo, los caóticos gráficos de DeepSeek, pese a su abrumador éxito general, muestran dificultades para establecer una cohorte fundacional estable.

Efecto búmeran. Los modelos de DeepSeek presentan un patrón más complejo. Sus curvas de retención muestran una anomalía muy inusual: saltos de resurgimiento. A diferencia de la retención típica, que disminuye de forma monótona, varias cohortes de DeepSeek muestran un claro aumento de la retención tras un período inicial de abandono (por ejemplo, la cohorte de DeepSeek R1 de abril de 2025 en torno al mes 3, y la cohorte de DeepSeek Chat V3-0324 de julio de 2025 en torno al mes 2). Esto indica que algunos usuarios que habían abandonado el modelo están volviendo a él. Este «efecto búmeran» sugiere que estos usuarios vuelven a DeepSeek tras probar alternativas y confirmar mediante pruebas comparativas que DeepSeek ofrece una solución óptima, y a menudo más adecuada para su carga de trabajo específica, gracias a una combinación superior de rendimiento técnico especializado, eficiencia de costes u otras características únicas.

Implicaciones. El fenómeno zapato de cristal replantea la retención no como un resultado, sino como una perspectiva para comprender los avances en capacidades. Las cohortes fundacionales son las huellas del progreso técnico real: marcan el punto en el que un modelo de IA ha pasado de ser una novedad a ser una necesidad. Tanto para desarrolladores como para inversores, identificar estas cohortes de forma temprana puede ser la señal con mayor poder predictivo de una ventaja duradera en la relación entre el modelo y el mercado.

El diagrama de dispersión anterior revela una segmentación clara de los casos de uso de IA, situándolos según su volumen de uso agregado (tokens totales) frente a su coste unitario (coste por 1M de tokens). Una observación preliminar fundamental es que ambos ejes son logarítmicos. Esta escala logarítmica indica que pequeñas distancias visuales en el gráfico corresponden a diferencias multiplicativas sustanciales en el volumen y el coste reales.

El gráfico está dividido por una línea vertical en la mediana del coste de 0,73 US$ por 1M tókenes, lo que crea un marco de cuatro cuadrantes para simplificar el mercado de la IA en las distintas categorías.

Tenga en cuenta que estos costes finales difieren de los precios de lista anunciados. Las cargas de trabajo de alta frecuencia se benefician del almacenamiento en caché, lo que reduce el gasto real y genera precios efectivos considerablemente inferiores a los publicados. La métrica de coste mostrada refleja una tarifa combinada de los tokens de entrada y de salida, lo que ofrece una visión más precisa de lo que los usuarios pagan realmente en conjunto. El conjunto de datos también excluye la actividad de BYOK para aislar el uso estandarizado e intermediado por la plataforma y evitar distorsiones derivadas de configuraciones de infraestructura personalizadas.

Cargas de trabajo prémium (arriba a la derecha): Este cuadrante contiene aplicaciones de alto coste y uso intensivo, que ahora incluyen technology y science, situadas justo en la intersección. Representan cargas de trabajo profesionales valiosas y de uso intensivo por las que los usuarios están dispuestos a pagar más para obtener un mayor rendimiento o capacidades especializadas. Technology es un valor atípico significativo, ya que es considerablemente más caro que cualquier otra categoría. Esto sugiere que technology como caso de uso (quizás relacionado con el diseño o la arquitectura de sistemas complejos) puede requerir modelos mucho más potentes y costosos para la inferencia, pero mantiene un alto volumen de uso, lo que indica su carácter esencial.

Impulsores del volumen del mercado masivo (arriba a la izquierda): Este cuadrante se caracteriza por un uso elevado y un coste bajo, igual o inferior a la media. Esta zona está dominada por dos casos de uso masivos: roleplay, programming así como science.

• Programming destaca como la categoría «profesional estrella», con el mayor volumen de uso y un coste mediano muy optimizado.
• Roleplay tiene un volumen de uso inmenso, que casi rivaliza con el de programming. Es una conclusión sorprendente: una aplicación de juegos de rol orientada al consumidor genera un volumen de interacción comparable al de una aplicación profesional de primer nivel.

La enorme escala de estas dos categorías confirma que tanto la productividad profesional como el entretenimiento conversacional son impulsores principales y masivos de la IA. La sensibilidad al coste en este cuadrante es donde, como se señaló anteriormente, los modelos de código abierto han encontrado una ventaja significativa.

Expertos especializados (parte inferior derecha): Este cuadrante alberga aplicaciones de bajo volumen y alto coste, incluidas finance, academia, health y marketing. Se trata de ámbitos profesionales especializados en los que hay mucho en juego. El menor volumen agregado es lógico, ya que se podría consultar a una IA sobre «salud» o «finanzas» con mucha menos frecuencia que sobre «programación». Los usuarios están dispuestos a pagar un sobreprecio considerable por estas tareas, probablemente porque la exigencia de precisión, fiabilidad y conocimientos específicos del ámbito es extremadamente alta.

Utilidades de nicho (abajo a la izquierda): Este cuadrante presenta tareas de bajo coste y bajo volumen, como translation, legal y trivia. Son utilidades funcionales optimizadas en costes. Translation tiene el mayor volumen de este grupo, mientras que trivia tiene el menor. Su bajo coste y su volumen relativamente bajo sugieren que estas tareas pueden estar muy optimizadas, «resueltas» o convertidas en servicios indiferenciados, para los que existe una alternativa suficientemente buena a bajo precio.

Como se ha señalado, el valor atípico más significativo de este gráfico es technology. Presenta el coste por tóken más alto con un margen considerable, a la vez que mantiene un uso elevado. Esto sugiere claramente que existe un segmento de mercado con una gran disposición a pagar por respuestas complejas y de alto valor (por ejemplo, arquitectura de sistemas y resolución de problemas técnicos avanzados). Una cuestión clave es si este precio elevado se debe al alto valor para el usuario (una oportunidad del «lado de la demanda») o a un coste elevado de prestación del servicio (un reto del «lado de la oferta»), ya que estas consultas pueden requerir los modelos de frontera más potentes. La «jugada» posible en technology consiste en atender a este mercado de alto valor. Un proveedor que pueda atender a este segmento, quizás mediante modelos especializados y muy optimizados, podría captar un mercado con márgenes más altos.

La figura anterior representa el uso de los modelos frente al coste por 1M de tokens (escala logarítmica en ambos ejes) y revela una correlación global débil. El eje x muestra los valores nominales para facilitar la lectura. La línea de tendencia es casi plana, lo que indica que la demanda es relativamente inelástica al precio; una disminución del precio del 10 % corresponde a un aumento del uso de apenas un 0,5–0,7 % aproximadamente. Sin embargo, la dispersión en el gráfico es considerable, lo que refleja una fuerte segmentación del mercado. Se observan dos regímenes distintos: los modelos propietarios de OpenAI y Anthropic ocupan la zona de alto coste y alto uso, mientras que los modelos abiertos como DeepSeek, Mistral y Qwen se sitúan en la zona de bajo coste y alto volumen. Este patrón respalda una heurística sencilla: los modelos de código cerrado captan tareas de alto valor, mientras que los modelos de código abierto captan tareas de gran volumen y menor valor. La débil elasticidad del precio indica que ni siquiera las diferencias drásticas de coste desplazan por completo la demanda; los proveedores de modelos propietarios conservan su poder de fijación de precios para aplicaciones críticas, mientras que los ecosistemas abiertos absorben el volumen de los usuarios sensibles al coste.

La figura anterior es similar a la precedente, pero muestra los autores de los modelos. Se observan cuatro arquetipos de uso y coste. Los líderes prémium, como el modelo de Anthropic Claude 3.7 Sonnet y Claude Sonnet 4, tienen costes de alrededor de 2 $ por 1M de tókenes y aun así alcanzan un uso elevado, lo que sugiere que los usuarios están dispuestos a pagar por un razonamiento y una fiabilidad superiores a escala. Los gigantes eficientes, como el modelo de Google Gemini 2.0 Flash y DeepSeek V3 0324, combinan un rendimiento sólido con precios inferiores a 0,40 $ por 1M de tókenes y alcanzan niveles de uso similares, lo que los convierte en opciones predeterminadas atractivas para cargas de trabajo de gran volumen o contexto largo. Los modelos de larga cola , entre ellos Qwen 2 7B Instruct e IBM Granite 4.0 Micro, cuestan apenas unos céntimos por 1M de tókenes, pero se sitúan en torno a 10^2,9 de uso total, lo que refleja limitaciones debidas a un menor rendimiento, una visibilidad limitada o menos integraciones. Por último, los especialistas prémium, como GPT-4 de OpenAI y GPT-5 Pro, ocupan el cuadrante de coste elevado y uso reducido: con unos 35 $ por 1M de tókenes y un uso cercano a 10^3,4, se utilizan de forma puntual para cargas de trabajo especializadas y de alto riesgo en las que la calidad del resultado importa mucho más que el coste marginal por tóken.

En general, el diagrama de dispersión pone de relieve que el poder de fijación de precios en el mercado de los LLM no es uniforme. Mientras que los modelos más económicos pueden impulsar el crecimiento a escala mediante la eficiencia y la integración, las ofertas prémium siguen registrando una fuerte demanda cuando hay mucho en juego. Esta fragmentación sugiere que el mercado aún no se ha convertido en un mercado de productos indiferenciados y que la diferenciación, ya sea mediante la latencia, la longitud del contexto o la calidad de la salida, sigue siendo una fuente de ventaja estratégica.

Estas observaciones sugieren lo siguiente:

• A nivel macro, la demanda es inelástica, pero esto oculta distintos comportamientos a nivel micro. Las empresas con tareas críticas pagarán precios altos (por lo que estos modelos registran un uso elevado). Por otro lado, los aficionados y los flujos de desarrollo son muy sensibles al coste y recurren a modelos más baratos (lo que genera un gran volumen de uso de los modelos eficientes).
• Hay algunos indicios de la paradoja de Jevons: hacer que algunos modelos fueran muy baratos (y rápidos) llevó a utilizarlos para muchas más tareas, lo que acabó aumentando el consumo total de tókenes. Lo vemos en el grupo de gigantes eficientes: a medida que bajó el coste por tóken, esos modelos se integraron en todas partes y el consumo total se disparó (se utilizan contextos más largos, más iteraciones, etc.).
• La calidad y las capacidades suelen pesar más que el coste: El uso intensivo de modelos caros (Claude, GPT-4) indica que, si un modelo es significativamente mejor o inspira más confianza, los usuarios asumirán costes más altos. A menudo, estos modelos se integran en flujos de trabajo donde el coste es insignificante en relación con el valor de lo que producen (por ejemplo, un código que ahorra una hora de trabajo de desarrollo vale mucho más que unos pocos dólares en llamadas a la API).
• Por el contrario, no basta con ser barato; un modelo también debe ser diferenciable y suficientemente capaz. Muchos modelos abiertos con precios cercanos a cero siguen sin despegar porque apenas cumplen los requisitos, pero no encuentran un ajuste entre carga de trabajo y modelo o no son del todo fiables, por lo que los desarrolladores dudan en integrarlos en profundidad.

Desde el punto de vista de un operador, surgen varios patrones estratégicos. Proveedores como Google han apostado decididamente por ofertas escalonadas (sobre todo con Gemini Flash y Pro), equilibrando explícitamente velocidad, coste y capacidad. Esta estructura por niveles permite segmentar el mercado según la sensibilidad al precio y la criticidad de las tareas: las tareas ligeras se enrutan a modelos más económicos y rápidos; los modelos prémium atienden cargas de trabajo complejas o tolerantes a la latencia. Optimizar para los casos de uso y la fiabilidad suele tener tanto impacto como «recortar» el precio. Un modelo más rápido y diseñado para un fin específico puede ser preferible a otro más económico pero impredecible, especialmente en entornos de producción. Esto desplaza el foco del coste por token al coste por resultado satisfactorio. La elasticidad de la demanda relativamente plana sugiere que los LLM aún no son un producto indiferenciado: muchos usuarios están dispuestos a pagar más por la calidad, las capacidades o la estabilidad. La diferenciación sigue teniendo valor, especialmente cuando los resultados de las tareas importan más que el ahorro marginal en tokens.

Las figuras siguientes desglosan la estructura interna de subetiquetas de los tres dominios principales: juego de rol, programación y tecnología. Cada dominio presenta patrones internos distintos que revelan cómo interactúan los usuarios con los LLM dentro de estas categorías.

Los tres ámbitos (juegos de rol, tecnología, programación) presentan patrones internos distintos que reflejan cómo los usuarios interactúan con los LLM en las distintas subcategorías de cada ámbito principal.