El 13 de junio de 2026, una empresa china de IA llamada Z.ai publicó un gran modelo llamado GLM 5.2.
Tres días después, subieron la «receta» del modelo — el conjunto completo de archivos de parámetros — a la comunidad open source Hugging Face, para que cualquiera pudiera descargarlo, modificarlo e incluso desplegarlo por su cuenta.
Al principio el asunto no llamó mucho la atención. Al fin y al cabo, cada mes se publican nuevos modelos de IA, y solo las empresas chinas lanzan decenas al año. Pero en las semanas siguientes, cada vez más ingenieros e investigadores se toparon con un dato que les hizo saltar de la silla:
GLM 5.2 supera en programación a GPT-5.5, el modelo más caro de OpenAI en aquel momento. Y su precio — si se usa por API — es la sexta parte.
En mi opinión, esto no es solo la típica noticia de «otra empresa china ha sacado un modelo nuevo». Es una señal: los modelos de IA son cada vez más potentes, pero las empresas que los venden son cada vez menos rentables. Y ambas tendencias están ocurriendo a la vez.
Figura 1: GLM 5.2 supera a GPT-5.5 en múltiples benchmarks de programación, pero su precio de API es la sexta parte. Fuente: TechStartups
Seis años para fabricar un «asesino»
Empecemos por aclarar en qué liga juega GLM 5.2.
Este modelo tiene 753.000 millones de parámetros — podemos imaginarlos como las «neuronas» de la IA. Sin embargo, utiliza una arquitectura llamada «mezcla de expertos» (MoE), de modo que en cada operación solo se activan unos 40.000 millones de parámetros. Es como una universidad con mil profesores, pero para responder a una pregunta solo necesitas a cincuenta: mantienes la amplitud de conocimiento y controlas el coste operativo.
En programación — el escenario más rentable para la IA — las notas de GLM 5.2 llaman la atención:
| Benchmark | GLM 5.2 | GPT-5.5 | Claude Opus 4.8 |
|---|---|---|---|
| SWE-bench Pro (ingeniería de software) | 62,1 | 58,6 | 69,2 |
| FrontierSWE (tareas de vanguardia) | 74,4% | 72,6% | 75,1% |
SWE-bench Pro es el examen de capacidad de programación para IA más prestigioso del momento: evalúa «encontrar un bug en un proyecto de software real y arreglarlo». Un 62,1 significa que GLM 5.2 puede resolver de forma autónoma más del 60% de los problemas reales de software, superando el 58,6 de GPT-5.5. La diferencia con el líder del sector, Claude Opus 4.8 (69,2), es de 7 puntos — y hay que recordar que hace solo un par de años esa brecha era de veinte o treinta puntos.
En otras palabras, los modelos open source están alcanzando a los modelos propietarios de primer nivel mucho más rápido de lo que la mayoría esperaba.
Lo realmente letal no es la potencia, es el precio
Si solo fuera la potencia, el asunto no sería mortal. Lo realmente letal es el precio.
He recopilado los precios actuales de API de los principales modelos de IA, en dólares por «millón de tokens procesados» (un token equivale aproximadamente a una palabra):
| Modelo | Precio de entrada (por 1M tokens) | Precio de salida (por 1M tokens) |
|---|---|---|
| GLM 5.2 (vía OpenRouter) | 1,40 $ | 4,40 $ |
| GPT-5.5 | 5,00 $ | 30,00 $ |
| Claude Opus 4.8 | 5,00 $ | 25,00 $ |
| DeepSeek V4 Pro | 0,44 $ | 0,87 $ |
Una comparación sencilla: supongamos que un programador usa IA para escribir código y cada tarea genera unos 0,10 $ de factura. Con GPT-5.5, cada tarea cuesta unos 3 $. Con GLM 5.2, la misma tarea con la misma calidad cuesta unos 0,46 $ — un 85% más barato.
Un ahorro del 85% para una empresa que gasta un millón de dólares al mes en APIs de IA significa más de 10 millones de dólares ahorrados al año.
El autor técnico Martin Alderson, en el artículo que desató el debate, cuenta que intentó cambiar su herramienta diaria de programación con IA de Claude a GLM 5.2 y el resultado fue que «apenas noté diferencia alguna»: la calidad del código era equivalente, y cambiar de modelo solo requería modificar una línea de configuración. El único inconveniente era que GLM 5.2 responde algo más lento porque «piensa» demasiado y genera el doble de tokens que la competencia. Pero incluso así, el coste total seguía siendo menos de la mitad.
«Tus beneficios son mi oportunidad»
Llegados aquí, toca abordar una pregunta más de fondo: ¿por qué se van a desplomar los márgenes de las APIs de IA?
Primero entendamos la lógica de negocio actual de las empresas de IA. El modelo de OpenAI y Anthropic (la empresa matriz de Claude) es más o menos este: gastar un dineral (cientos de millones de dólares) en entrenar un modelo, luego alojarlo en la nube y cobrar por uso. El entrenamiento es un coste fijo único, pero el uso — lo que en el sector se llama «inferencia» — tiene un coste marginal real: cada vez que alguien le pregunta algo a la IA, se consumen potencia de GPU y electricidad.
La aritmética clave es esta: según las estimaciones de Martin Alderson, cuando OpenAI o Anthropic cobran 25-30 $ por millón de tokens, su coste real en GPU y electricidad representa solo entre un 10% y un 20%. Es decir, un margen bruto del 80%-90%. (Los datos financieros filtrados de OpenAI indican un margen bruto integrado de alrededor del 60%, que incluye costes adicionales como atención al cliente y pagos.)
Ese margen altísimo es el mecanismo con el que recuperan la gigantesca inversión en entrenamiento — igual que un estudio de cine gasta 200 millones en rodar una película y luego la explota en salas de todo el mundo para recuperar la inversión. Mientras la entrada sea cara y las sesiones suficientes, el negocio es rentable.
Pero, ¿y si otro estudio rueda una película parecida y cobra la sexta parte por la entrada? ¿Y si además hace pública la «receta» — permitiendo que otros cines la proyecten sin pagar comisión al productor?
Eso es exactamente el impacto de GLM 5.2. Jeff Bezos, el fundador de Amazon, tiene una frase célebre: «Tu margen es mi oportunidad». Esa frase se está cumpliendo ahora mismo en la industria de la IA.
Figura 2: La evaluación integral muestra que GLM 5.2 ya se acerca o supera a los modelos propietarios de primer nivel en múltiples indicadores. Fuente: TechStartups
Coste de cambio cero: el foso más frágil de la industria de la IA
En el software tradicional, a una empresa le resulta muy difícil cambiar de proveedor principal. Si un banco tiene todo su sistema montado sobre bases de datos Oracle, migrar a otro proveedor de bases de datos le llevaría años, millones de dólares en costes de migración y un riesgo operativo enorme. Es el «efecto lock-in» — y es la base de los altos márgenes del sector del software.
¿Y en el sector de los modelos de IA? Nada que ver.
La API de GLM 5.2 se ha diseñado deliberadamente para ser totalmente compatible con las de OpenAI y Anthropic. ¿Qué significa esto? Que una empresa que ya esté usando la API de GPT para escribir código puede cambiarse a GLM 5.2 modificando una sola línea de configuración: cambiar la dirección de la API del servidor de OpenAI al de Z.ai, Fireworks u otros proveedores. Ni una línea de código que tocar.
Alderson escribe en su artículo: «Esto no es el nivel de lock-in de Microsoft o Salesforce — donde necesitas años para planificar una migración. Aquí el coste de cambio es ridículamente bajo». En sus propias pruebas, migrar de Claude a GLM 5.2 le llevó menos de cinco minutos.
Un comentarista de HN lo expresó de forma aún más cruda: «La API de IA del futuro será como una compañía eléctrica. ¿A quién le importa si tu electricidad la genera IBM o una empresa de Texas? Un amperio es un amperio.»
Si esta analogía se cumple, los márgenes de la API de IA tenderán inevitablemente al nivel de los servicios públicos — márgenes de un solo dígito, en lugar del 80% actual.
Tres curvas confluyen a la baja
En mi opinión, el desplome de los márgenes de las APIs de IA está siendo empujado hacia abajo por tres curvas simultáneas:
Primera curva: la velocidad de avance del open source.
El informe AI Index Report 2025 de la Universidad de Stanford muestra que, en el ranking Chatbot Arena (una plataforma donde los usuarios prueban a ciegas la calidad de distintas IA), la brecha de rendimiento entre modelos open source y propietarios se ha reducido del 8% al 1,7% en un año. Seis puntos porcentuales en doce meses. A este ritmo, antes de que acabe 2026 los modelos open source habrán igualado o superado completamente a los modelos cerrados.
GLM 5.2 es un hito en esa línea de tendencia.
Segunda curva: el desplome del coste de inferencia.
Según un estudio de AgentMarketCap, desde el lanzamiento de GPT-4 en 2023 (cuando costaba 30 $ por millón de tokens), el precio de las APIs de los mejores modelos de IA ha caído más de 300 veces. Los motores de esta caída incluyen: chips más eficientes (se dice que el AMD MI300X ejecuta GLM 5.2 a un coste de solo el 36% del NVIDIA Blackwell), arquitecturas de modelo más inteligentes (MoE logra el mismo efecto con menos operaciones) y optimizaciones continuas a nivel de software.
Tercera curva: la aceleración de la sustitución por alternativas chinas.
Z.ai no es un caso aislado. DeepSeek V4 Pro es incluso 10 veces más barato que GLM 5.2 (solo 0,44 $ por millón de tokens), aunque su capacidad es algo menor. Doubao de ByteDance, MiniMax, Zhipu — todas las empresas chinas de IA ofrecen servicios cercanos al estado del arte (SOTA) a precios muy inferiores a los de sus competidores estadounidenses. Detrás de esto hay tanto la innovación en eficiencia forzada por las restricciones en la cadena de suministro de chips en China como una enorme presión competitiva del mercado doméstico que empuja los precios constantemente a la baja.
Un comentario de HN lo resume: «Ahora estamos migrando todos nuestros agentes de IA internos a GLM 5.2. Al ser open source, podemos incluso desplegar el modelo en regiones específicas, ganando más libertad y protección de datos adicional.»
¿Quién gana y quién pierde?
A mi juicio, el desenlace de esta historia apunta en varias direcciones:
Primero, la era de los altos márgenes en las APIs de IA propietarias está en cuenta atrás. El margen bruto ajustado de OpenAI en el primer semestre de 2025 ya había caído del 40% al 33% respecto al año anterior, con pérdidas en el mismo período de 13.500 millones de dólares. No es una fluctuación pasajera — cuando la diferencia de calidad con las alternativas open source se reduce hasta ser casi imperceptible para el usuario, la guerra de precios es inevitable.
Segundo, los ganadores serán probablemente las empresas que no viven de vender APIs. Como los fabricantes de chips NVIDIA y AMD — da igual qué modelo triunfe, todos necesitan comprar sus GPUs. O los proveedores de nube — el modelo es open source, pero la potencia de cálculo para ejecutarlo alguien la tiene que proporcionar. En palabras de Alderson: «Si no puedes recuperar el coste de entrenamiento vendiendo APIs con márgenes desorbitados, entonces todo el modelo económico de la industria de la IA necesita reescribirse.»
Tercero, el gran ganador invisible puede que sea el usuario. Tanto empresas como desarrolladores independientes están recibiendo servicios de IA de calidad creciente a precios que se reducen a la mitad cada año. Se parece mucho a la historia del PC: el rendimiento se duplicaba cada año, el precio se mantenía o bajaba, y el gran beneficiado era cualquiera que usara un ordenador.
Mientras terminaba este artículo, vi que Alderson ya ha anunciado una «segunda parte» — dedicada a analizar cómo se reconfigurará el panorama del sector tras el colapso de los márgenes. Quizás la próxima vez ya no estemos discutiendo «cuánto margen le queda a la API de IA», sino «si vender APIs de IA directamente no da dinero, ¿cómo sobrevive esta industria?».
Enlaces de referencia:
- Martin Alderson, “GLM 5.2 and the coming AI margin collapse (part 1)”, 2026-07-06. https://martinalderson.com/posts/the-upcoming-ai-margin-collapse-part-1-glm-5-2/
- Discusión en Hacker News, https://news.ycombinator.com/item?id=48809877
- Discusión en Lobsters, https://lobste.rs/s/ua1gxl/glm_5_2_coming_ai_margin_collapse
- Danilchenko, “GLM-5.2 Review”, 2026-06-18. https://www.danilchenko.dev/posts/glm-5-2-review/
- Thesys, “GLM 5.2: Benchmarks, Pricing, and Features”, 2026-06-19. https://www.thesys.dev/blogs/glm-5-2
- TechStartups, “Z.ai’s GLM-5.2 beats GPT-5.5 on coding benchmarks at one-sixth the cost”, 2026-06-17. https://techstartups.com/2026/06/17/z-ais-open-source-glm-5-2-beats-gpt-5-5-on-coding-benchmarks-at-one-sixth-the-cost/
- AgentMarketCap, “The Token Cost Collapse: LLM Prices Fell 300x in 3 Years”, 2026-04-06. https://agentmarketcap.ai/blog/2026/04/06/model-price-deflation-flywheel-token-costs-llm-api-commoditization
- Philipp Dubach, “AI Models Are the New Rebar”, 2026-03-11. https://philippdubach.com/posts/ai-models-are-the-new-rebar/
- Epsilla, “The DeepSeek Disruption: How Open-Source Commoditization Forces API Margins to Zero”, 2026-04-26. https://www.epsilla.com/blogs/2026-04-26-the-deepseek-disruption-how-open-source-commoditization-forc
- Wafer, “Running GLM 5.2 on AMD Hardware”, https://www.wafer.ai/blog/glm52-amd
- Artificial Analysis, “GLM 5.2 Intelligence, Performance & Price Analysis”, https://artificialanalysis.ai/models/glm-5-2
- Apidog, “How to Use GLM-5.2: $1.40/1M input, $4.40/1M output”, 2026-06-17. https://apidog.com/blog/how-to-use-glm-5-2-for-free/
Nota sobre las imágenes: El artículo original (martinalderson.com) es un blog de texto sin imágenes de contenido incrustadas; solo incluye una imagen OG para compartir en redes sociales: https://martinalderson.com/img/og/glm-5-2-and-the-coming-ai-margin-collapse-part-1.png (1200×630px). Las dos imágenes de contenido de este artículo proceden de reportajes de TechStartups, con la fuente indicada.
