Artificial intelligence — Interpretación del informe

Visión general

Esta actualización sectorial de IA de Citi examina si la mejora recursiva, la caída de los costes de inferencia y los avances en la capa de aplicaciones pueden aumentar de forma compuesta la inteligencia de IA realizada y la demanda de infraestructura. Su conclusión central es que el trabajo de seguridad y alineación puede redirigir el cómputo, pero es más probable que aumente los requisitos totales de cómputo que que reduzca el ciclo de inversión en IA.

Perspectivas principales

Citi identifica evidencia temprana de mejora recursiva (RSI) como una posible nueva fuente de demanda de cómputo. Dream-RSI de Google y desarrollos relacionados sugieren que los modelos podrían contribuir cada vez más al desarrollo de sus sucesores. Citi señala que el debate está pasando del momento de los lanzamientos de modelos a la asignación de cómputo escaso. El retraso reportado de Meta de Muse para priorizar la seguridad, y los comentarios de que gran parte de su cómputo se dedica a atender usuarios en vez de competir en RSI, ilustran el equilibrio entre desarrollo de frontera, seguridad, auditabilidad y alineación. Aun así, Citi considera que esta reasignación no debería modificar sus estimaciones de CapEx global relacionado con demanda de IA de $1T en 2026 y $1.6T en 2027. El informe considera que la automatización de infraestructura es un puente importante hacia RSI. Según se informa, Infra Agent de Z.ai puso GLM-5.3-Flash en producción en menos de dos semanas, triplicó el rendimiento en más de 100,000 aceleradores y ayudó a procesar más de 62T tokens en 6 días. Citi subraya que la herramienta aún está lejos de RSI, pero considera que la optimización autónoma puede acelerar el desarrollo de modelos a la vez que eleva la demanda de infraestructura de inferencia y gobernanza. El retraso en la liberación de los pesos de GLM-5.3 debido a capacidades avanzadas de ciberseguridad, junto con el debate en AI Infra Summit, respalda la opinión de que asignar más cómputo a seguridad y alineación puede aumentar los requisitos totales de cómputo. Los menores costes de despliegue y la mayor eficiencia se presentan como impulsores complementarios de la demanda. Una cuantización de GLM-5.3 de Unsloth retuvo aproximadamente 81% de precisión mientras reducía el tamaño en 83%, con menores necesidades de memoria y aceleradores en instalaciones propias. Citi sostiene que menores barreras de despliegue pueden ampliar la adopción de IA en instalaciones propias, mejorar el control de datos sensibles y sentar las bases para RSI a escala. Esto coincide con las ganancias de adopción mensuales que Ramp registró en 6 de 7 sectores. Por separado, el coste medio realizado de servicio cayó 54% desde su máximo del 28 de mayo, 43% desde el 1 de julio y 2% semana a semana, lo que Citi considera un impulso al crecimiento del uso interno y externo. El ritmo de lanzamientos de modelos se ralentizó en la última semana: se lanzaron 1 modelo propietario y 3 abiertos, frente a 5 y 6 la semana anterior y 3 y 6 cuatro semanas antes. Sin embargo, el total de los últimos 90 días alcanzó 68 lanzamientos propietarios y 40 abiertos; los lanzamientos propietarios subieron 31% mes a mes tras el repunte de principios de septiembre, mientras que los abiertos permanecieron planos. Citi también informa que aproximadamente 69% de los lanzamientos desde el 1 de agosto establecieron un nuevo máximo de inteligencia para su proveedor. La especulación no confirmada sobre un lanzamiento de un proveedor de frontera cerca de fin de mes podría poner a prueba si una ganancia de capacidad puede redirigir el uso premium pese a la mayor adopción de enrutamiento de modelos. Por último, Citi sostiene que el diseño de arneses se está convirtiendo en un impulsor clave de la inteligencia realizada, más allá del modelo subyacente. En el benchmark interactivo ARC-AGI-3, añadir un arnés adaptador de proveedor al mismo modelo elevó el rendimiento 37 puntos porcentuales, a 99.95% desde 62.71%, y redujo el coste 28%, a $18.8K desde $26.1K. Salesforce también elevó el éxito medio en 7 tareas de agentes empresariales a 78.0% desde 29.2% al evolucionar su arnés de agentes sin cambiar el modelo subyacente. Citi concluye que una proporción creciente de las ganancias prácticas de inteligencia puede provenir de los arneses, reforzando la capa de aplicaciones como fuente de diferenciación para proveedores y empresas.

Marco de análisis

Citi combina el seguimiento semanal de lanzamientos de modelos, benchmarks de inteligencia, precios e indicadores de uso con estudios de caso de infraestructura de IA, optimización de despliegue y diseño de arneses de agentes. Vincula estas señales con la asignación de cómputo, la adopción y las implicaciones para el gasto de capital relacionado con IA.

Notas metodológicas

• Marco de análisis sectorialMarco de oferta y demanda

  Análisis de oferta y demanda de cómputo de IA y de coste de servicio

  Citi utiliza cambios en los costes de servicio, la asignación de cómputo, los lanzamientos de modelos y la eficiencia de infraestructura para evaluar cómo podrían evolucionar la demanda de IA y los requisitos de cómputo.

• Marco de análisis sectorialTransmisión entre tramos de la cadena de valor

  Transmisión desde infraestructura de IA hacia el despliegue

  El informe conecta la automatización de infraestructura y las menores necesidades de memoria de los modelos con un despliegue más amplio, uso de inferencia, necesidades de gobernanza y demanda de cómputo de IA.

Datos clave

• CapEx global relacionado con demanda de IA$1T in 2026; $1.6T in 2027Previsión de Citi, que considera que debería mantenerse pese a una mayor asignación de cómputo a seguridad y alineación.
• Coste medio realizado de servicioDown 54% from the May 28 peak, 43% since July 1, and 2% WoWCiti identifica los menores costes de servicio como un impulso al crecimiento del uso.
• Rendimiento de Z.ai Infra AgentTripled across 100K+ accelerators; 62T+ tokens processed in 6 daysEl sistema llevó GLM-5.3-Flash a producción en menos de dos semanas.
• Cuantización de GLM-5.3~81% accuracy; 83% smallerCiti cita la cuantización de Unsloth como una reducción de los requisitos de memoria y aceleradores en instalaciones propias.
• Últimos lanzamientos de modelos1 proprietary and 3 openBajaron desde 5 y 6 semana a semana; los totales de los últimos 90 días fueron 68 propietarios y 40 abiertos.
• Resultado de arnés ARC-AGI-399.95% from 62.71%; $18.8K from $26.1KEl arnés adaptador de proveedor añadió 37 puntos porcentuales de rendimiento y redujo el coste 28% usando el mismo modelo.
• Éxito en tareas de agentes empresariales de Salesforce78.0% from 29.2%La mejora en 7 tareas provino de evolucionar el arnés de agentes, no de cambiar el modelo subyacente.

Impacto e implicaciones

El análisis de Citi sugiere que las ganancias de eficiencia no tienen por qué reducir la demanda de infraestructura de IA: los menores costes pueden ampliar el uso y el despliegue, mientras que el desarrollo orientado a RSI y el trabajo de seguridad, alineación y gobernanza pueden añadir requisitos de cómputo. También destaca el diseño de arneses como una fuente cada vez más importante de diferenciación competitiva en la capa de aplicaciones.

Riesgos

• Las capacidades avanzadas de ciberseguridad pueden retrasar la liberación de pesos de modelos, como en el ejemplo de GLM-5.3.
• Los requisitos de seguridad, auditabilidad y alineación pueden cambiar el ritmo y la asignación de cómputo para modelos de frontera.

Aspectos que vigilar

• Si el lanzamiento de un modelo de un proveedor de frontera cerca de fin de mes genera una ganancia de capacidad suficiente para redirigir el uso premium pese al enrutamiento de modelos.
• Cómo los proveedores asignan cómputo entre atender usuarios, desarrollar modelos, seguridad, auditabilidad y alineación.
• Cambios adicionales en los costes de servicio de inferencia, el ritmo de lanzamientos de modelos y la eficiencia de despliegue.
• Próximos eventos de IA e infraestructura, incluidos Meta Connect, OpenAI DevDay, OCP Global Summit y NVIDIA GTC.