IA: Los modelos de pesos abiertos impulsarán la difusión de la IA, con distintos beneficiarios en tres escenarios

Visión general

El informe se centra en la competencia entre modelos de pesos abiertos y cerrados, analizando el lanzamiento de Kimi K3, posibles restricciones estadounidenses a modelos chinos y el debate de mercado desencadenado por cartas de política relacionadas. Morgan Stanley considera que a los inversores les preocupa que modelos abiertos más pequeños y eficientes puedan debilitar la demanda de computación e infraestructura de IA, pero la visión central del informe es que los modelos de pesos abiertos acelerarán la difusión de la IA mediante la competencia y menores costos, lo que podría ampliar la adopción empresarial de IA.

Perspectivas principales

El informe considera que las empresas actualmente utilizan tanto modelos abiertos como cerrados, y que los modelos de pesos abiertos se usan principalmente para casos de uso más pequeños que requieren velocidad, seguridad, llamadas frecuentes o adaptación específica al dominio, como programación y análisis de documentos. A largo plazo, si los modelos abiertos continúan acercándose a los modelos de frontera, reducirán los precios de las API de modelos y ampliarán la demanda; si los modelos cerrados mantienen su ventaja, un pequeño número de laboratorios de frontera bien capitalizados, proveedores de nube y proveedores de infraestructura de entrenamiento seguirán beneficiándose; si las arquitecturas híbridas se vuelven mayoritarias, el enrutamiento, la orquestación, la observabilidad, la seguridad y la gobernanza de modelos cobrarán mayor importancia.

Marco de análisis

El informe utiliza un marco de análisis de escenarios que divide la futura adopción empresarial de modelos de IA en tres estados: ganan los modelos cerrados, ganan las arquitecturas híbridas y ganan los modelos de pesos abiertos, y luego identifica los beneficiarios en la cadena industrial para cada uno. El análisis se centra en las tasas de adopción empresarial, las estructuras de costos, las brechas de rendimiento, las ubicaciones de despliegue, la soberanía de datos, las restricciones regulatorias, la complejidad de la pila de software y la demanda de computación y energía.

Notas metodológicas

• investigación temáticaanálisis de escenarios de tres estados

  Proyección de distintas cadenas de beneficiarios de la industria en torno a la competencia entre modelos abiertos y cerrados

  En lugar de pronosticar una única trayectoria, el informe divide el futuro en tres escenarios —ganan los modelos cerrados, ganan los modelos híbridos y ganan los modelos abiertos— y compara los beneficiarios relativos en nube, modelos, seguridad, semiconductores, redes, infraestructura local y dispositivos periféricos bajo cada escenario.

• mecanismo económicoParadoja de Jevons

  Las mejoras de eficiencia pueden ampliar la demanda total

  El informe considera que menores costos de modelos y una mayor eficiencia podrían no reducir la demanda de infraestructura de IA; en cambio, el uso total podría expandirse a medida que más empresas y casos de uso adopten IA.

• arquitectura tecnológica empresarialmarco de orquestación y observabilidad de modelos

  El valor de la capa de software aumenta en entornos multimodelo

  Cuando las empresas ejecutan modelos abiertos y cerrados, las capas de puertas de enlace, enrutamiento, orquestación, evaluación, gobernanza, seguridad y observabilidad se vuelven más importantes porque las empresas necesitan seleccionar dinámicamente modelos según costo, capacidad, latencia y cumplimiento.

Correspondencia y comparación de activos

Correspondencia estructurada entre la tesis y activos concretos (fortalezas, debilidades, pares y riesgos).

• GOOGL, AMZN, MSFT

  proveedores de servicios en la nube

  Fortalezas

  Pueden absorber cargas de trabajo de IA en escenarios cerrados o híbridos; si Gemini vuelve a la frontera, GOOGL también podría beneficiarse de la economía de las API de modelos.

  Debilidades

  La caída de precios de los modelos abiertos podría limitar los rendimientos excedentes de los modelos cerrados; el grado de beneficio para distintos proveedores de nube depende de las capacidades de los modelos y de las preferencias de despliegue de los clientes.

  Comparación

  GOOGL y AMZN destacan cuando ganan los modelos cerrados; AMZN, GOOGL y MSFT se benefician en el escenario híbrido; el informe enfatiza a MSFT en el escenario de victoria de los modelos abiertos.

  Riesgos

  Cambios en el panorama competitivo de modelos, caídas de precios y migración empresarial hacia despliegues locales o periféricos.

• NVDA, AVGO

  semiconductores y computación de IA

  Fortalezas

  El informe considera que NVDA se beneficia en múltiples escenarios; cuando ganan los modelos cerrados, la demanda de clústeres de entrenamiento y computación de alta intensidad se mantiene fuerte, beneficiando también a AVGO.

  Debilidades

  Si modelos abiertos más pequeños mejoran significativamente la eficiencia, la demanda de computación por tarea podría disminuir.

  Comparación

  El escenario de modelos cerrados incluye NVDA y AVGO; el escenario híbrido incluye NVDA.

  Riesgos

  Mejoras en la eficiencia de los modelos, menores precios de inferencia y un desplazamiento de la demanda de computación del entrenamiento hacia la inferencia o el borde.

• PANW, CRWD, ZS, NTSK, OKTA, FTNT, SAIL, VRNS

  software de seguridad

  Fortalezas

  Los despliegues distribuidos, locales y multimodelo aumentan la demanda de controles de seguridad, gobernanza, identidad y acceso.

  Debilidades

  Cuando ganan los modelos cerrados, algunas cargas de seguridad pueden ser asumidas por laboratorios de modelos de frontera.

  Comparación

  El software de seguridad es un beneficiario importante en los tres escenarios, y las cargas de trabajo distribuidas lo vuelven más importante en escenarios abiertos e híbridos.

  Riesgos

  El despliegue empresarial de IA avanza más lentamente de lo esperado, o los presupuestos de seguridad no crecen en línea con el número de modelos.

• DDOG, PLTR, APPN

  software de infraestructura, orquestación y observabilidad

  Fortalezas

  Los entornos multimodelo requieren enrutamiento, orquestación, monitoreo, evaluación y seguimiento de costos y calidad.

  Debilidades

  Si las empresas continúan adoptando una única API de modelo cerrado, los aumentos en la complejidad de la pila de software podrían ser limitados.

  Comparación

  El escenario híbrido incluye DDOG, PLTR y APPN; el escenario de victoria de modelos abiertos incluye PLTR.

  Riesgos

  Consolidación de plataformas, sustitución por herramientas nativas de proveedores de nube y capacidades desarrolladas internamente por las empresas.

• DELL, HPE, NTAP, P, HPQ, AAPL

  infraestructura local y dispositivos periféricos

  Fortalezas

  Cuando ganan los modelos abiertos, más cargas de trabajo migran a infraestructura local, nube privada, nube soberana y dispositivos periféricos.

  Debilidades

  Si los modelos cerrados mantienen su ventaja, las empresas pueden seguir consumiendo modelos a través de la nube y las API, reduciendo la demanda de hardware local.

  Comparación

  Estos activos se benefician principalmente cuando ganan los modelos de pesos abiertos.

  Riesgos

  Altos costos de despliegue local para modelos grandes, escasez de talento de ingeniería empresarial y períodos de recuperación inciertos.

• BE, INIO, SEI, WMB, LBRT

  energía in situ e infraestructura energética

  Fortalezas

  Cuando ganan los modelos cerrados, los superclústeres de entrenamiento impulsan una demanda a escala de gigavatios de energía confiable.

  Debilidades

  Si la eficiencia de los modelos mejora sustancialmente y las cargas de trabajo se vuelven más distribuidas, la demanda incremental de clústeres de entrenamiento centralizados e hiperescalables podría debilitarse.

  Comparación

  El informe enfatiza específicamente a los proveedores de energía in situ en el escenario de victoria de los modelos cerrados.

  Riesgos

  Construcción más lenta de centros de datos, restricciones de interconexión a la red y ciclos regulatorios y de gasto de capital.

Datos clave

• Tasa de uso empresarial de modelos abiertos63%Una encuesta de McKinsey a 700 líderes tecnológicos de 41 países muestra que el 63% de los encuestados utiliza modelos abiertos, normalmente junto con modelos cerrados.
• Participación de tokens de OpenRouter de empresas estadounidenses enrutados a modelos abiertos chinos30%+El informe afirma que, de febrero a julio de 2026, más del 30% de los tokens de OpenRouter utilizados semanalmente por empresas estadounidenses se enrutaron a modelos abiertos chinos, aunque los datos pueden ser más representativos de startups que de grandes empresas.
• Beneficio y costo promedio de tareas de IA$55 de beneficio frente a $2-5 de costoEl informe cita sus estimaciones anteriores para ilustrar que la adopción empresarial de IA aún tiene un margen de crecimiento sustancial.
• Reducción potencial de precios de los modelos abiertosaproximadamente 70%El informe cita un estudio del MIT que indica que pasar de modelos cerrados a abiertos podría reducir los precios promedio en un 70% y ahorrar a los consumidores aproximadamente $25B al año, al tiempo que señala limitaciones relacionadas con el período del estudio, las diferencias entre modelos y el costo total de propiedad.
• Período de recuperación para despliegue abiertodesde hasta 3 meses hasta hasta 6 añosUn estudio de Carnegie Mellon muestra que los períodos de recuperación para despliegues pequeños pueden ser tan cortos como 3 meses, mientras que los despliegues a gran escala con 200B-1T parámetros pueden tardar hasta 6 años.
• Escenarios de ROIC de API de modelos de GOOGLaproximadamente 45% o aproximadamente 30%Si Gemini vuelve a la frontera, el informe estima que el ROIC de GOOGL por ejecutar API de modelos en su propia infraestructura sería aproximadamente 45%; como proveedor de infraestructura, sería aproximadamente 30%.

Impacto e implicaciones

La implicación de inversión es que los modelos abiertos no necesariamente debilitan la tesis de inversión en IA; en cambio, menores costos y la expansión de casos de uso podrían generar un gasto empresarial en IA más amplio. Una victoria de los modelos cerrados favorecería a los laboratorios de modelos de frontera, la nube, la computación de entrenamiento, las redes y la energía; una victoria híbrida favorecería la nube, el software de infraestructura, el software de seguridad y la orquestación de modelos; una victoria de los modelos abiertos favorecería la infraestructura local, los dispositivos periféricos, la seguridad, la observabilidad, el enrutamiento y el despliegue de la capa de aplicaciones.

Riesgos

• Las posibles restricciones estadounidenses a los modelos chinos de pesos abiertos podrían crear riesgos para la continuidad del negocio.
• Las empresas que utilizan modelos abiertos deben asumir costos de ajuste fino, alojamiento, talento y computación; abierto no significa gratuito en términos de costo total de propiedad.
• Los modelos de pesos abiertos enfrentan riesgos, incluida la eliminación de alineación de seguridad, modificaciones maliciosas y responsabilidad poco clara.
• Las preocupaciones empresariales sobre confianza, marca, seguridad y cumplimiento respecto a modelos extranjeros podrían limitar la adopción.
• Si los modelos de frontera cerrados continúan liderando por un amplio margen, la penetración de modelos abiertos en cargas de trabajo empresariales centrales podría no alcanzar las expectativas.

Aspectos que vigilar

• Cambios en la brecha de rendimiento entre modelos de pesos abiertos como Kimi K3, Qwen, DeepSeek, Llama y Gemma, y los modelos de frontera cerrados.
• Restricciones regulatorias de Estados Unidos a los modelos abiertos chinos y de China a los modelos de frontera extranjeros.
• Cambios en la participación real de arquitecturas abiertas, cerradas e híbridas en el gasto empresarial en IA.
• Precios de API de modelos, costos por token, eficiencia de inferencia y el ritmo de expansión de casos de uso empresariales.
• El ritmo al que las empresas despliegan cargas de trabajo de IA localmente, en nubes privadas, nubes soberanas y en el borde.
• Crecimiento presupuestario para software de orquestación, enrutamiento, observabilidad, seguridad y gobernanza de modelos.