Inteligencia artificial, computación en la nube, semiconductores, software de seguridad e infraestructura de TI: Los modelos de pesos abiertos acelerarán la difusión de la IA, y los ganadores del sector dependerán de tres panoramas competitivos

Visión general

El informe analiza la competencia y coexistencia de modelos de pesos abiertos y modelos de código cerrado en las pilas tecnológicas empresariales de IA. Morgan Stanley considera que el mercado podría estar subestimando el papel de los modelos de pesos abiertos: su distinción principal no es el tamaño o la calidad del modelo, sino si los usuarios pueden acceder y ajustar los pesos, y si pueden desplegarlos con flexibilidad en nube pública, nube privada, instalaciones locales o entornos de borde. Los modelos de pesos abiertos pueden reducir el coste variable de la inferencia de alta frecuencia, respaldar la personalización especializada y satisfacer requisitos de soberanía de datos, pero también conllevan costes de ajuste fino, cuellos de botella de talento, responsabilidades de seguridad y riesgos geopolíticos. La distribución del valor sectorial en los próximos años depende de cuál de los tres escenarios —código cerrado, híbrido o pesos abiertos— predomine.

Perspectivas principales

Primero, los modelos de pesos abiertos favorecen la competencia y la difusión tecnológica, y las caídas de precios pueden ampliar la demanda total de IA mediante la paradoja de Jevons en lugar de simplemente debilitar la demanda de potencia de cómputo. Segundo, a corto plazo es más probable que las empresas mantengan arquitecturas híbridas: los modelos frontera de código cerrado gestionan razonamiento complejo y tareas agénticas, mientras que los modelos abiertos o pequeños asumen trabajo de alta frecuencia, sensible al coste y específico del dominio. Tercero, cuanto más dispersos estén el número de modelos y las ubicaciones de despliegue, mayor será la importancia de las puertas de enlace, el enrutamiento, la orquestación, la evaluación, la observabilidad, la seguridad y la gobernanza. Cuarto, si ganan los modelos de código cerrado, se benefician más los laboratorios líderes, las nubes hiperescalables, las redes de entrenamiento, los semiconductores y el suministro eléctrico in situ; si ganan los modelos de pesos abiertos, el valor se desplazará más hacia el ajuste fino, la optimización de inferencia, las aplicaciones, la nube privada, la infraestructura local, los dispositivos de borde y el software de seguridad.

Marco de análisis

El informe combina encuestas de adopción empresarial, datos de uso de tokens, estudios de coste total de propiedad y retorno de la inversión, y emplea análisis de escenarios para comparar el rendimiento de los modelos, el poder de fijación de precios, las arquitecturas de despliegue, las restricciones regulatorias y el comportamiento de compra empresarial; después asigna cada escenario a acciones y segmentos sectoriales relevantes.

Notas metodológicas

• Análisis de escenariosTres estados del mundo

  Supone respectivamente que ganan los modelos de código cerrado, que coexisten las arquitecturas híbridas y que ganan los modelos de pesos abiertos.

  Al modificar las brechas de rendimiento de los modelos, la competencia de precios, los métodos de despliegue empresarial y las condiciones regulatorias, el informe identifica los beneficiarios relativos en segmentos de nube, modelos, software, hardware, redes y energía bajo diferentes escenarios.

• Marco económicoParadoja de Jevons

  Una caída en los costes unitarios de inferencia puede estimular el crecimiento del uso e incrementar la demanda total de IA.

  Después de que los modelos de pesos abiertos mejoren la eficiencia y reduzcan los precios, más empresas y cargas de trabajo se vuelven económicamente viables para la adopción de IA, por lo que la demanda de potencia de cómputo e infraestructura relacionada podría no disminuir necesariamente a medida que caen los costes unitarios.

• Análisis de costesCoste total de propiedad

  Compara tarifas de licencia, cargos por token, potencia de cómputo, alojamiento, ajuste fino, talento y costes de operaciones y mantenimiento.

  Aunque los modelos de pesos abiertos pueden evitar tarifas de licencia o cargos por token, no son gratuitos; la escala de despliegue y el número de parámetros del modelo afectan significativamente a su economía relativa y al periodo de retorno de la inversión.

• Mapeo de la cadena industrialAnálisis de beneficiarios de arquitecturas de despliegue de IA

  Asigna las direcciones de los beneficiarios sectoriales según el grado en que las cargas de trabajo migran a nube pública, nube privada, instalaciones locales y borde.

  Las arquitecturas centralizadas de código cerrado son más favorables para los principales proveedores de nube y modelos frontera, mientras que las arquitecturas abiertas distribuidas incrementan la demanda de hardware local, dispositivos de borde, seguridad, orquestación, enrutamiento y observabilidad.

Correspondencia y comparación de activos

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

• GOOGL, AMZN, MSFT

  Plataformas de nube y canales de distribución de modelos

  Fortalezas

  Disponen de potencia de cómputo a escala, relaciones con clientes empresariales y capacidades de alojamiento; bajo arquitecturas de código cerrado o híbridas, pueden absorber grandes cantidades de cargas de trabajo centralizadas.

  Debilidades

  La competencia de precios de los modelos abiertos puede comprimir los rendimientos excesivos de las API de modelos y trasladar algunas cargas de trabajo a entornos locales o de borde.

  Comparación

  Los beneficiarios clave en el escenario de código cerrado incluyen GOOGL y AMZN; el escenario híbrido incluye AMZN, GOOGL y MSFT; en el escenario de pesos abiertos, el informe destaca MSFT.

  Riesgos

  Modelos propietarios rezagados frente a modelos frontera, menores rendimientos del gasto de capital, adopción multicloud por los clientes y restricciones regulatorias.

• NVDA, AVGO

  Semiconductores de IA e infraestructura de cómputo personalizada

  Fortalezas

  El crecimiento de la demanda de entrenamiento e inferencia respalda directamente la demanda de aceleradores, redes y chips personalizados; NVDA se considera un beneficiario con una resiliencia relativamente fuerte en todos los escenarios.

  Debilidades

  Los modelos más pequeños y eficientes pueden reducir la potencia de cómputo requerida por tarea, y las arquitecturas abiertas también pueden cambiar las estructuras de compra de chips y sistemas.

  Comparación

  El escenario de código cerrado incluye NVDA y AVGO, mientras que el escenario híbrido incluye NVDA; la portada del informe enfatiza que NVDA tiene una lógica de beneficiario en múltiples estados.

  Riesgos

  Mejora de la eficiencia de modelos más rápida que el crecimiento de cargas de trabajo, chips propios de clientes, expansión de la oferta y valoración elevada.

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

  Seguridad y gobernanza de identidad para cargas de trabajo de IA distribuidas

  Fortalezas

  Después de que modelos y datos se distribuyan entre nube, instalaciones locales y entornos de borde, aumenta la demanda de control de acceso, seguridad de endpoints, gestión de identidad y gobernanza.

  Debilidades

  Bajo arquitecturas centralizadas de código cerrado, algunas responsabilidades de seguridad pueden ser gestionadas internamente por laboratorios de modelos frontera o plataformas de nube.

  Comparación

  El software de seguridad se beneficia en los tres escenarios, pero la demanda incremental es más amplia bajo arquitecturas de pesos abiertos o híbridas.

  Riesgos

  Consolidación de presupuestos de seguridad, sustitución por funciones nativas de plataforma, modificación maliciosa de modelos abiertos y atribución de responsabilidades poco clara.

• DDOG, PLTR, APPN

  Orquestación, observabilidad y software de infraestructura

  Fortalezas

  Los entornos multimodelo requieren puertas de enlace unificadas, enrutamiento, registros, evaluación, monitorización de costes, orquestación de flujos de trabajo y conmutación por error.

  Debilidades

  Las funciones pueden integrarse en plataformas de nube, proveedores de modelos o herramientas de código abierto, y los proveedores independientes enfrentan competencia de plataformas.

  Comparación

  El escenario híbrido destaca DDOG, PLTR y APPN, mientras que el escenario de pesos abiertos incluye PLTR.

  Riesgos

  Progreso de despliegue empresarial más lento de lo esperado, comoditización de productos, alternativas de código abierto y desarrollo interno de los clientes.

• DELL, HPE, NTAP, P, HPQ, AAPL

  Infraestructura local y dispositivos de borde

  Fortalezas

  Después de que mejore el rendimiento de los modelos abiertos, las empresas pueden trasladar más inferencia a entornos locales y de borde por requisitos de coste, latencia, privacidad y soberanía de datos.

  Debilidades

  El despliegue local de modelos grandes exige mucho capital, el periodo de recuperación puede ser largo y las empresas necesitan talento de operaciones y mantenimiento.

  Comparación

  Estas empresas se benefician principalmente del escenario descentralizado en que ganan los modelos de pesos abiertos, con menor elasticidad bajo el escenario centralizado de código cerrado.

  Riesgos

  Las empresas continúan priorizando las API, caída de costes de nube pública, ciclos de renovación de hardware más largos y complejidad excesiva del despliegue de modelos.

• SAP, NOW, SHOP

  Aplicaciones empresariales y capa SaaS

  Fortalezas

  Pueden incorporar modelos abiertos o de código cerrado en flujos de trabajo existentes y utilizar los datos propietarios de las empresas para desarrollar aplicaciones y agentes de dominio.

  Debilidades

  La comoditización de las capacidades de los modelos fundacionales puede reducir la diferenciación y el poder de fijación de precios de algunas funciones de IA.

  Comparación

  SAP y NOW aparecen tanto en los escenarios híbrido y de pesos abiertos, mientras que SHOP se incluye principalmente en el escenario de pesos abiertos.

  Riesgos

  Monetización insuficiente de funciones de IA, presión de costes de inferencia, obstáculos de gobernanza de datos y clientes que desarrollan aplicaciones internamente.

• ANET, LITE, COHR, CSCO, FFIV

  Comunicaciones ópticas de centros de datos, redes y gestión de tráfico

  Fortalezas

  Los clústeres de entrenamiento de código cerrado requieren redes de gran ancho de banda, mientras que las arquitecturas híbridas y distribuidas aumentan la demanda de conectividad y gestión de tráfico entre nubes, centros de datos y el borde.

  Debilidades

  Los nombres beneficiarios divergen a medida que cambian las participaciones del entrenamiento centralizado y la inferencia distribuida.

  Comparación

  El escenario de código cerrado destaca ANET, LITE y COHR; el escenario híbrido destaca CSCO y FFIV.

  Riesgos

  Ciclos de gasto de capital en centros de datos, concentración de clientes, iteración tecnológica y volatilidad de la cadena de suministro.

• BE, INIO, SEI, WMB, LBRT

  Suministro eléctrico in situ para instalaciones hiperescalables de entrenamiento de IA

  Fortalezas

  Cuando los modelos frontera de código cerrado continúan expandiendo los clústeres de entrenamiento, se fortalecerá la demanda de electricidad fiable a escala de gigavatios y soluciones energéticas in situ.

  Debilidades

  Los ciclos de proyecto son largos y la materialización de la demanda depende del progreso de construcción de centros de datos, permisos e infraestructura de combustible.

  Comparación

  El informe principalmente incluye estos nombres como beneficiarios en el escenario donde ganan los modelos de código cerrado, aunque también considera que la demanda de electricidad está respaldada en múltiples estados.

  Riesgos

  Retrasos en proyectos de centros de datos, fluctuaciones de precios energéticos, aprobaciones regulatorias, costes de financiación y mejora de la eficiencia de cómputo mayor de lo esperado.

• MiniMax, Knowledge Atlas, BABA, Tencent

  Proveedores de modelos de pesos abiertos

  Fortalezas

  Si los modelos abiertos se aproximan al rendimiento frontera, pueden ampliar la adopción mediante una distribución amplia, construcción de ecosistemas y bases de clientes de mercados locales.

  Debilidades

  Los precios de los modelos fundacionales están cayendo rápidamente, la capacidad de monetización directa puede ser limitada y se requiere inversión continua en entrenamiento y gobernanza de seguridad.

  Comparación

  El informe incluye estas empresas como beneficiarias de la capa de modelos en el escenario donde ganan los modelos de pesos abiertos.

  Riesgos

  Posibles restricciones estadounidenses a los modelos chinos, continuidad de negocio transfronterizo, políticas de licencias, preocupaciones de seguridad y brechas respecto al rendimiento frontera.

Datos clave

• Tasa de adopción empresarial de modelos abiertos63%Resultados de la encuesta de McKinsey a unos 700 líderes tecnológicos en 41 países; la mayoría de los adoptantes también utiliza modelos de código cerrado.
• Participación de tokens de OpenRouter de usuarios estadounidenses que fluye hacia modelos abiertos chinosmás del 30% por semanaLas estadísticas cubren de febrero a julio de 2026; el informe señala que la muestra podría estar más sesgada hacia startups que hacia grandes empresas.
• Economía promedio de las tareas de IAaproximadamente $55 en beneficios, correspondientes a $2–5 en costesSe utiliza para ilustrar que la adopción empresarial de IA aún tiene un margen sustancial de crecimiento.
• Impacto potencial en precios de los modelos abiertosLos precios promedio podrían caer un 70%, y los consumidores podrían ahorrar alrededor de $25B al añoCita un estudio del MIT de diciembre de 2025; no todos los modelos de pesos abiertos tienen menores costes unitarios por token.
• Participación de empresas que valoran el control del despliegue40%En la encuesta de McKinsey, los líderes empresariales encuestados preferían modelos de pesos abiertos porque podían controlar la ubicación de alojamiento.
• Periodo de recuperación para despliegue localaproximadamente de 3 meses a 6 añosEl periodo de recuperación para despliegues pequeños puede ser de apenas unos 3 meses, mientras que los despliegues grandes de 200B–1T parámetros pueden tardar hasta unos 6 años.
• ROIC potencial de las API de modelos de GOOGLaproximadamente 45%Se aplica a un escenario en el que Gemini está en la frontera y opera API de modelos sobre su propia infraestructura.
• ROIC potencial del modelo de proveedor de infraestructura de GOOGLaproximadamente 30%Se aplica a un escenario en el que Gemini no está en la frontera y GOOGL desempeña más un papel de proveedor de infraestructura.
• ROIC incremental de los principales modelos de negocio de inferencia de IApor encima del 25%El informe considera que los tres principales modelos de negocio en la era de la inferencia de IA tienen una economía unitaria incremental relativamente atractiva.

Impacto e implicaciones

Para los inversores, la clave no es simplemente apostar por modelos abiertos o de código cerrado, sino identificar la sensibilidad de cada segmento sectorial a los tres escenarios. El dominio del código cerrado favorece a un pequeño número de plataformas con ventajas en capital, rendimiento de modelos e infraestructura de nube, así como a empresas de semiconductores, redes y suministro eléctrico que respaldan el entrenamiento hiperescalable; las arquitecturas híbridas son más favorables para proveedores de software que pueden proporcionar enrutamiento, orquestación, evaluación, gobernanza y seguridad entre modelos; el dominio de los pesos abiertos desplazaría aún más el valor desde el preentrenamiento de modelos fundacionales hacia el ajuste fino, la optimización de inferencia, los agentes, las aplicaciones, la infraestructura local y los dispositivos de borde. Las mejoras en eficiencia de cómputo pueden expandir el volumen total de cargas de trabajo de IA, por lo que NVDA y la demanda relacionada con la electricidad tienen una resiliencia relativamente mayor en los escenarios.

Riesgos

• Estados Unidos puede restringir los modelos chinos de pesos abiertos, y China también puede restringir los modelos frontera extranjeros, creando riesgos para las empresas multinacionales en continuidad de negocio y selección de proveedores.
• Los pesos abiertos pueden eliminar la alineación de seguridad o ajustarse maliciosamente, lo que incrementa los riesgos de ciberseguridad, uso indebido de modelos y atribución de responsabilidades.
• Mantenerse al día con las versiones frontera requiere ajustes finos repetidos, y las empresas pueden carecer de potencia de cómputo, talento, tiempo y recursos de ingeniería.
• La ausencia de cargos por token para los modelos de pesos abiertos no significa que el coste total de propiedad sea menor; el periodo de recuperación de grandes despliegues locales puede durar varios años.
• La marca, la confianza, los costes de cambio, las protecciones de indemnización y las preocupaciones sobre modelos extranjeros pueden ralentizar la migración empresarial.
• El rendimiento, los precios y la eficiencia de los modelos cambian rápidamente, y las probabilidades de los tres escenarios y las relaciones correspondientes de empresas beneficiarias pueden seguir ajustándose.
• Las empresas beneficiarias enumeradas en el informe abarcan múltiples industrias, y el rendimiento de cada acción sigue viéndose afectado por la valoración, la competencia, los ciclos de gasto de capital y la ejecución de la empresa.

Aspectos que vigilar

• Si los modelos de pesos abiertos pueden seguir reduciendo la brecha de rendimiento con los modelos frontera de código cerrado en razonamiento, agentes y seguridad.
• Cambios en las participaciones de arquitecturas abiertas, de código cerrado e híbridas en el gasto empresarial de modelos de IA, en lugar de observar únicamente ensayos o tráfico de tokens.
• Evolución regulatoria en Estados Unidos y China sobre origen de modelos, publicación de pesos, soberanía de datos y responsabilidad de seguridad.
• El coste total de propiedad durante todo el ciclo de vida de los modelos abiertos, incluido alojamiento, potencia de cómputo, ajuste fino, talento, seguridad y actualizaciones de versión.
• El ritmo al que las cargas de trabajo empresariales migran a nube privada, instalaciones locales y entornos de borde, y el periodo real de recuperación de los clústeres de GPU.
• Tendencias de compra y monetización de software de puertas de enlace de modelos, enrutamiento, orquestación, evaluación, observabilidad y gobernanza.
• La velocidad relativa de las mejoras de eficiencia de los modelos frente a nuevas cargas de trabajo, para evaluar si la paradoja de Jevons puede continuar respaldando la demanda de potencia de cómputo y electricidad.
• Si Gemini de GOOGL puede volver a la frontera, y las diferencias de ROIC entre sus negocios de API de modelos e infraestructura.