Contexto Técnico
He visto la entrevista original de Karp en CNBC del 1 de julio y hay algo clave: no solo atacó emocionalmente a OpenAI y Anthropic. Señaló un punto de dolor que veo a menudo en proyectos de implementación de IA: las empresas compran acceso a modelos, pero no obtienen un sistema gobernable.
Su tesis principal suena dura, pero da en el clavo. Durante demasiado tiempo, el mercado vendió tokens como si fueran el producto, cuando para las empresas el producto real debería ser una capa de aplicación funcional sobre los datos, controles de acceso, registros, enrutamiento y SLA, no solo generación de texto.
Karp dijo literalmente que "algo salió completamente mal", y las empresas están cansadas de pagar por tokens que no generan valor. Insistió especialmente en el control sobre el cómputo, los modelos, el stack de datos y la ventaja competitiva. Esto ya no es un eslogan de relaciones públicas, sino un verdadero debate arquitectónico.
Lo que dijo sobre los modelos de peso abierto a menudo se exagera en tono. Pero la esencia encaja: si una empresa no quiere exponer procesos sensibles, empieza a mirar un stack más controlado, donde se pueda gestionar el modelo, el entorno y el costo de inferencia.
Su razonamiento lo traduciría de forma aún más sencilla. Si toda tu integración de IA se reduce a "pongamos una API a ver qué pasa", casi seguro acabarás en el tokenmaxxing: muchas consultas, pilotos vistosos, economía pobre y fronteras de propiedad intelectual difusas.
Lo que me llamó la atención no fue la indignación de Karp, sino que por fin dijo en voz alta lo que se discute en las llamadas a puerta cerrada de los CEO. Allí ya no preguntan "¿cuál es el modelo más inteligente?", sino "¿qué controlamos exactamente, cuánto cuesta a escala y qué estamos enseñando al sistema de otro con nuestros datos?".
Impacto en el Negocio y la Automatización
Para el negocio, veo tres consecuencias directas. Primero: menos experimentos ciegos con API caras y más interés en modelos de peso abierto y esquemas híbridos. Segundo: la automatización de IA se evaluará por la reducción del tiempo de ciclo y de errores, no por el número de prompts.
Tercero: ganarán quienes sepan construir la arquitectura de IA alrededor del proceso, no del modelo de moda. Perderán los equipos que montaron toda su lógica sobre un solo proveedor sin pensar en portabilidad, auditoría y acceso a los datos.
Es justo en esas encrucijadas donde suelo frenar proyectos para no llevar al cliente a una trampa brillante. En Nahornyi AI Lab abordamos estas cuestiones en la práctica: dónde conviene una API privada, dónde un bucle local, dónde basta un agente estrecho y dónde es mejor no tocar un LLM.
Si tu IA se está comiendo el presupuesto sin ofrecer un resultado gestionable, analicemos el proceso por capas. En Nahornyi AI Lab puedo ayudarte a estructurar el desarrollo de soluciones de IA para que conserves el control sobre los datos, los costos y el valor real, no solo un contador de tokens.