En este artículo
- Estudio de viabilidad: ¿se puede crear una IA que rivalice con Claude y ChatGPT? ¿Y cuánto cuesta?
- ¿Qué significa realmente «rivalizar con Claude y ChatGPT»?
- Camino uno: un modelo de frontera desde cero, un costo astronómico
- Camino dos: un modelo soberano o especializado, una gran inversión estratégica
- Camino tres: construir sobre un modelo abierto, lo más inteligente para el 99 % de las empresas
- Los tres caminos comparados
- La opción de código abierto en detalle: ¿qué modelo y cómo construir sobre él?
- La recomendación de los expertos de Origami
- Cómo ayuda Origami
- Fuentes
Estudio de viabilidad: ¿se puede crear una IA que rivalice con Claude y ChatGPT? ¿Y cuánto cuesta?
La respuesta honesta de los expertos de Origami: construir desde cero un modelo de frontera a la escala de Claude o ChatGPT cuesta desde cientos de millones hasta más de mil millones de dólares, y en la práctica solo está al alcance de los grandes laboratorios y de los Estados. Pero la palabra «rivalizar» tiene tres significados de costo muy distintos, y para una empresa corriente el camino inteligente cuesta una fracción mínima de esa cifra. Este estudio desglosa los tres caminos y el costo de cada uno, con honestidad.
¿Qué significa realmente «rivalizar con Claude y ChatGPT»?
Antes de hablar de costos hay que definir la ambición, porque la distancia entre los caminos se mide en miles de veces:
- Un modelo de frontera desde cero: construyes un nuevo «cerebro» que rivaliza en todo con los modelos más recientes del mundo.
- Un modelo soberano o especializado: construyes un modelo más pequeño, o continúas el entrenamiento de un modelo abierto, para servir a un idioma, un sector o un país.
- Construir sobre un modelo abierto: tomas un modelo abierto ya listo y lo adaptas a tus datos para que gane en tu propio dominio.
Camino uno: un modelo de frontera desde cero, un costo astronómico
Es el camino más difícil y más caro. Según Epoch AI, especializada en seguir los costos de entrenamiento, el costo de entrenar modelos de frontera se multiplica aproximadamente por 2,4 cada año, y se prevé que los mayores entrenamientos superen los mil millones de dólares en 2027, lo que los deja «fuera del alcance de todas salvo las organizaciones mejor financiadas». El costo se reparte entre hardware (47–67 %), salarios del personal de I+D (29–49 %) y energía (2–6 %).
En la práctica eso significa decenas de miles de GPU (una H100 cuesta unos 25.000–40.000 $, una B200 unos 30.000–50.000 $) que forman un clúster de cientos de millones, además de investigadores de primer nivel que ganan más de un millón de dólares cada uno, enormes conjuntos de datos y años de trabajo. Resultado: no es una opción para una empresa, sino para laboratorios como OpenAI, Anthropic, Google y DeepSeek, o para grandes programas nacionales.
Camino dos: un modelo soberano o especializado, una gran inversión estratégica
Aquí no compites a escala global en todo; construyes un modelo más pequeño (o continúas a fondo el entrenamiento de uno abierto) para destacar en un idioma o un sector. Arabia Saudí es un ejemplo claro con su apuesta por la IA soberana, como la empresa HUMAIN y el modelo «ALLaM» de la Autoridad Saudí de Datos e Inteligencia Artificial (SDAIA). Este camino cuesta entre millones y decenas de millones de dólares, y requiere un equipo de investigación especializado, un clúster de cómputo, datos limpios y de 6 a 18 meses. Encaja con gobiernos y grandes empresas que tienen un objetivo estratégico.
Camino tres: construir sobre un modelo abierto, lo más inteligente para el 99 % de las empresas
Aquí está la respuesta práctica. Tomas un modelo potente de pesos abiertos (DeepSeek V4, Qwen, Llama o GLM) y lo adaptas a tus datos mediante fine-tuning y generación aumentada por recuperación (RAG). No superas a ChatGPT en todo: lo superas en tu dominio, tu idioma y tus datos, que es lo que importa para tu negocio. El costo baja de «astronómico» a entre decenas de miles y unos pocos millones de riyales según la ambición y la infraestructura, en semanas o meses. Un extra: puedes alojarlo tú mismo para que tus datos se queden contigo, algo importante bajo la Ley de Protección de Datos Personales (PDPL).
Los tres caminos comparados
| Opción | Qué es | Costo estimado | Tiempo | Para quién |
|---|---|---|---|---|
| Modelo de frontera desde cero | Un modelo a la escala de Claude/GPT desde la base | De cientos de millones a más de mil millones de dólares | Años | Grandes laboratorios y Estados |
| Modelo soberano o especializado | Un modelo más pequeño, o el entrenamiento continuado a fondo de uno abierto | De millones a decenas de millones de dólares | 6–18 meses | Gobiernos y grandes empresas |
| Construir sobre un modelo abierto | Adaptar un modelo abierto a tus datos (fine-tuning + RAG) | De decenas de miles a unos pocos millones de riyales | De semanas a meses | La mayoría de las empresas |
Rara vez necesitas construir un motor nuevo; normalmente necesitas construir, alrededor de uno existente, el coche adecuado para tu camino.
La opción de código abierto en detalle: ¿qué modelo y cómo construir sobre él?
Como construir sobre un modelo abierto es el camino correcto para la mayoría de las empresas, aquí va el detalle práctico: qué modelos elegir, cómo construir sobre ellos y cuánto cuesta cada enfoque.
Los principales modelos abiertos en 2026:
| Modelo | Creador | Conocido por |
|---|---|---|
| DeepSeek V4 | DeepSeek | El modelo de código abierto más potente para programación agéntica, y el más barato |
| Qwen3-Coder | Alibaba | Especializado en código y multilingüe |
| GLM-5.2 | Z.ai | Programación de largo horizonte y un contexto de 1M de tokens |
| Llama 4 | Meta | Un enorme ecosistema de herramientas y un amplio apoyo de la comunidad |
| Kimi K2 | Moonshot | Contexto largo y un sólido rendimiento general |
¿Cómo se construye sobre ellos? Cuatro enfoques, de menor a mayor costo y esfuerzo:
- 1) Uso directo + ingeniería de prompts: ejecutas el modelo tal cual (mediante una API en la nube o alojado por ti) y lo diriges con instrucciones inteligentes, sin ningún entrenamiento. Lo más barato y rápido: de días a semanas, desde miles hasta decenas de miles de riyales.
- 2) Generación aumentada por recuperación (RAG): conectas el modelo a tu base de conocimiento y tus documentos para que responda a partir de tus propios datos sin entrenarlo; ideal para un asistente de conocimiento que conozca tus productos y políticas. Semanas, decenas de miles de riyales.
- 3) Fine-tuning / LoRA: entrenas el modelo con ejemplos de tu dominio y tu estilo para que domine tu tarea concreta (tono, clasificación, formato de salida). De semanas a meses, de decenas a cientos de miles de riyales.
- 4) Preentrenamiento continuado: alimentas el modelo con grandes cantidades de datos de tu dominio o idioma para profundizar su conocimiento de raíz; lo más potente y lo más caro, cercano al «camino soberano». Meses, cientos de miles en adelante.
Alojamiento propio y privacidad: la gran ventaja de los modelos abiertos es que los ejecutas en tu propia infraestructura (una nube privada o servidores locales), de modo que tus datos nunca salen de tu organización, algo decisivo bajo la Ley de Protección de Datos Personales (PDPL). Necesitas GPU dimensionadas según el modelo (desde una sola tarjeta para modelos pequeños hasta un clúster para los grandes), y equilibras el costo fijo del alojamiento con el costo de pago por uso de una API en la nube.
La recomendación de los expertos de Origami
No intentes superar a los grandes laboratorios entrenando en su propio terreno: esa es una batalla de miles de millones. Lo inteligente es construir una solución especializada sobre un modelo abierto que gane en tu dominio, tu idioma árabe, la privacidad de tus datos y tu costo. Este camino es alcanzable, de alto retorno de la inversión, y te da «tu propia IA» sin la factura de mil millones de dólares.
Cómo ayuda Origami
En Origami primero estudiamos la viabilidad, luego elegimos el camino y el modelo adecuados para tu objetivo y tu presupuesto, adaptamos el modelo a tus datos (fine-tuning + RAG), lo alojamos de forma propia para una privacidad total y lo conectamos a tus sistemas y agentes mediante MCP. El objetivo es una IA que compita en tu dominio, a un costo realista y bien estudiado.
Fuentes
- Epoch AI — el costo de entrenar modelos de frontera: epoch.ai
- Autoridad Saudí de Datos e Inteligencia Artificial (SDAIA): sdaia.gov.sa
Las cifras de costo del hardware son estimaciones de mercado para las GPU de NVIDIA en el momento de la publicación y pueden cambiar.
Preguntas frecuentes
¿Puedo crear un modelo como ChatGPT con el presupuesto de una empresa?
No desde cero: un modelo de frontera cuesta desde cientos de millones hasta más de mil millones de dólares y está al alcance solo de los grandes laboratorios y de los Estados. Pero sí puedes crear «tu propia IA» que compita en tu dominio adaptando un modelo abierto a tus datos, desde decenas de miles de riyales.
¿Cuál es el camino más barato para empezar?
Construir sobre un modelo de pesos abiertos (como DeepSeek o Qwen) y adaptarlo con fine-tuning y RAG sobre tus datos. Empieza en decenas de miles de riyales para un asistente especializado y sube según el volumen de datos, la infraestructura y el alojamiento propio.
¿De verdad compite un modelo abierto adaptado?
Sí, pero en el campo de batalla adecuado: no superará a ChatGPT en todo, pero sí lo supera en tu dominio, en tu idioma árabe, con tus propios datos, en tu privacidad y en tu costo, que suele ser lo que de verdad importa para tu negocio.
¿Cuánto cuesta exactamente un modelo de frontera desde cero?
Según Epoch AI, el costo se multiplica aproximadamente por 2,4 cada año, y se prevé que los mayores entrenamientos superen los mil millones de dólares en 2027, antes de sumar los salarios de I+D (hasta la mitad del costo), la infraestructura y la energía. En la práctica: de cientos de millones a miles de millones, por eso está limitado a unas pocas de las organizaciones mejor financiadas.
Sigue a Origami en Google
Añade Origami como fuente preferida y nuestros artículos te aparecerán primero en la Búsqueda de Google y en las Noticias destacadas.
