RESUMEN
· El 13 de julio, el foro de expertos de Nomura mostrará que el mercado chino de LLM está pasando de simples recortes de precios a una convivencia de precios bajos para modelos base y prima para modelos avanzados.
· La ventaja de costos de DeepSeek proviene de optimizaciones del sistema como el almacenamiento en caché, la planificación, la latencia y la utilización del hardware; tener pesos de modelos abiertos no equivale a replicar la eficiencia operativa.
· Los aceleradores nacionales están ganando más oportunidades en inferencia y despliegues localizados, pero los proyectos empresariales aún deben superar la prueba de ROI de 12 a 18 meses.

Tras conversar el 13 de julio con un experto de un laboratorio chino de IA, el equipo de Nomura China de Internet emitió un juicio más cercano a la realidad de la comercialización: que el mercado chino de grandes modelos no avanza de manera lineal hacia precios más bajos, sino que se está dividiendo en dos niveles. Los modelos base siguen bajando precios para captar usuarios, mientras que los modelos avanzados, el despliegue privatizado y los servicios de personalización para empresas conservan la prima.

El laboratorio ya ha desplegado su modelo base propietario en más de 100 clientes empresariales, y el equipo también fue adoptante temprano de aceleradores nacionales como Huawei Ascend. La señal clave que libera el foro de expertos es que, aunque cada vez es más fácil comparar las capacidades de los modelos, lo que de verdad determina la ganancia del plataforma y la adherencia del cliente ya no se limita al puesto en listados, sino que se extiende a costos de inferencia, eficiencia de despliegue y flujos de trabajo empresariales.

Esto no es un informe de investigación público de Nomura ni representa estadísticas del sector completo. Sin embargo, ofrece una perspectiva más cercana a la compra empresarial: los clientes no compran solo un modelo; también deben calcular el precio de los chips, el costo por cada llamada, la integración del sistema, la seguridad de los datos y en cuánto tiempo el proyecto puede recuperarse.

La baja de costos de DeepSeek es difícil por la optimización del sistema

DeepSeek es el caso más típico de esta lógica.

El mercado a menudo atribuye el bajo costo de DeepSeek a los modelos de código abierto, pero los pesos abiertos solo reducen la barrera de uso y no copian automáticamente la eficiencia operativa de la plataforma original. Lo que realmente decide la factura de inferencia son la tasa de aciertos de caché, la planificación de solicitudes, las estrategias de lotes, el control de latencia y la utilización del hardware.

El informe técnico de DeepSeek-V3 que divulga arquitecturas como MLA y DeepSeekMoE, y los documentos de infraestructura que incluyen balanceo de carga y optimización de rendimiento, apuntan a lo mismo: lograr más llamadas usando menos ocupación de hardware.

Esto significa que, aunque plataformas como Tencent, Alibaba y ByteDance puedan desplegar los mismos pesos de código abierto, no necesariamente podrán ejecutar el mismo costo en entornos de negocio reales. Para los clientes empresariales que llaman al modelo a largo plazo, diferencias de unos pocos milisegundos en latencia, unos pocos puntos porcentuales en eficiencia de caché y utilización de hardware, al final pueden convertirse en una brecha de facturación evidente.

Por lo tanto, la presión competitiva que trae DeepSeek no es solo “modelos más baratos”, sino que obliga a toda la industria a recalcular el costo real de cada token, cada llamada y cada flujo de negocio.

Los modelos base atraen nuevos usuarios; el despliegue profundo gana dinero

La guerra de precios en el mercado chino de grandes modelos está empezando a volverse estratificada.

En los modelos base orientados a desarrolladores y demandas ligeras, el grado de comercialización es cada vez mayor y los precios siguen bajo presión para seguir bajando. Las plataformas pueden aumentar el volumen de llamadas con precios bajos e incluso subsidios, convirtiendo el modelo en una entrada para el servicio en la nube y el ecosistema de IA.

Pero cuando el modelo entra en sistemas de atención al cliente, control de riesgo financiero, repositorios de código, ERP, CRM o sistemas de programación de producción, lo que el cliente compra ya no es solo un API, sino un conjunto de sistema de negocio que debe funcionar de forma estable. A mayor profundidad del despliegue, más alto será el costo de cambiar de proveedor: implica migrar datos nuevamente, reformar procesos, probar seguridad y capacitar empleados; el costo de conversión también sube.

Esto permite a los fabricantes de modelos aplicar simultáneamente dos estrategias de fijación de precios: reducir precios de capacidades base para captar clientes; y modelos avanzados, soluciones por industria, despliegue privatizado y entrega personalizada asumen la tarea de monetización.

El código abierto y el código cerrado tampoco tienen que ser una disyuntiva. Los modelos de código abierto pueden atraer desarrolladores y ampliar el ecosistema; los modelos insignia cerrados y los servicios de API se prestan mejor como entradas de pago. Alibaba, al seguir manteniendo el ecosistema de código abierto de Qwen, también atiende necesidades de mayor nivel en forma de API como Plus y Max Preview, reflejando precisamente este modelo de comercialización por capas.

Los aceleradores nacionales primero buscan oportunidades en el mercado de inferencia

El suministro de hardware está reforzando este cambio.

Según reportes públicos, algunos chips y servidores Nvidia con suministro restringido enfrentan presión de precio debido a contracción del suministro y aumento de demanda de clientes. Más exactamente, no es que todos los productos de Nvidia estén subiendo de precio, pero el costo de compra y la disponibilidad de algunos productos de gama alta o restringidos están influyendo en las decisiones de despliegue de las empresas chinas.

El entrenamiento determina el límite superior de capacidad del modelo, mientras que la inferencia determina la factura diaria de operación. El entrenamiento de gama alta aún depende de un ecosistema maduro de software y hardware, pero en inferencia, despliegue privatizado y escenarios específicos de la industria, los clientes están más dispuestos a equilibrar rendimiento, costos y seguridad de suministro.

Si los aceleradores nacionales pueden ofrecer una estabilidad y eficiencia de inferencia aceptables, los despliegues locales y los despliegues híbridos serán más fáciles de incluir en la lista de compras. Los clientes gubernamentales y de empresas estatales valoran especialmente la seguridad de datos, el cumplimiento, los despliegues localizados y un suministro controlable de la cadena. Esto ofrece escenarios de uso más claros para la computación nacional como Huawei Ascend.

Sin embargo, que aumente el atractivo por costos no significa que el hardware nacional ya haya sustituido por completo a las GPU de gama alta. La migración del modelo involucra operadores subyacentes, marcos, caché, planificación y herramientas de despliegue; la acumulación a largo plazo del ecosistema de desarrolladores sigue siendo la brecha clave. Es más probable que los aceleradores nacionales entren primero por inferencia y despliegues por industria, y luego amplíen gradualmente el alcance de las aplicaciones.

Para gobierno y empresas estatales: seguridad; para empresas privadas: recupero en 12 a 18 meses

La lógica de pago de los clientes empresariales también se está dividiendo.

El gobierno y las empresas estatales valoran más la seguridad de datos, auditorías de cumplimiento, despliegue local y estabilidad de suministro a largo plazo. Estos requisitos ampliarán las oportunidades para el software y hardware nacionales, pero también significan que los proyectos deben pasar por ciclos más largos de compras, pruebas y aceptación.

Las empresas privadas, en cambio, calculan de forma más directa el retorno de la inversión. El foro de expertos indica que muchos clientes privados esperan ver un ROI claro en 12 a 18 meses, incluyendo reducir personal de atención al cliente, aumentar la conversión de ventas, acortar el ciclo de I+D o bajar costos operativos.

Escenarios como servicios financieros, productividad de oficina y codificación son más fáciles de comercializar primero, porque los datos son densos, los costos laborales son más altos y los resultados también son más fáciles de cuantificar. En manufactura, medicina y derecho también hay demanda, pero aún se debe gestionar la reforma de procesos, la precisión, el cumplimiento y los límites de responsabilidad; pasar de pilotos a despliegues a escala normalmente requiere más tiempo.

Esto también significa que las posiciones en el ranking de modelos difícilmente se traducen directamente en ingresos empresariales. Lo que el cliente finalmente está dispuesto a pagar depende de si el modelo puede conectarse de forma estable a negocios reales y materializar beneficios calculables dentro de un tiempo limitado.

La guerra de precios de grandes modelos en China no ha terminado, pero la forma de competir ya está cambiando. Los modelos base seguirán bajando precios; los modelos avanzados, el despliegue privatizado y los servicios por industria tendrán que asumir presión sobre las ganancias. Los aceleradores nacionales están ganando más oportunidades en el mercado de inferencia, y DeepSeek también ha elevado el estándar de eficiencia de costos para toda la industria.

Lo realmente difícil de replicar no son los pesos de código abierto, sino la ingeniería del sistema escondida detrás del modelo. Quien pueda conectar chips, eficiencia de inferencia y capacidad de entrega empresarial, y ayudar al cliente a ver el retorno dentro de 12 a 18 meses, será quien más probablemente convierta el tráfico de bajo precio en ingresos a largo plazo.

Haz clic para conocer las vacantes de律动BlockBeats

Bienvenido a unirte a la comunidad oficial de律动 BlockBeats:

Grupo de suscripción de Telegram: https://t.me/theblockbeats

Grupo de Telegram: https://t.me/BlockBeats_App

Cuenta oficial de Twitter: https://twitter.com/BlockBeatsAsia