OpenAI, Qwen y GigaChat: por qué a las empresas rusas les cuesta cada vez más elegir un modelo de IA

El mercado ruso de IA entra en una fase en la que elegir modelo deja de ser solo una cuestión de calidad de las respuestas. Para las empresas, ya es una combinación de tres factores: la disponibilidad de los servicios occidentales, los requisitos sobre los datos y el coste de la infraestructura local.

Cómo se estrecha la elección

El autor describe una situación en la que los modelos occidentales, como los de OpenAI y Anthropic, son cada vez menos accesibles para las empresas rusas, no solo desde el punto de vista técnico, sino también jurídico. Algunos proveedores ya aplican bloqueos por país e IP y, en los sectores regulados, ni siquiera el acceso formalmente admisible mediante proxy resuelve gran cosa. Si una petición a una API externa incluye el nombre, el teléfono o la voz de un cliente, se parece a una transferencia transfronteriza de datos personales y choca con los requisitos de la ley 152-FZ.

Por eso, los agentes de IA para soporte, ventas y centros de contacto entran en una zona de mayor riesgo: por el modelo no pasa texto abstracto, sino datos reales de usuarios.

En este contexto, crece dentro de Rusia la demanda de soluciones «soberanas», pero con esa palabra suelen designarse no modelos propios, sino versiones adaptadas de sistemas de código abierto extranjeros. Y ahí empieza el principal compromiso: cuanto mayor es la independencia formal, más pesada resulta la economía.

Tres escenarios viables

En el mercado se han consolidado, de hecho, tres enfoques. El primero es construir un modelo base desde cero, como hace Sber con la familia GigaChat. El segundo es tomar un modelo abierto potente, casi siempre de la familia Qwen, y reentrenarlo con un corpus en ruso y datos de dominio, como hacen Yandex, T-Bank y Avito. El tercero es seguir usando las API occidentales a través de una zona gris, si la empresa está dispuesta a asumir el riesgo jurídico.

• GigaChat: máximo control y localidad, pero entrenamiento e inferencia muy caros.
• Qwen tras el reentrenamiento: notablemente más barato y rápido de poner en marcha, pero la soberanía es relativa.
• OpenAI y Anthropic: gran calidad y economía clara, pero el acceso es cada vez menos estable.
• Esquemas híbridos: un compromiso para la mediana empresa, con inicio en la nube y migración posterior a un entorno propio.

El problema es que cada camino tiene un coste que no se puede ignorar. Entrenar desde cero exige decenas o incluso cientos de millones de dólares, un gran volumen de datos y GPU escasas de clase H100 o H200. Reentrenar Qwen parece más realista, pero la arquitectura base y los pesos siguen siendo chinos. Desde la lógica regulatoria estricta, eso ya no es independencia plena, sino un compromiso cuidadosamente localizado.

Dónde se pierde el dinero

El argumento más doloroso del artículo no es la calidad de los modelos, sino el precio de la inferencia. Según los cálculos del autor en su propia plataforma de agentes, un minuto de trabajo de un modelo comparable de OpenAI cuesta menos de 1 rublo, mientras que un minuto en GigaChat-Max cuesta unos 80 rublos. Para los agentes de voz y los centros de contacto, la diferencia no es de unos pocos puntos porcentuales, sino de casi dos órdenes de magnitud. Con esta estructura de costes se puede crear un buen producto desde el punto de vista técnico, pero no sostenerlo económicamente.

«Una solución totalmente rusa es una locura de cara»

La infraestructura supone otro golpe. El autor estima en unos 55 millones de rublos un servidor capaz de atender alrededor de mil sesiones simultáneas de agentes. Después aparece otra trampa: para que el token siga siendo relativamente barato, hay que mantener las GPU cargadas al 80-90 %. Con una demanda pequeña e irregular, eso es difícil. El equipo permanece ocioso, mientras que los gastos de electricidad, mantenimiento y amortización no desaparecen. Por eso la IA se amortiza sobre todo donde hay trabajo humano caro y carga constante: soporte, centros de contacto y funciones jurídicas.

Qué significa

Para los equipos de producto, la conclusión es bastante dura: apoyar toda la arquitectura en un solo proveedor ya es peligroso. Si una empresa trabaja con LLM en ruso, necesita un esquema agnóstico respecto al modelo, con cambio rápido entre OpenAI, GigaChat, soluciones tipo Qwen y un entorno local. De lo contrario, cualquier nueva oleada de bloqueos, cambios de precio o requisitos sobre los datos convierte rápidamente una decisión técnica en un problema de negocio.