Estrategia de IA de Google: por qué la distribución y la economía de inferencia importan más que la competencia entre modelos

En torno al negocio de IA de Google aparece con frecuencia la explicación de que «OpenAI y Anthropic incurren en costes cada vez que responden, mientras que Google gana dinero con publicidad cada vez que responde». Esta expresión ilustra bien que las tres empresas parten de posiciones diferentes, pero no debe tomarse como un hecho contable.

Las tres empresas asumen costes computacionales al ejecutar sus modelos y las tres obtienen ingresos mediante API, suscripciones, contratos empresariales y otras vías. La verdadera diferencia de Google no reside en la existencia o ausencia de costes, sino en su capacidad para conectar su red de distribución de productos existente, su negocio publicitario, Google Cloud y sus TPU propias dentro de una única estructura económica.

Hechos e interpretaciones que deben corregirse primero

Las afirmaciones proporcionadas mezclan modelos de distintos momentos, clasificaciones dinámicas e información no verificada sobre personal. Utilizarlas tal cual llevaría a interpretar la estrategia de Google de una forma más simplista de lo que realmente es.

Por tanto, Google ha dejado de realizar un gasto excesivo para forzar el primer puesto en rendimiento y está centrándose en qué modelo asignar a cada tarea para elevar la rentabilidad del conjunto de sus servicios.

Por qué importa el rendimiento de la IA para programación y cuáles son sus límites

La programación es un ámbito adecuado para evaluar la utilidad práctica de los modelos de IA. Esto se debe a que las tareas de software requieren interpretar requisitos, generar código, ejecutar pruebas, corregir errores, invocar herramientas y gestionar contextos largos. Estas capacidades también pueden transferirse parcialmente a tareas de agentes de IA, como manejar navegadores o procesar documentos.

Sin embargo, no se sostiene la afirmación de que «el modelo que mejor programa es también el mejor en todas las tareas». Los benchmarks de programación pueden no reflejar suficientemente los siguientes factores:

• Los complejos permisos y dependencias de los repositorios empresariales reales
• Las vulnerabilidades de seguridad y los problemas de licencias
• Los errores acumulativos que surgen en tareas prolongadas
• La conexión con datos no relacionados con la programación, como correos electrónicos, documentos, búsquedas y vídeos
• La latencia de respuesta, la disponibilidad y la cobertura regional
• El precio de los tokens de entrada y salida y los descuentos por caché
• Las funciones de administración, los registros de auditoría y las políticas de conservación de datos

Al evaluar el mercado de herramientas para desarrolladores, además de las puntuaciones de los benchmarks, deben considerarse conjuntamente la tasa real de finalización de tareas, el tiempo que dedican los desarrolladores a corregir resultados, la tasa de fallos, los costes y el volumen de los contratos empresariales.

Comparación de la estructura de ingresos de Google y las empresas dedicadas a la IA

Google, OpenAI y Anthropic gastan dinero en la inferencia de modelos. La diferencia reside en el número de vías disponibles para recuperar esos costes y en su impacto sobre los negocios existentes.

OpenAI y Anthropic tampoco se limitan a generar costes cada vez que producen una respuesta. Las API suelen facturarse en función del uso, y las suscripciones de pago y los contratos empresariales también generan ingresos. A la inversa, Google también asume el coste de inferencia cuando ofrece respuestas de IA a usuarios gratuitos.

En definitiva, la diferencia no es «coste frente a ingresos», sino con qué servicios y fuentes de ingresos puede conectarse a un usuario una vez captado.

El principal activo de Google no son solo sus modelos

Red de distribución de productos

Google no necesita distribuir las funciones de Gemini únicamente a través de una aplicación de chatbot independiente. Puede incorporarlas en puntos de contacto que ya cuentan con usuarios, como Search, Gmail, Docs, Android, Chrome y Google Cloud. Esto reduce los costes de adquisición de clientes necesarios para que instalen una aplicación nueva y adopten nuevos hábitos.

Sin embargo, la inclusión predeterminada no implica necesariamente un uso continuado. Si los usuarios no confían en los resultados o consideran que la función es más lenta que sus flujos de trabajo anteriores, pueden desactivarla o utilizarla en paralelo con servicios de la competencia.

Infraestructura propia de IA

Google diseña directamente sus TPU y opera conjuntamente centros de datos, redes, modelos y servicios en la nube. Esta integración vertical ofrece la ventaja de poder optimizar de forma conjunta el hardware y el software para tareas específicas.

Especialmente en los servicios a gran escala, reducir la cantidad de cálculo por respuesta, la latencia y el consumo de energía puede tener un impacto mayor sobre el coste total que una pequeña mejora del rendimiento del modelo. Sin embargo, no puede concluirse que los chips propios sean siempre la opción más barata sin considerar conjuntamente su tasa real de utilización, los costes de desarrollo, la depreciación y el precio de las GPU externas.

Cartera de modelos y enrutamiento

No resulta económico utilizar el modelo más grande para todas las preguntas. Es más eficiente que un modelo pequeño se ocupe de clasificaciones o resúmenes sencillos y que solo el razonamiento complejo o la programación se envíen a modelos más grandes.

La calidad de esta estrategia depende de tres factores:

1. Si clasifica con precisión la dificultad de las solicitudes
2. Si define de forma segura los límites de las tareas que puede procesar un modelo pequeño
3. Si, cuando se produce un fallo, transfiere rápidamente la tarea a un modelo más potente o a una persona

Por tanto, colocar modelos pequeños y rápidos en primera línea puede considerarse una estrategia de cartera para gestionar tráfico a gran escala, más que una prueba de que se haya abandonado el desarrollo de modelos de máximo nivel.

Cómo se conectan la búsqueda con IA y la publicidad

Google puede integrar publicidad en resultados de búsqueda generativos como AI Overviews. Esto se debe a que, si se detecta una intención comercial en la consulta del usuario y existen anuncios adecuados, puede utilizarse el sistema publicitario de búsqueda existente.

Sin embargo, no puede afirmarse que «cuanto más larga sea la respuesta, más espacios publicitarios habrá y mayores serán los ingresos», por los siguientes motivos:

• La publicidad depende de la intención de búsqueda, la demanda de los anunciantes, la subasta y las políticas de exposición, no de la longitud de la respuesta.
• Un exceso de publicidad puede perjudicar la experiencia de búsqueda y la confianza.
• Si la IA resuelve una pregunta de una sola vez, pueden disminuir las búsquedas posteriores y los clics del usuario en sitios web.
• Las consultas informativas pueden tener poca intención comercial y, por tanto, un bajo valor publicitario.
• Incluso si se generan ingresos publicitarios, deben descontarse los costes adicionales de inferencia y de adquisición de tráfico.

Alphabet publica sus ingresos publicitarios totales y sus ingresos de Cloud, pero no desglosa de forma detallada los ingresos, los costes de inferencia y el beneficio operativo correspondientes exclusivamente a AI Overviews. Por tanto, desde fuera no es posible determinar el «beneficio neto por cada respuesta de IA».

Una perspectiva fácil de pasar por alto: no los ingresos por respuesta, sino el margen de contribución

Al evaluar la estrategia de IA de Google, la unidad más útil no es el número de respuestas ni el número de tokens en sí, sino el margen de contribución de cada interacción con la IA.

Conceptualmente, el margen de contribución puede expresarse de la siguiente manera:

Margen de contribución de una interacción con la IA = ingresos adicionales por publicidad, suscripciones y nube − costes de inferencia − costes de búsqueda e invocación de herramientas − costes de procesamiento de seguridad − costes de adquisición de tráfico

Aquí deben reflejarse no solo los ingresos directos, sino también la canibalización de los negocios existentes. Si una respuesta de IA genera nuevas búsquedas, el efecto es positivo; pero si sustituye clics publicitarios que se habrían producido de todos modos, el efecto neto puede ser reducido.

Además, alargar las respuestas de los modelos no constituye una estrategia de ingresos. Las respuestas largas aumentan el coste de los tokens de salida y la latencia. Puede resultar económicamente más ventajoso resolver con precisión el problema del usuario utilizando menos capacidad de cálculo y ofrecer conexiones comerciales solo cuando sean necesarias.

Indicadores clave para evaluar la estrategia de Google

Para seguir el éxito o fracaso de la estrategia mediante información pública y cambios en los productos, deben distinguirse los siguientes indicadores.

Condiciones que separan el optimismo del pesimismo

Condiciones para que la estrategia tenga éxito

• Gemini mantiene una calidad suficientemente similar a la de los modelos competidores en el trabajo real.
• La integración entre los productos de Google reduce el tiempo real de trabajo de los usuarios.
• Los modelos pequeños y las TPU propias reducen el coste por respuesta.
• La búsqueda con IA genera nuevas consultas comerciales sin perjudicar los ingresos publicitarios existentes.
• Las funciones de IA de Cloud y Workspace se convierten en contratos de pago.

Condiciones que pueden hacer fracasar la estrategia

• La brecha de calidad en programación y tareas de agentes aumenta, y los desarrolladores y las empresas eligen otros modelos como opción predeterminada.
• Las respuestas de IA reducen los ingresos de búsqueda existentes sin generar suficientes ingresos nuevos.
• La integración de productos provoca problemas de privacidad, gestión de permisos y confianza.
• El coste de corregir los errores de los modelos baratos supera el ahorro en costes de inferencia.
• El debilitamiento del talento investigador y del ecosistema de desarrolladores reduce la competitividad de los modelos a largo plazo.

Conclusión

Google ha dejado de realizar un gasto excesivo para forzar el primer puesto en modelos de máximo rendimiento y ha virado hacia la relación calidad-precio. Una interpretación más convincente es que Google está optimizando simultáneamente la competencia en rendimiento de modelos y el despliegue a gran escala, el enrutamiento de modelos, la infraestructura propia y la monetización mediante publicidad, suscripciones y nube.

Asimismo, el planteamiento según el cual «OpenAI y Anthropic pierden dinero cuanto más responden, mientras que Google gana dinero cuanto más responde» es excesivamente simplista. Todos los operadores asumen costes de inferencia, y es probable que el verdadero ganador no sea la empresa que produzca las respuestas más largas, sino la que resuelva de forma fiable las tareas de los usuarios mientras mantiene el margen de contribución por respuesta y la confianza a largo plazo.