Hace un par de años, cometer la herejía de no usar ChatGPT Plus era socialmente inaceptable en mi círculo técnico. Era la herramienta; punto. Si tenías un problema de código, una duda de arquitectura o simplemente querías reescribir un email, allí estaba el botoncito verde. Y yo, como buen sysadmin conservador pero curioso, pagaba mi suscripción mensual con la resignación con la que se paga el recibo del seguro del coche: no me gusta, pero ¿qué alternativa tengo?
El problema llegó cuando empecé a notar que la herramienta no era un destino, sino una estación de paso. Y que el viaje, lejos de terminar, apenas había empezado.
El problema: el vendor lock-in emocional
La dependencia de una sola empresa de IA no es técnica, al menos al principio; es psicológica. Te acostumbras a una interfaz, a un tono de respuesta, a una forma de estructurar los argumentos. Empezamos a confundir familiaridad con superioridad. Y cuando una alternativa emerge, la descartas antes de probarla porque «ya tengo mi flujo». Eso es exactamente lo que las grandes compañías de Silicon Valley quieren que sientas: que tu suscripción es una relación, no un contrato de servicios.
En mi caso, el desencadenante fue el coste acumulado y una sensación creciente de estancamiento. ChatGPT me servía, pero me servía como me sirve un coche de alquiler: me lleva de A a B, pero no es mi coche, no puedo tocar el motor, y el precio sube cuando a ellos les da la gana. Así que empecé a moverme.
Mi odisea personal: seis paradas y una conclusión
Mi itinerario ha sido, cuanto menos, iterativo. Empecé con la suscripción de ChatGPT, esa que pagas por comodidad y acabas usando para todo, desde reescribir una nota hasta diseñar una arquitectura de red.
Pronto sentí que necesitaba más control, más contexto de código, menos «lo siento, no puedo ayudarte con eso». Me pasé a Codex, primero en su versión integrada en GitHub, luego vía API. La promesa era grandiosa: un programador infinito que entendía mi repositorio. La realidad, un poco menos glamurosa pero útil.
Sin embargo, Codex no satisfacía esa necesidad de razonamiento profundo que busco cuando debuggeo un fallo intermitente en un cluster Proxmox o cuando analizo logs de ciento cincuenta sitios WordPress a las tres de la mañana.
Necesitaba que la máquina no solo completara, sino que razonara. Que siguiera el hilo de una hipótesis durante varios pasos. Así que salté a Claude, primero por suscripción, luego vía API. Y aquí encontré algo genuinamente bueno: un modelo que, en ciertos contextos, parecía pensar antes de hablar. La API me dio la flexibilidad de integrarlo en mis flujos, de conectarlo con mis propias herramientas.
Pero la factura de la API de Claude, en un entorno donde gestiono multitud de sitios y servidores, y necesito automatizar a escala, empezó a hacerse incómoda. No exorbitante, pero incómoda. Y ahí es donde entra el giro final: he acabado usando OpenCode con GLM-5.2. Un modelo chino, accesible, que razona de manera sorprendente y cuyo coste por token me permite experimentar sin sentir que estoy quemando billetes cada vez que le pido que analice un log de diez mil líneas.
¿He encontrado el modelo definitivo? No. He encontrado el modelo de hoy. Y esa distinción es crucial.
La burbuja de la IA
Hay que hablar del elefante en la habitación, o mejor dicho, del unicornio en la sala de juntas.
La industria de la IA generativa vive, en 2026, una paradoja económica brutal. Por un lado, los costes de entrenamiento de los grandes modelos cerrados (GPT, Claude, Gemini) han escalado a cifras que rondan los cientos de millones, si no miles, por cada iteración. Por otro, la capacidad de monetización de esos modelos no está creciendo al mismo ritmo. Las suscripciones de veinte dólares al mes no cubren la factura eléctrica de un data center entero, y las APIs, por muy caras que nos parezcan a los usuarios, siguen siendo un negocio de márgenes dudosos para las propias compañías.
Esto ha generado una dinámica de burbuja específica: la inflación de la promesa. Cada nuevo modelo se presenta como un cambio de paradigma, pero la realidad del día a día para un administrador de sistemas, un desarrollador o un gestor de infraestructura es que el salto cualitativo entre generaciones está disminuyendo.
El GPT-4 de 2023 me sorprendió y me daba «miedo». El GPT-5 de 2025 me interesó y «flipaba». El siguiente incremento ya no me ha hecho replantearme mi arquitectura. Y cuando la mejora marginal tiende a cero pero el precio sigue subiendo, estamos ante un mercado que depende más del marketing que de la utilidad real.
La consecuencia práctica es que apostar todo tu flujo de trabajo a un único proveedor de modelos premium es, hoy por hoy, un riesgo financiero y operativo. Si mañana ese proveedor decide subir un 40 % los precios de la API (algo que ya hemos visto en otros sectores cloud) tu productividad no depende de ti, depende de su hoja de resultados trimestral. Y eso, para quien gestiona infraestructura propia y valora la soberanía técnica, es inaceptable.
Modelos abiertos vs. cerrados: la soberanía digital
Este es, probablemente, el eje moral del debate. Los modelos cerrados son cómodos, pulidos, bien documentados. Pero son cajas negras. No sabes con certeza qué datos han usado para entrenarlos, no puedes auditar sesgos con rigor, y lo más importante: no puedes ejecutarlos en tu propio hardware. Si gestiono un cluster Proxmox en un datacenter de Barcelona, ¿por qué voy a depender de una API en San Francisco para procesar logs que ni siquiera salen de mi red?
Los modelos abiertos (Llama, Mistral, Qwen, DeepSeek en sus variantes open-weight, y un largo etcétera) han cambiado la partida. Con herramientas como Ollama, se pueden ejecutar modelos de treinta o setenta mil millones de parámetros en mi propia máquina local. Sí, no alcanzan el nivel del modelo más puntero cerrado en tareas extremas, pero para el 90 % del trabajo real (analizar configs, generar scripts de mantenimiento, revisar plugins de WordPress, interpretar alertas de Netdata) son más que suficientes. Y lo hacen sin que mis datos pisen un servidor ajeno, sin que una política de privacidad cambiante en California decida si mi prompt es ético o no, y cumpliendo con el espíritu del GDPR y del AI Act europeo sobre transparencia y control de datos.
En mi caso, la transición hacia OpenCode y el ecosistema abierto no fue solo económica; fue una declaración de intenciones. Prefiero un modelo que sea un 8% menos brillante en una tarea sintética de benchmark si eso significa que puedo correrlo en mi rack, y no depender de una llave API que puede ser revocada por error de facturación un viernes por la tarde.
China vs. Estados Unidos: geopolítica del token barato
Cuando empecé a probar GLM-5.2, la reacción de algunos colegas fue de sorpresa, casi de recelo. «¿Un modelo chino?» Sí. Y no solo no ha explotado mi servidor, sino que ha entrado en mi flujo de trabajo con una naturalidad que me obliga a reflexionar sobre la narrativa dominante.
Durante años, el discurso oficial (y el de la mayoría de la prensa tecnológica occidental) ha sido que la IA es una carrera entre Estados Unidos y, en segunda fila, Europa. China aparecía como un actor secundario, descalificado por cuestiones de censura o calidad. Pero los hechos son tozudos.
DeepSeek sacudió el mercado a principios de 2025 demostrando que se podían entrenar modelos de élite con una fracción del presupuesto estadounidense. Zhipu AI, con su familia GLM, ha demostrado que el razonamiento matemático y lógico no es patrimonio exclusivo de OpenAI o Anthropic. Y Qwen, de Alibaba, se ha convertido en una referencia dentro del ecosistema de modelos abiertos.
La realidad es que los laboratorios chinos han tenido que ser eficientes por necesidad. Sin acceso ilimitado a los últimos chips de NVIDIA (gracias a los controles de exportación estadounidenses) han optimizado arquitecturas, han perfeccionado técnicas de entrenamiento y, lo más importante para mí como usuario, han ofrecido precios de API que hacen que los costes occidentales parezcan de otro siglo. Es una competencia por el margen, y el beneficiario final soy yo, que puedo integrar un razonador de calidad en mis scripts de mantenimiento sin temblar al mirar la factura.
Desde una perspectiva europea, esto es especialmente relevante. El AI Act busca establecer un marco ético y de transparencia para la inteligencia artificial en nuestro territorio. Pero si nuestro mercado queda reducido a importar modelos estadounidenses cerrados bajo licencias restrictivas, nuestra autonomía digital será una farsa. Los modelos abiertos, incluidos los de origen chino cuando cumplen con los estándares de auditoría, ofrecen una diversificación geopolítica que considero saludable. No se trata de «elegir bando» en una guerra tecnológica, se trata de no poner todos los huevos en una única cesta que está en Silicon Valley y que responde a intereses ajenos a los de una pyme o un autónomo en Barcelona.
La herramienta es intercambiable, el criterio no
Después de este periplo (ChatGPT, Codex, Claude, la API de Claude, y ahora GLM-5.2 bajo OpenCode) la lección no es que haya un ganador absoluto. La lección es que el modelo es una commodity, y cada vez más. El valor no está en quién genera el token, sino en quién diseña el prompt, quién estructura el flujo de trabajo, quién sabe qué preguntar y cómo validar la respuesta.
Cuando gestionas cientos de sitios WordPress, no necesitas un oráculo que te diga la verdad absoluta. Necesito un colaborador rápido, barato y razonablemente inteligente que me ayude a filtrar ruido, a generar plantillas de monitorización con OpenTelemetry, a revisar configuraciones de Angie o a interpretar picos anómalos en Netdata. Ese colaborador puede ser Claude hoy, GLM mañana, y Qwen pasado. Lo que no puede cambiar es mi criterio sobre qué es una buena configuración de PHP 8.4, qué es una respuesta sensata a una alerta de seguridad, o cómo debe estructurarse un plugin de WordPress para no convertirse en deuda técnica.
No atarse a un modelo significa, al final, no externalizar tu juicio. Significa mantener la agencia técnica. Significa que si mañana OpenCode desaparece, o GLM sube sus precios, o el modelo de turno empieza a alucinar con mis configs de Proxmox, puedo cambiar de caballo en diez minutos porque mi infraestructura, mis procesos y mi criterio son míos.
Mantente ligero
Mi consejo, tras años de saltar de suscripción en suscripción y de aprender a leer entre líneas de benchmarks inflados, es simple: nunca dejes que una herramienta de IA se convierta en un punto único de fallo de tu productividad. Prueba modelos nuevos cada mes. Corre Llama en tu Ollama local. Date de alta en la API de DeepSeek durante una tarde y mide resultados. Usa Claude para la redacción y GLM para el código. Fragmenta. Experimenta.
La burbuja de la IA, si estalla, no afectará por igual a quien tiene tres modelos locales en su rack y una API de respaldo en Asia, que a quien ha construido todo su flujo de trabajo sobre una única suscripción de veinte dólares al mes que mañana puede costar cincuenta, o desaparecer.
Sé camaleón. Cambia de piel cuando el entorno lo pida. Pero que el traje, por muy elegante que sea, nunca te apriete demasiado.
Deja una respuesta