Por qué Wall Street se muestra optimista con los chips de IA tras el lanzamiento de Kimi K3

TradingKey - Los grandes modelos de lenguaje de IA chinos se han convertido una vez más en el foco de atención del mercado global.

Recientemente, el desarrollador chino de IA Moonshot AI lanzó oficialmente Kimi K3, su modelo grande de última generación. Con su arquitectura de pesos abiertos, un rendimiento cercano al de los modelos líderes del mundo y costos de inferencia más competitivos, Kimi K3 desató rápidamente intensos debates en los círculos tecnológicos extranjeros y los mercados de capitales.

Tras el anuncio, al mercado le preocupó brevemente si la lógica de que los gigantes tecnológicos globales sigan invirtiendo cientos de miles de millones de dólares para construir infraestructura de IA se vería afectada a medida que surgen más modelos de IA de alto rendimiento y bajo costo, y el sector de chips de IA de Estados Unidos también experimentó una corrección notable.

Sin embargo, un número creciente de analistas cree que Kimi K3 no es necesariamente algo negativo para la industria de los chips de IA. Al contrario, la mejora en el rendimiento del modelo y los menores costos de uso podrían reducir la barrera para las aplicaciones de IA, lo que generaría más usuarios, mayores frecuencias de llamada y una demanda de inferencia a mayor escala. La "paradoja de Jevons" de la economía podría estar repitiéndose una vez más en la industria de la IA.

¿Por qué Kimi K3 atrae la atención del mercado global?

Kimi K3 es el modelo insignia lanzado por Moonshot AI en julio de 2026, orientado principalmente a escenarios de aplicación como la programación de ciclo largo, el trabajo de conocimiento complejo y los agentes de IA.

Según la información revelada por Moonshot AI, Kimi K3 adopta una arquitectura de mezcla de expertos (MoE), con un total de 2,8 billones de parámetros y una ventana de contexto de 1 millón de tokens, y admite de forma nativa la comprensión visual. De sus 896 módulos expertos, solo se activan 16 por cálculo para mejorar la capacidad del modelo y la eficiencia de inferencia. Cabe destacar que los 2,8 billones corresponden a la escala total de parámetros, lo que no significa que cada token generado invoque todos los parámetros.

Kimi K3 ha tenido un rendimiento sobresaliente en las evaluaciones de programación frontend, llegando a situarse cerca de la cima de la clasificación de Frontend Code Arena con una puntuación de 1.679. Sin embargo, este logro se limita a pruebas de programación específicas y no equivale a superar por completo a los modelos insignia de OpenAI y Anthropic en términos de capacidades generales.

El precio también es un factor clave detrás de la atención que despierta Kimi K3. Las tarifas oficiales de su API muestran un precio de 3 dólares por millón de tokens de entrada —que se reduce a 0,30 dólares cuando hay un acierto de caché (cache hit)— y de 15 dólares por millón de tokens de salida. Para los agentes de IA que necesitan recuperar repetidamente bases de código, documentos empresariales y contextos extensos, el mecanismo de almacenamiento en caché puede reducir significativamente los costos de entrada.

Sin embargo, un "menor precio unitario por token" no equivale a una disminución proporcional en el costo real de todas las tareas. La longitud de salida del modelo, el tiempo de inferencia, la tasa de aciertos de caché y la tasa de finalización de tareas influirán en el costo final.

Por lo tanto, el verdadero cambio que aporta Kimi K3 no consiste simplemente en desatar una guerra de precios, sino en impulsar una adopción más amplia de modelos avanzados con una mejor relación costo-rendimiento.

¿Por qué el Kimi K3 de bajo costo podría aumentar la demanda de chips?

Tras el lanzamiento de Kimi K3, a algunos inversores les preocupaba que la mejora en la eficiencia del modelo redujera el uso de GPUs. Sin embargo, a juzgar por las operaciones reales, una disminución en los costes unitarios de inferencia no equivale directamente a una caída en la demanda total de chips.

Kimi K3 adopta una arquitectura dispersa de Mezcla de Expertos (MoE), activando solo un subconjunto de módulos expertos durante cada inferencia, lo que ayuda a controlar la sobrecarga computacional por ejecución. Sin embargo, el modelo aún necesita almacenar y gestionar datos masivos de pesos, al tiempo que procesa contextos de hasta 1 millón de tokens. En despliegues a gran escala, estas tareas siguen dependiendo de GPUs, aceleradores de IA, memoria de alto ancho de banda, redes de alta velocidad y clústeres de servidores.

Más importante aún, a medida que disminuyen los costes de los modelos, el número de usuarios y la frecuencia de uso pueden crecer aún más rápido. Tras el lanzamiento de Kimi K3, el volumen de solicitudes de los usuarios se acercó rápidamente al límite de capacidad de los clústeres de computación existentes. Moonshot AI suspendió temporalmente algunas suscripciones de nuevos usuarios para priorizar los recursos de potencia de cálculo para los usuarios existentes. Esto indica que, a medida que los modelos se vuelven más baratos y fáciles de usar, la nueva demanda puede consumir rápidamente la potencia de cálculo ahorrada gracias a las mejoras de eficiencia.

Este es precisamente el núcleo de la 'Paradoja de Jevons': a medida que mejora la eficiencia en la utilización de un recurso, su coste unitario disminuye, pero como el ámbito de aplicación se amplía, su consumo total puede, de hecho, aumentar.

En la industria de la IA, las mejoras en la eficiencia de los modelos pueden reducir la barrera para que las empresas desplieguen servicios inteligentes de atención al cliente, asistentes de programación, agentes de oficina, análisis financieros y sistemas de asistencia médica. A medida que se ejecuten más aplicaciones de forma continua, el volumen diario de solicitudes de inferencia se disparará, lo que en última instancia impulsará un crecimiento continuo en la demanda de potencia de cálculo, memoria e infraestructura de centros de datos.

Los modelos de bajo coste no significan que la inversión en potencia de cómputo esté exenta de riesgos

Aunque la paradoja de Jevons ofrece una explicación optimista para la demanda de chips de IA, no es un resultado inevitable. A largo plazo, si el ritmo de las mejoras de eficiencia en los modelos supera el crecimiento de usuarios y aplicaciones, la disminución de la capacidad de cómputo requerida por tarea aún podría contraer una parte de la demanda de hardware.

En última instancia, la inversión en infraestructura de IA debe enfrentarse a la prueba de la rentabilidad comercial. Si las empresas destinan cantidades masivas de capital a la construcción de centros de datos pero no logran generar ingresos suficientes a través de suscripciones, publicidad, servicios en la nube o software empresarial, la tasa de crecimiento de los gastos de capital podría ralentizarse. El grado de beneficio de las distintas empresas de chips también diferirá, y no todas las acciones relacionadas con la IA crecerán al mismo ritmo.

Kimi K3 también podría intensificar la competencia de precios en el mercado de modelos. A medida que los modelos de código abierto o de pesos abiertos reducen cada vez más la brecha con las capacidades de los modelos de código cerrado, los márgenes de beneficio de las API de las empresas de IA podrían verse presionados. Para reducir costes, los desarrolladores de modelos darán mayor importancia a los chips personalizados, las tecnologías de cuantización, la optimización de inferencias y las estrategias de múltiples proveedores, lo que podría debilitar el poder de negociación de los fabricantes de GPU de propósito general en determinados mercados.

Por lo tanto, el impacto de los modelos de bajo coste en la industria de chips de IA no es un factor positivo unidireccional. Si bien, por un lado, expande el mercado de aplicaciones de IA, por el otro, obliga a las empresas de infraestructura a mejorar la eficiencia energética y a reducir los costes unitarios de computación.