Los modelos de pesos abiertos cruzaron la frontera agéntica: DeepSeek V4, GLM 5.2 y la construcción flexible en modelos

La línea de costo que cambió la ecuación de construcción

El 23 de mayo de 2026, Reuters reportó que DeepSeek hizo permanente su recorte temporal de precio del 75% en V4 Pro. El nuevo precio es $0.435 por millón de tokens de entrada y $0.87 por millón de tokens de salida. La variante más ligera V4 Flash es $0.14 y $0.28. Compárese con GPT-5.4 a $2.50 y $15, o Claude Opus 4.7 a $5 y $25, y la brecha no es incremental. Para un agente de codificación multi-turno intensivo en salida que consume 120,000 tokens de entrada y 80,000 tokens de salida por sesión, el costo se sitúa en aproximadamente $0.04 en Flash, $0.49 en V4 Pro, $1.50 en GPT-5.4 y $2.60 en Claude Opus 4.7. Eso es una ventaja de costo de 37 a 65 veces para la ruta de pesos abiertos en el tipo de carga de trabajo — bucles de herramientas agénticos — donde el volumen de tokens se compone.

Esto no es un descuento promocional que expira. Es un nivel de precio permanente, y llegó junto con un hito de capacidad: los modelos de pesos abiertos ahora están en o cerca de la frontera en los benchmarks que importan para el trabajo agéntico. DeepSeek V4 Flash puntúa 79.0% en SWE-bench. GLM 5.2 ocupa la máxima posición de pesos abiertos en el AA Intelligence Index con 51 y un puntaje GDPval-AA de 1524 Elo. MiniMax M3 ofrece multimodal nativo con contexto de 1M de tokens. El rezago de tres a seis meses entre modelos cerrados y abiertos que definió 2024 y principios de 2025 se ha comprimido a semanas, y en costo se ha invertido.

La implicación para un Head of Engineering o VP of Operations que construye un agente de producción es directa: la capa de modelos ya no es la restricción. La restricción es la capa de integración — los módulos MCP, los controles de gobernanza, los pipelines de datos, la pista de auditoría. Y la decisión de arquitectura que determina si puedes capturar la ventaja de costo es si tu plataforma de agentes trata la selección de modelos como un despliegue de código o una operación de datos.

Qué significa "cruzó la frontera" en la práctica

La frontera no es un único benchmark. Es un portafolio de capacidades que los agentes de producción requieren: razonamiento de contexto largo, llamada a herramientas, salida estructurada, generación de código y seguimiento de instrucciones a lo largo de horizontes extensos. Hace dos años, los modelos de pesos abiertos eran competitivos en una o dos de estas y rezagados en el resto. La generación actual es competitiva en todo el conjunto.

DeepSeek V4 Pro es un modelo mixture-of-experts de 1.6-trillones de parámetros con 49 billones de parámetros activos, licencia MIT, 1 millón de tokens de contexto y 384K de salida máxima. Soporta modo de pensamiento y llamadas a herramientas, y expone tanto la API de OpenAI ChatCompletions como la API de Anthropic — lo que significa que un agente construido contra cualquiera de las dos interfaces puede cambiarse a él sin reescribir el cliente. V4 Flash es la variante destilada: más barata, más rápida y aún en 79% en SWE-bench. El análisis de OpenRouter confirma el patrón en todo el panorama de pesos abiertos: la brecha que solía ser estructural ahora es situacional, lo que significa que depende de la carga de trabajo específica más que de la categoría del modelo.

GLM 5.2, de Z.AI, está construido para tareas de horizonte largo y lidera el campo de pesos abiertos en el AA Intelligence Index. Soporta un modo de razonamiento configurable a través del passthrough extra_body en clientes compatibles con OpenAI, y está disponible a través de AWS Bedrock Mantle así como directamente en los endpoints de Z.AI. MiniMax M3 añade multimodal nativo y contexto de 1M. China superó a los Estados Unidos en descargas de Hugging Face con 41% de pluralidad — el ecosistema de pesos abiertos ya no es un ejercicio de alcance. Es una cadena de suministro paralela con su propio precio, su propia ruta de hardware y su propia economía de despliegue.

La salvedad honesta: pesos abiertos no significa uniformemente más barato. DeepSeek aplica precios de hora pico al doble de la tarifa base durante el horario comercial de Pekín (9:00 a 12:00 y 14:00 a 18:00). Para un despliegue que ejecuta bucles de agentes siempre activos durante esas horas, la ventaja de costo se estrecha. Para un despliegue que puede programar procesamiento por lotes o enrutar a un modelo de respaldo durante ventanas pico, la ventaja se mantiene. El punto es que el precio de pesos abiertos ahora es una variable que gestionas, no una penalización que absorbes.

La economía de despliegue: por qué los agentes siempre activos ahora son asequibles

El colapso de costo debajo del recorte de precio de pesos abiertos es estructural. La computación de inferencia ha caído aproximadamente 1,000 veces a lo largo de cuatro generaciones, impulsada por mejoras de hardware (2 a 3 veces por generación), optimización de software (2 a 3 veces), arquitecturas mixture-of-experts (3 a 5 veces) y cuantización (2 a 4 veces). El costo de un modelo equivalente a GPT-4 pasó de $20 por millón de tokens a $0.40. La inferencia ahora representa el 67% de toda la computación de IA, frente al 33% en 2023, y representa el 55% del gasto en nube de IA con $37.5 mil millones a principios de 2026.

Para un agente B2B que ejecuta procesamiento de RFQ, búsqueda de catálogo, generación de cotizaciones y entrega de pedidos, el costo de inferencia era históricamente la línea que hacía retroceder a los equipos de finanzas. Un agente que hace 200 llamadas a herramientas por flujo de cotización, cada una portando contexto, era caro con el precio de frontera cerrada. En V4 Flash a $0.14 por millón de tokens de entrada, el mismo flujo cuesta centavos, no dólares. La reseña de la API de DeepSeek V4 y el análisis de precios de DeepInfra confirman ambos la trayectoria: la economía de los agentes de producción siempre activos ha cruzado de "justificar el gasto" a "el gasto es insignificante comparado con el trabajo de integración".

Aquí es donde el artículo de modelos de pesos abiertos se encuentra con el artículo de economía de inferencia, y por qué los dos temas se entienden mejor como una sola decisión. El colapso de costo no es una razón para construir agentes. El colapso de costo es una razón para dejar de posponer la construcción por motivos de costo y empezar a hacer la pregunta más difícil: ¿puede tu arquitectura enrutar entre modelos sin un despliegue de código?

La construcción flexible en modelos: la selección de modelos como operación de datos

La pregunta arquitectónica que la frontera de pesos abiertos fuerza es si tu plataforma de agentes puede cambiar modelos sin un redeploy. La mayoría no puede. La mayoría de los frameworks de agentes codifican el nombre del modelo en un archivo de configuración o una variable de entorno, y cambiar de GPT-5.4 a DeepSeek V4 Pro significa cambiar la configuración, reconstruir el contenedor y rodar el despliegue. En un entorno B2B de producción donde el agente ejecuta flujos de cotización, eso es un proceso de gestión de cambios medido en días.

La alternativa flexible en modelos es tratar el modelo como un recurso registrado e intercambiable — de la misma forma que tratas un módulo MCP. En el ai_agent_core_engine de SilvaEngine, los modelos se registran en una tabla de DynamoDB (aace-llms) con llm_provider como hash key y llm_name como range key. Cada registro lleva un module_name, un class_name y un configuration_schema — el esquema JSON que define qué parámetros acepta el handler del modelo. Un agente referencia el LLM por proveedor y nombre, no por un string codificado. Cambiar el modelo es una operación de datos: actualiza la referencia LLM del agente, y la siguiente ejecución carga el nuevo handler y su esquema de configuración. Sin despliegue de código, sin reconstrucción de contenedor, sin ventana de rollback.

El esquema de configuración openai_completions_agent_handler es la prueba concreta de que esto no es teórico. El campo model del esquema acepta valores como gpt-4.1, gpt-4o, gpt-5 y Qwen/Qwen3-4B. El campo base_url soporta endpoints personalizados para servidores compatibles con OpenAI — http://127.0.0.1:30000/v1 para un modelo de pesos abiertos hospedado en SGLang. El campo openai_api_key acepta EMPTY para servidores vLLM o SGLang autohospedados que no requieren autenticación. El enum reasoning_effort enruta a zai.glm-5 a través de Bedrock Mantle. El passthrough extra_body maneja la configuración de pensamiento de GLM de Z.AI. Los flags enable_thinking y separate_reasoning cubren SGLang y Qwen3. El flag enable_think_tag_split maneja un bug del parser de vLLM para modelos GLM-5, DeepSeek y Qwen3 que emiten think tags crudos en lugar de poblar el canal de razonamiento.

Esto es lo que flexible en modelos significa en producción: el mismo handler, el mismo runtime de agente, la misma pista de auditoría y la misma superficie de módulo MCP — con el modelo subyacente intercambiado mediante un cambio de configuración. El comportamiento del agente, sus llamadas a herramientas, sus controles de gobernanza y su aislamiento de inquilino por partition-key no cambian. Solo cambia el endpoint de inferencia. Esa es la diferencia entre una arquitectura que puede capturar la ventaja de costo de 37 veces y una que no.

La oportunidad de enrutamiento: cuándo usar qué modelo

La flexibilidad de modelos no es una elección binaria entre pesos abiertos y frontera cerrada. El patrón de producción es el enrutamiento: usa el modelo más barato que cumpla con la barra de calidad para cada tarea, y escala al modelo caro solo cuando la tarea lo exige.

Un agente de cotización B2B tiene una superficie de enrutamiento natural. La búsqueda de catálogo y la consulta de disponibilidad son tareas de recuperación de baja complejidad donde V4 Flash a $0.14 por millón de tokens es más que suficiente. La generación de cotización con precios escalonados, FX y razonamiento de política de cancelación es una tarea de complejidad media donde V4 Pro a $0.435/$0.87 es el punto óptimo. La negociación multiparte compleja o la interpretación de políticas de casos extremos — el 5% de las consultas que impulsan el 80% del costo en un modelo de frontera cerrada — puede escalar a GPT-5.4 o Claude Opus 4.7. La decisión de enrutamiento se hace por llamada a herramienta, no por agente, y se registra en la misma pista de auditoría que cualquier otra ejecución de herramienta.

El reporte de Adopción de IA Empresarial 2026 de Lucidworks encontró que solo el 2% de las empresas ha desplegado más de un agente y que la mayoría de las organizaciones se ciñen a un único modelo a pesar del discurso sobre diversidad de modelos — aproximadamente 50% únicamente comercial, 30% una mezcla y 20% completamente open source. El default de modelo único es el default caro. Las empresas que se adelantarán son las que enrutan, y el enrutamiento requiere una arquitectura donde el modelo es un recurso registrado, no una dependencia codificada.

El criterio de compra

Si tu vendor o plataforma de agentes no puede responder estas tres preguntas, la ventaja de costo de pesos abiertos no está disponible para ti:

1. ¿Puedo cambiar el modelo sin un despliegue de código? Si la respuesta involucra editar un archivo de configuración, reconstruir un contenedor o abrir un pull request, el modelo está codificado. El costo de cambiar modelos es un costo de ingeniería que excederá los ahorros de tokens.

2. ¿Tu runtime de agente soporta endpoints compatibles con OpenAI para modelos de pesos abiertos autohospedados? Si la respuesta es "solo soportamos nuestro endpoint de modelo gestionado", estás atado al precio de ese vendor. La superficie de API compatible con OpenAI es el estándar que hace de V4 Pro, GLM 5.2 y cualquier modelo hospedado en SGLang o vLLM un reemplazo directo.

3. ¿Puedes enrutar por llamada a herramienta, no por agente? Si la respuesta es "el agente usa un modelo para todo", estás pagando precios de frontera por tareas de recuperación que un modelo de tier Flash maneja a una décima parte del costo. El enrutamiento es donde la economía de despliegue se compone.

La arquitectura flexible en modelos responde cada pregunta con un mecanismo concreto: el registro LlmModel, el handler compatible con OpenAI con parámetros base_url y model, y la superficie de enrutamiento por llamada que registra cada decisión en la pista de auditoría. Esa es la diferencia entre leer la matemática de costo y poder actuar sobre ella.

Un distribuidor que opera NetSuite, BigCommerce y tres catálogos de proveedores despliega un agente de cotización que enruta por complejidad de tarea: búsqueda de catálogo en DeepSeek V4 Flash a $0.14 por millón de tokens de entrada, generación de cotización con precios escalonados y FX en V4 Pro a $0.435/$0.87, e interpretación de políticas de casos extremos escalada a GPT-5.4 solo cuando no se cumple el umbral de confianza. Los módulos MCP del agente, los controles de gobernanza y la pista de auditoría no cambian — solo el endpoint de inferencia se desplaza por llamada a herramienta. El costo mensual de inferencia cae del rango de cuatro cifras a las tres cifras bajas, y las decisiones de enrutamiento son consultables en la misma pista de auditoría de DynamoDB que cualquier otra ejecución de herramienta. Esa construcción es la Fase 2-4 del método de cuatro pasos y suele estar activa en 5-8 semanas.

Solicita una construcción con alcance definido. Descubrimiento de una semana. Obtienes un inventario de sistemas, un mapa de flujos de trabajo y un alcance fijo — independientemente de si construyes con nosotros.