Hace unas semanas, después de una charla, un chico que acaba de montar su empresa me hizo la pregunta que me hacen siempre, con palabras distintas pero siempre la misma: «¿Cuál es el bueno?». Y luego la coletilla inevitable: «Porque si el gratis me contesta igual, ¿por qué voy a pagar por el caro?».
No le contesté con nombres de modelos. Le contesté con una pregunta sobre atletismo, y creo que ahí empezó a entenderlo.
El 26 de abril pasó algo que llevábamos décadas esperando
Ese domingo, en el maratón de Londres, Sabastian Sawe cruzó la meta en 1 hora, 59 minutos y 30 segundos. Primer maratón oficial de la historia por debajo de las dos horas en condiciones legales de competición. El anterior récord, el de Kelvin Kiptum en Chicago en 2023, estaba en 2:00:35. Sawe le quitó un minuto y cinco segundos de un tirón. Y sí, Eliud Kipchoge había bajado de dos horas en Viena en 2019, pero con liebres rotando, coche marcapasos y un circuito diseñado para eso: una hazaña enorme que la federación nunca pudo homologar como récord porque las condiciones no eran las de una carrera de verdad.
Retén esa distinción, porque va a volver: lo que consigues con ayuda externa y lo que consigues en las condiciones estándar no son la misma marca, aunque el cronómetro diga números parecidos.
Ese día, durante unas horas, Sawe fue la frontera. No «un corredor muy bueno». La frontera. El punto exacto donde la especie humana, con todo lo que sabe sobre entrenamiento, fisiología, nutrición, calzado y estrategia de carrera, se para y dice: hasta aquí hemos llegado, de momento.
Eso es un modelo frontera.
Qué es exactamente un modelo frontera (y qué no es)
La palabra «frontera» se ha convertido en argumento de marketing, y por eso conviene anclarla en algo que se pueda medir. Epoch AI, que lleva el registro más serio que existe de modelos de IA, usa una definición operativa y aburrida, que es justo lo que necesitamos: un modelo frontera es aquel que, en el momento de su lanzamiento, estaba entre los diez primeros del mundo en cómputo de entrenamiento. No en simpatía, no en titulares. En FLOPs consumidos para entrenarlo.
La Unión Europea hace algo parecido y todavía más literal. El artículo 51 del Reglamento de IA establece que un modelo de propósito general se presume que tiene «capacidades de alto impacto» —y por tanto riesgo sistémico, con todas las obligaciones que eso arrastra— cuando el cómputo acumulado de su entrenamiento supera los 10²⁵ FLOP. Un número. Frío. Discutible, seguramente insuficiente, pero un número. Cuando el legislador europeo tuvo que decidir qué era la frontera, no preguntó a los departamentos de comunicación: miró la factura energética.
Y esa factura es la clave de todo lo demás. Estar en la frontera cuesta lo que cuesta llevar a un atleta a bajar de dos horas: años de preparación, un equipo enorme detrás, infraestructura que casi nadie puede permitirse y una inversión que solo tiene sentido si tu objetivo es literalmente batir el récord del mundo. Hay muy pocos laboratorios en el planeta capaces de pagar eso, igual que hay muy pocos países capaces de sostener un programa de élite en fondo. Ya escribí sobre lo que ocurre cuando una región decide plantar su propio árbol en vez de comprar la fruta, y esta es exactamente la barrera de entrada de la que hablábamos.
Por qué existen los modelos «menores» (y por qué esa palabra está mal elegida)
Aquí viene la parte que casi nadie explica bien.
Cuando alguien oye «modelo pequeño», entiende «modelo peor», como si fuera una versión capada del bueno para gente que no puede pagar. Y es un malentendido comprensible, pero es un malentendido.
Sawe corre el maratón en menos de dos horas. Tú y yo no. Pero es que ni tú ni yo necesitamos correr un maratón para bajar a por el pan. Y no solo eso: si mañana necesitaras que alguien te ayudara a mover un armario, Sawe sería una elección malísima. Pesa cincuenta y pocos kilos y su cuerpo está optimizado hasta el último gramo para una cosa muy concreta que no tiene nada que ver con levantar peso. La élite no es «mejor en todo». Es extrema en algo.
Los modelos pequeños existen por tres razones muy prácticas, y ninguna es la caridad.
La primera es dónde tienen que correr. Un modelo que va a funcionar dentro de tu móvil, sin conexión, sin quemarte la batería y respondiendo en milisegundos, tiene un presupuesto de memoria y de energía que no negocia. Es el atleta que tiene que competir con lo que lleva puesto. Lo conté en Del Cray-1 al bolsillo: la historia de la informática es, entre otras cosas, la historia de cosas imposibles que acaban cabiendo en un bolsillo.
La segunda es económica, y es la que más gente ignora. Entrenar se paga una vez; servir se paga en cada petición. Un modelo frontera respondiendo a millones de consultas triviales es un desperdicio de una magnitud difícil de exagerar. Es contratar al campeón del mundo para que te haga los recados, y pagarle tarifa de campeón del mundo cada vez. Quien haya visto de cerca cómo se comporta el precio de la inteligencia sabe que esto no es un detalle contable: es el que decide qué productos existen y cuáles no.
La tercera es la más bonita, y es puro deporte de élite: los modelos pequeños heredan de los grandes. La técnica se llama destilación y la formalizaron Hinton y su equipo en un artículo de 2015 que hoy sostiene medio sector. Un modelo grande —el maestro— no solo dice cuál es la respuesta correcta: dice cuánta probabilidad le asigna a cada alternativa, dónde duda, qué caminos casi tomó. Ese «casi» contiene muchísima información, y un modelo pequeño entrenado a partir de esas dudas aprende bastante más de lo que aprendería estudiando solo las respuestas buenas. Es la diferencia entre leer el resultado de una carrera y tener al entrenador del campeón explicándote por qué aceleró en el kilómetro treinta y dos.
De esto hablé largo y tendido en Los alumnos que copian al maestro, y sigo pensando que es el mecanismo más subestimado de todo lo que está pasando. Porque significa que la frontera no es un muro: es una fuente. Todo lo que se descubre en la cima acaba goteando hacia abajo, igual que las zapatillas de placa de carbono que diseñaron para batir récords acabaron en los pies de cualquiera que se apunte a una carrera popular un domingo por la mañana.
Y por eso hoy los sistemas serios no eligen «un» modelo: componen equipos. Un modelo rápido y barato atiende lo que puede, y cuando la tarea le viene grande escala a uno mayor. Un modelo pequeño filtra y vigila la entrada y la salida del grande. Un modelo veloz redacta borradores que otro más capaz verifica en bloque. Nadie manda al maratoniano a hacer los cuatrocientos metros lisos. Si esta distinción entre piezas te suena confusa, la desglosé en LLM, automatización, asistente y agente.
Los benchmarks son el cronómetro. Y el cronómetro tiene sus problemas
Vale, pero si nadie puede abrir un modelo y mirar dentro, ¿cómo sabemos quién va delante?
Con pruebas estandarizadas. Se llaman benchmarks y son, literalmente, competiciones. Hay uno de preguntas de ciencia de nivel doctorado. Hay otro de matemáticas de olimpiada. Hay uno que mide si el modelo es capaz de resolver incidencias reales de repositorios de software. Hay otro de razonamiento abstracto sobre patrones que nunca ha visto. Todos funcionan igual: mismo circuito, mismas reglas, mismo cronómetro, y una tabla de tiempos al final.
Durante un tiempo funcionaron maravillosamente. Y ahora están rompiéndose por saturación, que es exactamente el problema que tiene el atletismo de élite: cuando todo el mundo llega arriba, el cronómetro deja de distinguir. En abril, al actualizar sus evaluaciones, Epoch AI constató que los modelos de cabeza se apelotonan por encima del 89 % en MMLU-Pro. Dos modelos separados por tres décimas no son dos modelos distintos: son ruido. Las pruebas de ciencia y de matemáticas de competición, que hace dos años eran la vara de medir, están prácticamente agotadas.
La respuesta del sector ha sido inventar carreras más duras. FrontierMath, de Epoch, incluye problemas inéditos escritos y revisados por matemáticos profesionales, y una colección aparte de problemas abiertos que nadie ha resuelto todavía. El «Humanity's Last Exam» reúne miles de preguntas de especialistas. ARC-AGI insiste en el razonamiento sobre patrones nuevos, donde memorizar no sirve de nada. Es el equivalente a alargar la distancia porque ya nadie falla en los cien metros.
Pero hay tres trampas en el cronómetro que conviene conocer antes de creerte una tabla.
La primera es la contaminación. Si un modelo ha visto las preguntas del examen durante su entrenamiento, la nota no mide comprensión: mide memoria. Y como los conjuntos de prueba acaban publicados en internet, esto pasa constantemente y es difícil de demostrar. En atletismo tenemos un nombre para el equivalente moral de esto, y también tenemos su cara incómoda: la plusmarquista mundial de maratón femenino fue suspendida por dopaje y su marca sigue figurando como récord. El sistema tarda en digerir sus propias sospechas. La IA, igual.
La segunda es la que te pedí que retuvieras al principio. Muchas puntuaciones espectaculares se consiguen «con herramientas»: dejando que el modelo ejecute código, busque en internet o dedique mucho más tiempo de cómputo a pensar. Son cifras reales y son útiles, pero no son comparables con las obtenidas en condiciones estándar. Es Kipchoge en Viena frente a Sawe en Londres. La proeza es auténtica; la homologación es otra cosa. Cuando veas un titular con un porcentaje, la pregunta correcta no es «¿cuánto?», sino «¿en qué condiciones?».
Y la tercera, la más humana: cuando una métrica se convierte en objetivo, deja de ser una buena métrica. Los laboratorios saben qué pruebas van a decidir los titulares, y entrenan mirándolas. No hace falta mala fe para que eso deforme el resultado; basta con incentivos. Aquí es donde la doctora Calvin tendría cosas que decir, y de hecho ya las dijo en su expediente sobre la IA que hizo trampa: un sistema optimizado para superar una evaluación superará la evaluación, y lo hará por el camino más corto, que casi nunca es el que tú tenías en la cabeza.
Es el mismo problema que tenemos con los exámenes de nuestros hijos, y sobre eso escribí cuando llegó la PAU. Medir es imprescindible. Confundir la medida con la cosa medida es el error de siempre.
Entonces, ¿la frontera importa o no?
Importa muchísimo, pero no por lo que la mayoría cree.
Los datos de Epoch de este año apuntan a que el ritmo de mejora en la frontera se ha acelerado: en torno a quince puntos y medio anuales en su índice de capacidades, frente a los ocho de antes de 2024. Es decir, la frontera no solo se mueve: se mueve más deprisa que antes. Y lo hace, en buena parte, por ingenio y no solo por fuerza bruta, que es justo lo que defendí en La escasez no frena la inteligencia.
Ahora bien: que la frontera avance no significa que tú tengas que vivir en ella.
Compara los dos récords con los que abrí este texto. El maratón acaba de bajar de dos horas después de una carrera de mejoras constante. Los cien metros lisos, en cambio, siguen en los 9,58 de Usain Bolt en Berlín, agosto de 2009. Diecisiete años. Mientras tanto, el número de atletas capaces de bajar de diez segundos no ha dejado de crecer. Una frontera se movió y la otra no, pero en las dos pruebas el nivel medio subió muchísimo. Eso es exactamente lo que está pasando con la IA: los titulares hablan del récord, y mientras tanto lo que de verdad cambia tu vida es que el modelo que corre en tu portátil hoy habría sido estado del arte hace dos años.
Así que la pregunta de aquel chico —«¿cuál es el bueno?»— es la pregunta equivocada. La buena es: ¿qué necesito hacer, con qué latencia, a qué coste, con qué garantías de privacidad y con cuánta tolerancia al error? Un modelo frontera es imprescindible cuando estás empujando el límite de algo: investigación difícil, razonamiento largo, problemas que no tienen un camino conocido. Y es una elección absurda para clasificar correos.
Nadie te va a dar esa respuesta en una tabla comparativa, porque la respuesta depende de ti. Y eso enlaza con lo único que llevo repitiendo desde que abrí este blog: la herramienta no determina el resultado. Puedes tener el mejor modelo del mundo y producir mediocridad a velocidad récord. Puedes tener uno modesto y hacer algo que nadie había hecho antes, porque tú sabías qué preguntar.
El cronómetro mide al atleta. No mide para qué corres.
La frontera se mueve sola. La dirección la pones tú.