latent
Cada año en IA se siente como una década, pero 2025 tuvo un aroma diferente. La conversación finalmente dejó de ser "mira lo que puede hacer" y se convirtió en "cómo ponemos esto en producción sin que colapse". Ese cambio, más que el lanzamiento de cualquier modelo individual, es por lo que recordaré este año.
Así fue, a grandes rasgos, cómo se desarrolló.
Enero-Febrero: o1 se lanza, luego llega DeepSeek
OpenAI comenzó el año llevando o1 a disponibilidad general. Después de meses en preview, el modelo completo apareció con un razonamiento extendido y superó a GPT-4 en matemáticas, programación y cualquier cosa que requiriera lógica de múltiples pasos. La idea detrás de esto no es complicada: permitir que el modelo consuma más compute en el momento de la inferencia (inference time) para obtener mejores respuestas. No un poco mejores, sino mucho mejores.
Luego, DeepSeek lanzó R1. Un laboratorio chino, trabajando bajo las restricciones de exportación de chips de EE. UU., publicó un modelo de razonamiento que igualó a o1 en la mayoría de los benchmarks y afirmó tener un costo de entrenamiento de alrededor de $6 millones. Toda la industria se quedó atónita. Si el razonamiento de frontera se podía lograr a ese precio, el foso competitivo (moat) alrededor de los proveedores de modelos cerrados era mucho más superficial de lo que nadie quería admitir.
R1 también recordó a todos lo rápido que se mueve la comunidad open-source una vez que los weights están disponibles. En pocas semanas, había versiones cuantizadas ejecutándose en GPUs de consumo y variantes destiladas basadas en Qwen y Llama ajustadas para tareas más específicas en Hugging Face.
Marzo-Abril: Gemini 2.0 y un tool use que funciona
Google lanzó Gemini 2.0 con las variantes Flash y Pro, y finalmente cumplió con la propuesta multimodal que venían prometiendo desde la versión 1.5. Imagen, audio y video nativos en un solo modelo. Lo más importante para mí fue que Gemini 2.0 Flash alcanzó un punto de precio-rendimiento que lo convirtió en la opción predeterminada obvia para cargas de trabajo de producción de alto volumen.
El tool use fue lo que realmente cambió las cosas. Los modelos de Gemini 2.0 podían llamar funciones, buscar en la web y ejecutar código en pasos encadenados sin desmoronarse. Google integró esto en Vertex AI con pipelines de RAG gestionados y la brecha entre el "demo" y la "producción" se hizo notablemente más pequeña.
Anthropic lanzó Claude 3.5 Opus y actualizó Sonnet casi al mismo tiempo, apostando fuerte por el coding y el seguimiento de instrucciones. La carrera por la calidad de los modelos dejó de centrarse en quién tenía la mejor experiencia de chat; se trataba de qué modelo podía ejecutar un workflow de múltiples pasos con herramientas sin perder el hilo a mitad del camino.
Mayo-Junio: los agentes dejan de ser un meme
Los agentes de "computer use" pasaron de ser demos de investigación a productos reales. Anthropic lanzó la función de computer use que permitía a Claude manejar aplicaciones de escritorio, navegadores y sesiones de terminal. OpenAI lo siguió con su propio framework de agentes. Lo que cambió no fue que los agentes pudieran hacer clic en botones, sino que podían hacerlo con la fiabilidad suficiente como para que los pilotos empresariales los tomaran en serio.
Las empresas comenzaron a desplegar agentes para workflows internos: presentar informes de gastos, navegar por herramientas internas antiguas, ejecutar suites de QA. Los resultados fueron mixtos, pero los modos de falla lo decían todo. Los agentes con tareas estrechas y bien definidas, y con criterios de éxito claros, funcionaron. Los agentes a los que se les dieron objetivos vagos en entornos abiertos siguieron fallando.
Los agentes de coding también dejaron de ser un chiste en este periodo. Devin, SWE-agent, Claude Code; pasaron de ser un "demo impresionante" a algo que un número creciente de desarrolladores realmente usaba cada día. El patrón siempre era el mismo: la IA hace el boilerplate, el humano es el dueño de la arquitectura.
Julio-Agosto: el colapso de los costos
Los costos de inferencia se desplomaron. El rendimiento de clase GPT-4, que costaba $30 por millón de input tokens a principios de 2024, bajó de $1 para mediados de 2025. Varias cosas convergieron a la vez.
Los despliegues de NVIDIA H200 alcanzaron escala y la AMD MI300X resultó ser genuinamente competitiva para la inferencia. El speculative decoding, una mejor cuantización y las arquitecturas de mixture-of-experts redujeron el compute por token. Además, la competencia de DeepSeek, Mistral, Meta y otros significó que los principales proveedores no tuvieran dónde esconderse en cuanto a precios.
Ese colapso reescribió la economía del sector. Los casos de uso que eran demasiado caros para considerar en 2023 —IA en tiempo real en llamadas de soporte al cliente, revisión continua de código, análisis de documentos siempre activo— se volvieron viables. La restricción dejó de ser "¿podemos permitirnos las llamadas a la API?" y pasó a ser "¿podemos manejar la complejidad de la integración?".
Septiembre-Octubre: el open source se pone al día
Llama 4 aterrizó con una arquitectura de mixture-of-experts que superó con creces su conteo de parámetros. Meta continuó liberando los weights libremente y el ecosistema respondió: en pocas semanas aparecieron variantes fine-tuned para los dominios médico, legal y financiero.
Mistral lanzó varios modelos que compitieron directamente con las ofertas de código cerrado en benchmarks prácticos, y su enfoque en el cumplimiento normativo para empresas europeas les dio una posición en el mercado que nadie más tenía.
El espacio del razonamiento en open source también explotó. Basándose en el trabajo de DeepSeek, múltiples grupos publicaron recetas de entrenamiento para capacidades de razonamiento. Para el cuarto trimestre (Q4), cualquier organización con recursos moderados de GPU podía entrenar o ajustar un modelo de razonamiento con sus propios datos.
# The open-source stack by late 2025
Model weights: Llama 4, DeepSeek R1, Mistral Large, Qwen 2.5
Inference: vLLM, TGI, llama.cpp, Ollama
Fine-tuning: Axolotl, Unsloth, TRL
Evaluation: lm-eval-harness, HELM, custom evals
Orchestration: LangGraph, CrewAI, AutoGen
Noviembre-Diciembre: la hora de la verdad en el despliegue
El último trimestre fue el golpe de realidad. Muchas organizaciones que habían adoptado la IA con entusiasmo en la primera mitad del año chocaron contra el muro del despliegue en la segunda mitad. Los modelos funcionaban bien, pero las integraciones eran frágiles. La evaluación era difícil; el monitoreo, aún más.
Algunas lecciones se asentaron en la memoria colectiva de la industria.
Las evals importan más que los benchmarks. Los equipos que construyeron suites de evaluación personalizadas para sus casos de uso específicos lograron lanzar sus productos. Los equipos que trataron los benchmarks públicos como un indicador de la calidad en producción, no.
Los guardrails no son opcionales. A medida que los sistemas de IA tocaban más workflows de producción, el costo del fallo aumentaba. La validación de outputs, las rutas de fallback y los checkpoints de human-in-the-loop se convirtieron en arquitectura estándar, no en algo opcional.
El cuello de botella es la integración, no la inteligencia. La mayoría de los equipos que fallaron no lo hicieron porque el modelo no fuera lo suficientemente inteligente. Fallaron porque conectar el modelo a los sistemas existentes, a los data pipelines y a la lógica de negocio es un trabajo de ingeniería genuinamente difícil, y no desaparece solo porque escribas un prompt ingenioso.
El cambio de narrativa
El cambio más importante en 2025 no fue ningún modelo o producto individual. Fue la forma en que la industria habló de la IA.
En 2024, la conversación estuvo dominada por demos de capacidades. ¿Puede aprobar el examen de abogacía? ¿Puede escribir una novela? ¿Puede resolver matemáticas de nivel de doctorado? Esas preguntas generaban grandes titulares pero nunca se traducían claramente en valor de negocio.
En 2025 las preguntas cambiaron. ¿Cómo evaluamos esto en producción? ¿Cuál es el fallback cuando el modelo falla? ¿Cómo gestionamos las versiones de nuestros prompts? ¿Cuál es el costo total de propiedad (TCO)? Menos emocionante, pero mucho más útil.
Hacia el 2026
Al cerrar el 2025, el panorama se ve bastante diferente de como empezamos.
El razonamiento es el estándar. Cada modelo de frontera tiene algún tipo de pensamiento extendido. La pregunta abierta no es si los modelos pueden razonar, sino cómo asignar ese compute de razonamiento sin quemar dinero.
Los agentes son reales pero específicos. El agente de IA totalmente autónomo sigue siendo una aspiración. El agente para tareas específicas con buenos guardrails ya se está implementando hoy.
El open source es competitivo. La brecha entre los modelos abiertos y cerrados es la más pequeña que jamás haya existido y sigue reduciéndose.
El costo ya no es la restricción. La inferencia es barata. El tiempo de ingeniería, la infraestructura de evaluación y la preparación organizacional son los verdaderos cuellos de botella.
El año que viene estará definido por lo que construyamos sobre todo esto. Los modelos son lo suficientemente buenos. La pregunta es si estamos listos para usarlos bien.