DeepSeek trae la primavera para los emprendedores de aplicaciones de IA

Título original: «DeepSeek trae la primavera para los emprendedores de aplicaciones de IA»
Autor original: Dongcha Beating

El 31 de julio, la versión oficial de la API de DeepSeek V4-Flash se lanzó para pruebas públicas.

Cada millón de tokens de entrada cuesta 1 yuan; cada millón de tokens de salida, 2 yuanes. Después de que se activa la caché, cada millón de tokens de entrada solo cuesta 0.02 yuanes. Soporta 1 millón de contexto, modos de pensamiento, llamadas a herramientas y Responses API, con un límite de conexión concurrente de 2500 por cuenta.

DeepSeek también adoptará precios de pico y valle, duplicando los precios en horas pico. Aun así, los precios siguen siendo sorprendentemente bajos.

Según la conversión aproximada proporcionada por DeepSeek, un carácter chino consume aproximadamente 0.6 tokens. Un millón de tokens puede leer alrededor de 1.67 millones de caracteres chinos. Solo considerando el costo de entrada, leer aproximadamente 1.67 millones de caracteres chinos cuesta solo un yuan.

En el último año, la industria de modelos grandes se ha acostumbrado a contextos más largos, razonamientos más complejos y agentes cada vez más capaces. Cada vez que se actualiza un modelo, la discusión siempre gira en torno a quién ha superado a quién, cuánto ha avanzado el benchmark y cuánto falta para la AGI.

Para los emprendedores de aplicaciones de IA, hay una pregunta aún más realista:

¿Cuánto cuesta realmente una tarea?

La capacidad del modelo determina lo que el producto puede hacer teóricamente, y el precio de llamada determina cuánto de esa capacidad el equipo se atreve a incorporar realmente en el producto.

Esta tarde, estuve discutiendo con ChatGPT durante un buen rato. Le dije que el modelo de negocio que funciona actualmente para las aplicaciones de IA, en pocas palabras, es la reventa de tokens.

Intentó varias veces ayudarme a encontrar una forma más elegante de decirlo, como «venta al por menor de capacidades de razonamiento» o «empaquetado de servicios inteligentes». Le dije que no intentara adornar este negocio, la reventa es reventa, y lo que suena mal no significa que sea incorrecto.

Las aplicaciones de IA parecen ser la última dirección de emprendimiento en los últimos años, pero lo que se hace en el fondo es un negocio muy antiguo:

Compra, procesamiento, fijación de precios y luego venta.

Y muchos cambios en la industria a menudo comienzan con una caída repentina en el precio de compra.

Las aplicaciones de IA son un negocio de reventa de tokens

En el pasado, la gente solía entender las aplicaciones de IA a través del marco de productos de Internet o SaaS.

Una vez que se completa el desarrollo del software, se puede distribuir a mil personas o a un millón. Agregar un nuevo usuario, por supuesto, generará costos de ancho de banda, almacenamiento y servicio, pero estos costos generalmente se diluyen a medida que la escala aumenta.

Las aplicaciones de IA son diferentes. Cada vez que un usuario genera una imagen, escribe un informe, completa un código o hace que un agente ejecute un paso adicional, la empresa de la aplicación tiene que volver a llamar al modelo. Cada vez que el usuario presiona un botón, el proveedor upstream cobra nuevamente.

Por lo tanto, la mayoría de los modelos de negocio básicos que actualmente funcionan para aplicaciones de IA puramente de software son bastante simples:

Comprar tokens a la empresa de modelos, empaquetar la capacidad del modelo general en productos de escritura, programación, diseño, atención al cliente, video o agentes, y luego venderlos a los usuarios a través de membresías, puntos y tarifas por uso.

Tomemos a Poe como ejemplo; cuando lanzó su API, declaró directamente que el objetivo de precios de los puntos adicionales era cobrar según el precio que el proveedor del modelo le cobraba.

El proveedor upstream cobra por el modelo y los tokens, Poe los convierte en puntos dentro de la plataforma y los vende a los usuarios junto con una entrada unificada, pagos, cambio de modelos e interfaces de desarrollo.

Algunas empresas dirán que no venden tokens, sino resultados. La empresa de software de atención al cliente Intercom cobra 0.99 dólares por cada resultado completado para su asistente de IA, Fin. Un usuario puede confirmar que el problema se ha resuelto, que no necesita más ayuda humana, o que Fin ha completado con éxito un flujo de trabajo, lo que cuenta como un resultado.

Esto es solo un cambio de etiqueta; cobrar por asiento, por tarea, por problema resuelto, lo que cambia es la unidad de precio que el usuario ve. La empresa de aplicaciones aún necesita llamar al modelo y calcular cuántos tokens se consumen para completar una entrega.

El pintor de la dinastía Song del Sur, Li Song, pintó una obra llamada «El vendedor ambulante y el niño jugando». Un vendedor lleva una carga de mercancías a través de las aldeas, con ollas, platos, hilos, bocadillos y juguetes colgados de su carga. Una carga de mercancías es como una pequeña tienda de todo, y el vendedor gana dinero seleccionando, empacando y entregando productos.

Lo que hacen las empresas de aplicaciones de IA es bastante similar. Los fabricantes de modelos producen inteligencia, y las empresas de aplicaciones llevan esa inteligencia a escenarios específicos. Lo que se compra en el fondo son tokens, y lo que se vende al final debería ser un informe, un diseño o un video.

Las empresas de modelos venden inteligencia, las empresas de aplicaciones venden resultados.

Las ganancias de este negocio dependen principalmente de tres márgenes de precio.

El primer margen es el margen de compra.

El costo real de un mismo modelo puede no ser el mismo para diferentes equipos. Las empresas que llaman a menudo pueden negociar descuentos, y los equipos con fuertes capacidades de ingeniería pueden utilizar cachés, procesamiento asíncrono, llamadas en picos y rutas de modelos para reducir aún más el costo promedio. Lo que otros completan por un yuan, tú puedes hacerlo por 0.5 yuanes, y los 0.5 restantes son ganancias.

Dicho de manera simple, aunque ambos compran, algunos obtienen precios al por mayor y otros precios turísticos.

El segundo margen es el margen de uso.

Alguien que compra una membresía y usa la IA intensamente todos los días, y alguien que, al recargar, tiene grandes ambiciones, pero después de medio mes ya no usa el producto. Siempre que el consumo promedio de todo el grupo de usuarios sea inferior a la estimación al diseñar el paquete, el saldo no utilizado se convertirá en un espacio de ganancias.

Esto es similar a la lógica de los gimnasios con membresías anuales o paquetes de datos móviles.

Pero aquí hay un problema a tener en cuenta. Si la compra upstream es lo suficientemente flexible, menos uso por parte de los usuarios aumentará las ganancias. Si la empresa ya ha firmado un contrato anual, los tokens restantes que quedan en la cuenta no son ganancias, solo son mercancías que no se pueden vender.

Lo que los usuarios no han utilizado se llama sedimentación, lo que la empresa no puede vender se llama exceso de inventario.

El tercer margen es el margen del producto.

Con el mismo consumo de diez mil tokens, algunos productos solo generan un texto que necesita ser modificado durante mucho tiempo por el usuario; otros productos ya han completado la organización de datos, generación de contenido, verificación de hechos, ajustes de formato y exportación final. El dinero gastado en el fondo puede ser similar, pero el precio que los usuarios están dispuestos a pagar es completamente diferente.

El verdadero valor de una aplicación de IA depende de esto. La compra determina si este negocio puede existir, y el producto determina cuánto vale este negocio.

Los tokens revendidos son solo la base, el producto es la razón del margen.

Los gerentes de producto, primero se convierten en contables

El problema es que las aplicaciones de IA necesitan comprar constantemente, por lo que los problemas de producto pueden convertirse fácilmente en problemas de costo.

En las instrucciones oficiales de uso de Manus, ya se puede ver cómo estos costos moldean el producto. Manus deduce puntos de suscripciones mensuales según la complejidad de la tarea y los recursos que se necesitan. Al hacer preguntas a la IA, la recomendación oficial es usar el modo de chat para preguntas simples y no activar un agente autónomo completo; para tareas complejas, es mejor verificar los resultados intermedios primero, para evitar que el agente continúe ejecutando en la dirección incorrecta y consuma más puntos innecesariamente.

Estas recomendaciones son, por supuesto, razonables. Pero también revelan el lado más problemático de los productos de agentes: cuanto más proactivo es el modelo, más difícil es para la empresa de aplicaciones predecir los costos.

Un chatbot que responde una vez se puede calcular fácilmente. Un agente dividirá tareas, buscará repetidamente, abrirá páginas web, llamará herramientas y decidirá el siguiente paso según los resultados intermedios. El usuario solo da una instrucción, pero detrás de eso pueden haber ocurrido decenas de llamadas al modelo.

Por lo tanto, los productos comienzan a enseñar a los usuarios cómo hacer que el agente trabaje menos. Lo que se teme es que, después de mucho tiempo de calcular, el contador comience a tomar el control del producto. Si una función debe lanzarse, el equipo primero considera no si los usuarios la necesitan, sino cuánto costará cada tarea. El modelo ya tiene capacidades más fuertes, pero la aplicación no se atreve a entregar esas capacidades completamente a los usuarios.

Las empresas, por supuesto, necesitan controlar los costos. Ninguna empresa emergente puede permitir que el modelo más caro se use como agua corriente para que los usuarios lo utilicen libremente.

Algunos productos colocan modelos más efectivos en paquetes de alto precio, mientras que los usuarios normales obtienen una versión restringida. La capacidad del modelo no ha desaparecido, solo se ha distribuido a diferentes personas después de calcular los costos.

Con el tiempo, la industria ha visto una inversión muy extraña.

Los usuarios que compran aplicaciones de IA esperan que el modelo entienda más, piense un paso más y complete más trabajo. Las empresas de aplicaciones, para mantener los costos, deben hacer que el modelo lea menos, piense menos y haga menos.

Lo que se vende es inteligencia, pero el movimiento más hábil del equipo se ha convertido en recortar inteligencia.

Además, cuando el proveedor upstream aumenta los precios, la empresa de aplicaciones debe reducir las cuotas; si un competidor obtiene un costo más bajo, la tarifa de membresía en el mercado se reducirá de inmediato; cuando aparecen nuevos modelos más baratos, las rutas y paquetes anteriores deben ser recalculados. Aunque las empresas de aplicaciones parecen tener el control del producto, la variable más importante siempre está en manos del proveedor upstream.

En los últimos dos años, los emprendedores de aplicaciones de IA no han carecido necesariamente de ideas. Lo que más les falta es una inteligencia lo suficientemente fuerte y barata que se pueda incorporar sin preocupaciones en el producto.

DeepSeek ha reducido el «peaje de inteligencia»

El valor de DeepSeek radica, en primer lugar, en que no es un modelo de bajo rendimiento creado únicamente para reducir precios. Tiene un contexto de 1 millón, soporta modos de pensamiento y llamadas a herramientas.

Cuando se lanzó la versión preliminar en abril, DeepSeek afirmó que su capacidad de razonamiento se acercaba a la de V4-Pro, mostrando un rendimiento similar en tareas de agentes simples. La versión oficial actualizada el 31 de julio no cambió la estructura y el tamaño del modelo, sino que se centró en el reentrenamiento, y varios resultados de referencia de agentes ya han superado la versión preliminar de V4-Pro.

Esto es muy importante.

Modelos baratos ya existían antes. El problema es que, aunque el costo sea bajo, los productos no pueden ser siempre de mala calidad. Lo que realmente necesita la aplicación de IA es una inteligencia lo más estable posible a un precio unitario razonable.

Al menos desde la publicación de los estándares de código y agente de DeepSeek, el V4-Flash ha superado la línea de "suficiente" para una serie de tareas de alta frecuencia, y su precio es lo suficientemente bajo como para que los equipos se atrevan a utilizarlo con frecuencia.

Para la mayoría de los usuarios comunes, es probable que los grandes modelos ya hayan cruzado un punto crítico.

A la gente común no le interesa el benchmark. Rara vez se preocupa por si un modelo lidera una prueba por tres o cinco puntos, solo le importa si puede hacer bien lo que tiene entre manos. Cuando un modelo ya puede leer materiales, hacer inferencias, ajustar herramientas y entregar resultados, seguir mejorando su capacidad tiene, por supuesto, valor. Pero si ese valor puede sostener precios varias veces más altos, necesita ser recalculado.

En el pasado, las empresas de modelos decían que eran más fuertes, y que un precio más alto parecía justificado. Pero ahora esa razón no resiste el análisis; hay que discutir abiertamente dónde está el costo, qué problemas resuelve la capacidad adicional y cuántos usuarios realmente la necesitan.

DeepSeek no ha hecho que todos los modelos sean más baratos, ha hecho que los modelos caros se conviertan en algo que necesita ser explicado a los usuarios.

Lo que Pinduoduo realmente rompió en sus inicios no fue solo el precio de los productos. Hizo que los consumidores vieran por primera vez que muchos artículos de uso diario podían venderse a precios tan bajos. Las primas de marca, los costos de canal y los intermediarios, que antes se consideraban evidentes, de repente necesitaban justificar su existencia.

Pinduoduo rompió la mentalidad de precios de los productos.

DeepSeek rompe la mentalidad de precios de la inteligencia.

Los emprendedores finalmente pueden concentrarse en el producto

Para la industria de aplicaciones de IA, lo más importante ahora es que los emprendedores finalmente pueden desviar su atención de la parte superior de la cadena.

En el pasado, los grandes modelos se actualizaban demasiado rápido, y las empresas de aplicaciones eran fácilmente arrastradas por ellos. Hoy se conecta un contexto más largo, mañana se cambia a un nuevo modelo de inferencia, y pasado mañana se añade la capacidad de agente a la página principal. El producto parece estar siempre en actualización, pero la dirección no la establece uno mismo. Lo que los proveedores de modelos lanzan, las empresas de aplicaciones lo muestran.

Un típico auge en la parte superior, mientras que la parte inferior se distrae.

Ahora, los modelos subyacentes tienen la oportunidad de convertirse en un recurso de producción relativamente estable. Los equipos no necesitan girar en torno a las listas de modelos todos los días, ni considerar "integrar el modelo más reciente" como el avance más importante del producto.

Una vez que el modelo se estabiliza, el producto finalmente no tiene excusas.

Que un modelo pueda completar una tarea es solo el punto de partida. Lo que debe hacer el producto es integrar la tarea en un proceso real, manejar permisos, datos, colaboración, auditoría y fallos, de modo que los usuarios no tengan que enseñar a la IA cómo trabajar cada vez. Estas cosas no son tan atractivas como los parámetros del modelo y son difíciles de incluir en un benchmark. Pero si los usuarios están dispuestos a seguir pagando el segundo mes, a menudo depende de estos detalles.

El valor de la aplicación de IA no radica en presentar el modelo al usuario, sino en hacer que el modelo desaparezca en el trabajo.

Cuando los usuarios ya no necesitan elegir un modelo, ni investigar palabras clave, ni preocuparse por cuántas rondas de inferencia se han realizado detrás de una tarea, la aplicación ha cumplido realmente con su trabajo.

En este punto, la competencia entre las empresas de aplicaciones ya no es quién obtiene primero el modelo, sino quién entiende mejor un trabajo, quién puede convertir esas reglas no escritas de la industria en parte del producto.

Los modelos pueden volverse más fuertes de la noche a la mañana, pero la comprensión de la industria no puede. Las API pueden ser integradas por todos, pero una forma de trabajo realmente aceptada por los usuarios es difícil de replicar.

Esto también ha dado a muchos negocios que antes parecían no ser lo suficientemente grandes, una nueva posibilidad de existencia.

El emprendimiento en IA no necesariamente tiene que comenzar desde "la próxima generación de entrada", ni cada empresa tiene que crear un superagente que sirva a toda la humanidad. Puede resolver solo un problema en una consulta de comercio exterior, servir un conjunto de procesos en una cadena de tiendas, o simplemente ahorrar a ciertos profesionales una parte del trabajo repetitivo.

El mercado no tiene que ser lo suficientemente grande como para albergar a todos. Mientras el problema sea lo suficientemente específico, la entrega sea lo suficientemente estable y el valor que recibe el usuario sea mayor que el precio que paga, este negocio puede sobrevivir.

En el pasado, cuando los modelos eran demasiado caros, era difícil para un pequeño mercado sostener un producto completo. Los equipos debían buscar una mayor escala de usuarios, un precio por cliente más alto y una velocidad de financiación más rápida para cubrir los costos de inferencia que ocurrían constantemente. Muchos proyectos de emprendimiento, antes de encontrar verdaderos usuarios, ya se veían obligados a contar una historia demasiado grande.

Ahora, la historia puede ser un poco más pequeña.

Pequeños equipos pueden comenzar sirviendo a un pequeño grupo de personas, haciendo bien una cosa y luego expandiéndose poco a poco.

Esto se asemeja a cómo eran muchos de los "negocios centenarios" en el pasado. Al abrir, no pensaban en dominar una calle, solo en atender bien a las pocas mesas en la entrada. Si la comida es buena y el precio es adecuado, los clientes volverán, y el negocio naturalmente prosperará.

La industria de los grandes modelos gusta de hablar de escala, parámetros y finales. El emprendimiento en aplicaciones debe volver a esta lógica simple.

¿A quién sirves, qué problema resuelves por él y por qué no puede ir a otro lugar? Estas tres preguntas, DeepSeek no las responderá por los emprendedores.

Solo les permite no tener que gastar la mayor parte de su tiempo negociando con la parte superior, y también permite que aquellos pequeños equipos que no tienen la capacidad de entrenar grandes modelos o no tienen derecho a obtener precios especiales, obtengan un boleto de entrada relativamente justo.

En el pasado, el modelo en sí era una barrera. A partir de ahora, cualquier persona puede comprar modelos, la diferencia radica en lo que se hace con ellos. Lo que realmente es escaso se irá gradualmente hacia los usuarios, los datos, los procesos y la confianza. Quien esté más cerca del trabajo real, tendrá más oportunidades.

Después de que DeepSeek reduzca la barrera de entrada a la inteligencia, las aplicaciones de IA finalmente dejarán de ser una competencia de modelos y se convertirán nuevamente en un negocio de productos.

Chao Cuo, en su "Discurso sobre el valor del grano" en la dinastía Han, escribió: "Valorar los granos y menospreciar el oro y la jade".

En los últimos años, los grandes modelos se han asemejado más al oro y la jade. Los parámetros son cada vez más grandes, las listas son cada vez más altas, y se exhiben bajo las luces de las conferencias de prensa, donde todos pueden ver su valor, pero muy pocos pueden realmente integrarlos en el trabajo diario.

Lo que la capa de aplicación debe hacer es convertir el oro y la jade en granos.

DeepSeek no ha hecho el trabajo por los emprendedores, solo ha reducido el precio del arroz.

En cuanto a quién puede abrir el restaurante, dependerá de la habilidad de cada uno.

**-**FIN-

Este contenido se ofrece únicamente con fines informativos generales y no constituye un asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, promoción en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación a comprar, vender, operar o de negociar de otra manera con cualquier criptoactivo. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. La disponibilidad de los servicios, productos y eventos relacionados de WEEX puede variar según la región. Tienes la responsabilidad de asegurarte de que tu participación esté de acuerdo con las leyes y regulaciones locales vigentes.