Durante años, buena parte de la conversación sobre inteligencia artificial se ha resumido en una carrera de tamaño. Más parámetros, más capacidad de cálculo, más centros de datos y modelos capaces de resolver un abanico cada vez mayor de tareas. Pero en 2026 esa lógica empieza a encontrarse con una pregunta incómoda: ¿necesitamos realmente un modelo gigantesco para cada cosa que hacemos?
El debate no es solo técnico. También es energético. El crecimiento de la IA está elevando la demanda de infraestructura, electricidad y refrigeración, mientras empresas y administraciones buscan formas de hacer sostenible su despliegue. El Fondo Monetario Internacional ha advertido este mes de que la expansión de la IA puede impulsar la productividad europea, pero también aumentar la presión sobre las redes eléctricas y profundizar dependencias tecnológicas.
En ese contexto cobra fuerza una corriente que apuesta por modelos más pequeños y especializados. En lugar de utilizar una herramienta enorme para cualquier consulta, la idea es ajustar modelos a tareas concretas: análisis documental, atención al cliente, procesos industriales, investigación o aplicaciones empresariales muy determinadas.
Una de las compañías que está trabajando en esa dirección es Multiverse Computing, nacida en San Sebastián. Su tecnología de compresión busca reducir drásticamente el tamaño de determinados modelos manteniendo gran parte de su rendimiento. Según los datos difundidos por la empresa y recogidos esta semana por Cadena SER, algunas técnicas permiten reducir el tamaño hasta un 97% y disminuir el consumo energético a la mitad o incluso más, con pérdidas limitadas de precisión según el caso.
La comparación utilizada por la propia compañía ha llamado la atención: hablan del “Ozempic de la inteligencia artificial”. Más allá del titular, el concepto es sencillo. No se trata de conseguir que la IA sepa menos, sino de eliminar parte del peso computacional que no resulta imprescindible para una función concreta.
Para las empresas, este cambio puede ser importante. Los modelos más ligeros pueden ejecutarse con menos infraestructura, facilitar implementaciones privadas y reducir costes. También pueden ser interesantes para dispositivos que no disponen de la capacidad de un gran centro de datos.
Esto no significa que los grandes modelos vayan a desaparecer. Seguirán siendo fundamentales para tareas generales y para investigación avanzada. Lo que cambia es la idea de que todo problema necesita siempre la herramienta más grande disponible.
Quizá la próxima etapa de la inteligencia artificial no se mida únicamente por cuántos parámetros tiene un modelo, sino por cuánto consigue hacer con los recursos que realmente necesita.