La guerra por la capa de enrutamiento de IA: AWS, Microsoft y Anthropic se juegan el 'último kilómetro' empresarial

El debate sobre el mejor modelo está muerto

Mientras medio sector lleva meses midiendo benchmarks, comparando puntuaciones en MMLU y discutiendo si Claude le gana a GPT o viceversa, el dinero serio se está moviendo en otro sitio.

AWS comprometió $1.000 millones en lo que llama Field Deployment Engineering. Microsoft lanzó un fondo de $2.500 millones bautizado como Frontier AI Deployment. Suma: $3.500 millones apuntando al mismo objetivo. No a entrenar modelos más potentes. A controlar la capa que decide qué modelo usa cada empresa, para qué tarea y a qué coste.

Esa capa tiene nombre: la capa de enrutamiento (o harness layer, o routing layer, según a quién le preguntes). Y quien la posea no necesita tener el mejor modelo. Necesita algo más valioso: el derecho a fijar el precio efectivo de toda la inteligencia que corre por encima.

Qué es exactamente la capa de enrutamiento y por qué mueve miles de millones

Imagina que tienes una empresa con veinte departamentos distintos usando IA. Legal usa Claude para revisar contratos. El equipo de datos usa un modelo especializado para análisis financiero. El soporte usa algo más barato para responder tickets sencillos. Y encima de todo eso, los agentes autónomos que ahora están en producción llaman a modelos en cascada para planificar, razonar y ejecutar tareas complejas.

Alguien tiene que gestionar ese zoo. Alguien tiene que decidir: esta tarea va al modelo A, esta otra al B, esta tercera (que es simple) la resuelve el más barato. Esa capa de decisión es la harness layer.

La capa que decide qué modelo ejecuta cada tarea fija el precio efectivo de todos los modelos subyacentes y captura el margen entre el coste del token y el valor de la tarea.

Matt Garman, CEO de AWS, lo dijo sin pelos en la lengua: el mundo se moverá hacia un enrutamiento donde un modelo es ideal para planificar, otro para razonar y uno más barato para tareas sencillas como completar código. Eso no es una predicción futurista. Es la arquitectura que AWS y Microsoft están construyendo ahora mismo con sus fondos de despliegue.

El matiz importante: según los datos disponibles, ni AWS ni Microsoft han lanzado un producto de enrutamiento con nombre comercial concreto. Sus movimientos son apuestas de infraestructura, posicionamiento de plataforma. Pero la dirección es inequívoca.

El error de fijarte en el precio por token

Aquí está la trampa que está pillando a más de una empresa con los pantalones bajados.

Claude Sonnet 5 llegó al mercado con tokens más baratos que su predecesor. Buena noticia, ¿no? Pues resulta que en la práctica acaba costando aproximadamente el doble por tarea completada. La razón es sencilla y brutal: un modelo más capaz razona más, genera más pasos intermedios, consume más contexto. El token es más barato, pero usa muchos más para hacer el mismo trabajo.

El precio por token es un número de marketing. El coste por tarea completada es el que decide si tu despliegue de IA es rentable o un agujero negro en el presupuesto.

Esta diferencia se vuelve crítica cuando entran en juego las consultas agénticas. Un chat simple consume decenas de tokens. Una consulta agéntica (donde un agente planifica, llama herramientas, itera, verifica y ejecuta) puede consumir cientos de veces más. A escala empresarial, con decenas de agentes corriendo en paralelo, eso se convierte en millones de dólares con una facilidad que da vértigo.

Tesla (según un informe no confirmado oficialmente por la compañía) impuso un límite de $200 semanales en tokens por empleado. Si el dato es correcto, sería la primera restricción pública documentada de una Fortune 500 racionando inteligencia artificial como si fuera electricidad o ancho de banda. Independientemente de si la cifra exacta es precisa, el fenómeno que describe es real: las empresas están empezando a tratar la IA como un servicio público con coste tangible que hay que gestionar, no como una herramienta gratis que se escala sin pensar.

Y ahí es exactamente donde la capa de enrutamiento deja de ser una cuestión técnica y se convierte en gobernanza de costes.

El caso Bridgewater: cuando el especialista aplasta al generalista

Thinking Machines Lab construyó un modelo especializado para Bridgewater (uno de los mayores hedge funds del mundo) que superó a los modelos de frontera en tareas de dominio financiero. El precio: aproximadamente una catorceava parte del coste de los modelos generalistas de referencia.

Un catorceavo. No un 30% más barato. Una fracción del coste, con mejor rendimiento en las tareas que importaban.

Esto demuestra algo que el hype de los modelos de frontera tiende a enterrar: el valor de tener "el mejor modelo del mundo" se evapora en cuanto aparece un especialista entrenado para tu dominio concreto. Es como contratar a un cirujano cardíaco para revisar una radiografía de muñeca. Técnicamente puede hacerlo. Pero hay alguien mejor para ese trabajo y cuesta una fracción.

La consecuencia directa: las empresas necesitan una arquitectura que les permita enrutar tareas al modelo correcto según el caso de uso, no meter todo por el modelo más caro porque "es el mejor". Esa arquitectura es la harness layer. Y aquí es donde los $3.500 millones de AWS y Microsoft encuentran su lógica más clara.

Si quieres profundizar en la economía de fondo (por qué bajar el precio por token no reduce necesariamente el gasto total), el fenómeno tiene nombre: la paradoja de Jevons aplicada a la IA explica exactamente esto.

La posición de Anthropic: blindar el margen antes de que te lo capturen

Anthropic tiene un problema estructural que los fondos de AWS y Microsoft hacen más urgente.

Si una capa de enrutamiento (operada por AWS, Microsoft o cualquier otro intermediario) se convierte en el punto de decisión para qué modelos usan las empresas, esa capa captura el margen entre el coste del token y el valor que percibe el cliente. El modelo subyacente (sea Claude o cualquier otro) se convierte en un proveedor de commodities al que se le exige precio bajo y disponibilidad alta.

Anthropic lo sabe. Por eso está diversificando su base de cómputo: TPUs de Google, ancho de banda de SpaceX, y una exploración (todavía sin calendario ni compromiso firme) de silicio propio. El objetivo no es independencia tecnológica por principio. Es controlar su estructura de costes antes de que alguien por encima le dicte el precio al que puede operar.

La paradoja es llamativa: Anthropic recibió $8.000 millones de inversión de AWS. Su última ronda de $30.000 millones (febrero de 2026) incluyó entre sus inversores a Microsoft (que también respalda a OpenAI). Los mismos inversores que están construyendo la capa de enrutamiento están financiando los modelos que esa capa va a gestionar. Matt Garman reconoció sin rubor que gestionar ese conflicto de intereses es habitual para AWS.

Es un conflicto de intereses que coexiste sin que nadie lo resuelva, porque a corto plazo les beneficia a todos: los fondos de infraestructura necesitan modelos potentes para justificarse, y los modelos necesitan infraestructura de despliegue para llegar a las empresas.

Snowflake como caso real: datos gobernados primero, modelo después

Mientras AWS y Microsoft pelean por la capa de enrutamiento en el plano de infraestructura cloud, hay otro vector de entrada que merece atención: los proveedores de datos empresariales que añaden IA encima de su capa de gobernanza.

Snowflake Cortex Code (potenciado por Claude de Anthropic) es, según el propio anuncio de Snowflake, el producto de más rápido crecimiento en la historia de la compañía. Block, Carvana y eSentire lo están usando para casos que van desde cumplimiento regulatorio y ciberseguridad hasta logística y análisis financiero.

El detalle que lo hace relevante para esta conversación: la integración Snowflake–Anthropic permite a las empresas seleccionar el modelo que mejor se ajuste a su carga de trabajo específica y desplegar agentes con controles empresariales, sin mover los datos fuera del entorno de Snowflake. Deloitte está ayudando a clientes a diseñar y escalar estas soluciones.

Esto es la capa de enrutamiento desde el ángulo de los datos: no "¿qué modelo es más potente?" sino "¿qué modelo funciona sobre mis datos gobernados sin violar compliance?". La respuesta a esa pregunta la da quien controla la plataforma de datos, no necesariamente quien construyó el modelo.

Es un camino de entrada lateral al mismo territorio que AWS y Microsoft están atacando frontalmente.

Por qué las empresas exigen contratos agnósticos al modelo

Hay un dato de comportamiento empresarial que resume bien la situación: las empresas están exigiendo contratos agnósticos al modelo, es decir, arquitecturas que les permitan cambiar de proveedor de IA sin rehacer toda su capa de datos e integración.

Cuando el mercado de modelos cambia cada seis meses (y lo hace, con cada ciclo de lanzamientos de OpenAI, Anthropic, Google y los modelos abiertos), ninguna empresa con criterio quiere estar atada a un proveedor único. La dependencia tecnológica en IA tiene un coste de oportunidad enorme cuando el modelo que era mejor en enero ya no lo es en julio.

Esa demanda de agnósticismo fuerza una arquitectura de enrutamiento. Y una arquitectura de enrutamiento necesita alguien que la opere. Ahí es exactamente donde AWS y Microsoft están poniendo el dinero.

Para quien trabaje con agentes de IA en producción, esta dinámica no es abstracta: la diferencia entre un despliegue agéntico rentable y uno catastrófico depende en gran medida de quién controla el harness y con qué criterios enruta las llamadas.

El mapa de poder que está emergiendo

Juntando todos los vectores, la imagen que emerge es esta:

• AWS y Microsoft están comprando la capa de enrutamiento con capital masivo, apostando a que la complejidad del zoo de modelos forzará a las empresas a depender de un orquestador de confianza que ya conocen.
• Anthropic está blindando sus costes de infraestructura para no quedarse atrapado como proveedor de commodities dentro de esa capa, mientras diversifica su distribución (Snowflake, integración directa con empresas).
• Los modelos especializados (como el de Bridgewater) demuestran que el mercado no converge hacia un modelo universal sino hacia una fragmentación donde el enrutamiento inteligente es la ventaja competitiva real.
• Las empresas están aprendiendo, de la manera más cara posible, que gobernar el coste de IA requiere infraestructura de decisión (la harness layer) antes de escalar, no después.

El precio por token seguirá bajando. El gasto total de las empresas en IA seguirá subiendo. Y el margen entre ambos lo capturará quien controle el enrutamiento.

Eso es exactamente lo que AWS y Microsoft están comprando con $3.500 millones.

---

Preguntas frecuentes

¿Qué es la capa de enrutamiento de IA y por qué es importante?

La capa de enrutamiento (o harness layer) es la infraestructura que decide qué modelo de IA ejecuta cada tarea en un despliegue empresarial. Su importancia radica en que fija el precio efectivo de todos los modelos subyacentes: quien la controla captura el margen entre el coste del token y el valor de la tarea completada, volviéndose indispensable a medida que las cargas agénticas crecen.

¿Por qué Claude Sonnet 5 es más caro por tarea si el token es más barato?

Porque un modelo más capaz genera más pasos de razonamiento, consume más contexto y usa más tokens para completar el mismo trabajo. Claude Sonnet 5 tiene tokens más baratos que su predecesor pero acaba costando aproximadamente el doble por tarea completada. El precio por token es un indicador de marketing; el coste por tarea es el que determina si un despliegue es rentable.

¿Qué ventaja tiene usar modelos especializados frente a los modelos de frontera?

Un modelo especializado entrenado para un dominio concreto puede superar a los modelos generalistas de frontera en ese dominio a una fracción del coste. Thinking Machines Lab construyó un modelo para Bridgewater que superó a los modelos de frontera a 1/14 del coste. Para tareas de dominio repetitivas y bien definidas, la especialización vence al modelo más potente en relación coste-rendimiento.

¿Por qué las empresas exigen contratos agnósticos al modelo?

Porque el mercado de modelos cambia cada seis meses y atarse a un proveedor único supone un coste de oportunidad enorme cuando el modelo líder de hoy puede quedar obsoleto en pocos meses. Los contratos agnósticos al modelo obligan a construir una arquitectura de enrutamiento que abstraiga la elección del proveedor, lo que a su vez crea la demanda de la harness layer que AWS y Microsoft están posicionando.