Jeff Morgan, cofundador y CEO de Ollama, sitúa el uso de su software en el 80% de las empresas del Fortune 500. Lo dice en una entrevista en vídeo con The Deep View Conversations publicada este viernes, donde explica por qué la economía de los agentes de código está empujando a las empresas hacia los modelos abiertos y hacia ejecutarlos en su propio hardware.
Ollama es el programa que la mayoría de la gente usa cuando quiere correr un modelo de IA en su propio ordenador sin pasar por la API de nadie. Nació, según Morgan, como un experimento de dos semanas del equipo que había construido Docker Desktop.
Puntos clave
- Morgan cifra el uso de Ollama en el 80% del Fortune 500. Es una cifra de la casa, sin auditar por terceros.
- El origen del proyecto está en el equipo detrás de Docker Desktop, y arrancó como una prueba de dos semanas.
- Su tesis central: los modelos abiertos podrían acabar procesando la mayoría de los tokens de IA empresarial.
- Las tres ventajas que enumera son coste, privacidad y control.
- El hardware que cita como habilitador: Apple silicon, el Nvidia DGX Spark y equipos con chips de AMD, Intel y Qualcomm.
Por qué los agentes de código cambian la aritmética
El argumento de Morgan tiene un punto de partida muy concreto, y es el que más nos toca a quienes ya trabajamos con agentes: un agente de código no hace una llamada al modelo, hace cientos. Lee ficheros, prueba, corrige, vuelve a leer. Cada iteración son tokens.
Con una API de pago, ese consumo se convierte en una factura que crece con el uso del equipo, no con el número de personas. Con un modelo abierto ejecutándose en una máquina que ya has comprado, el coste marginal de la iteración número 400 es prácticamente cero. Ahí es donde Morgan sitúa el punto de inflexión.
La entrevista cubre además el resto de la fontanería que hace falta para que eso funcione de verdad: harnesses, tool calling, enrutado entre modelos y subagentes. Es la parte menos glamurosa y la que decide si un modelo abierto sirve para trabajar o se queda en demo de fin de semana.
Los números que ya teníamos apuntan en la misma dirección
Esto no llega de la nada. AT&T contó este mes que ya mueve el 40% de su uso interno de IA con modelos abiertos, con un recorte del 56% en coste, después de haber empezado el verano en el 25%. Y Qwen, la familia abierta de Alibaba, superó los 3.000 millones de descargas, multiplicando por siete a Google.
El informe de verano de Hugging Face iba por la misma línea: los laboratorios chinos están publicando los modelos abiertos más grandes y se están llevando la parte del león de las descargas.
Y esta misma semana Nvidia ha acordado comprar Hugging Face por 12.900 millones de dólares. Que el fabricante de las GPU pague eso por el repositorio donde viven los modelos abiertos dice bastante sobre dónde cree que se va a jugar la partida.
El hardware se ha movido de sitio
La otra mitad del argumento es física. Hasta hace poco, correr un modelo grande en local significaba una torre con GPU de servidor y un recibo de la luz a juego.
Morgan menciona tres frentes que han cambiado eso: Apple silicon, con memoria unificada que permite cargar modelos que antes no cabían en un portátil; el DGX Spark de Nvidia, que baja a formato de escritorio cargas que eran de centro de datos; y los equipos con AMD, Intel y Qualcomm que están empujando en la misma dirección desde el lado del PC.
También apunta a la aparición de laboratorios de modelos abiertos en Estados Unidos y Europa, después de dos años en los que la conversación sobre pesos abiertos era básicamente china.
Lo que la entrevista no da
Conviene ser honesto con lo que hay y lo que no. El 80% del Fortune 500 es una cifra que da la propia empresa, sin auditoría externa, y Ollama es gratuito, así que "usado en" puede significar desde un despliegue serio hasta un ingeniero que lo instaló para probar. Tampoco hay números de negocio: Morgan habla de dónde encaja el modelo comercial, pero no publica ingresos.
Nada de eso invalida la tesis. Solo conviene tenerlo delante antes de citar el dato en una reunión.
Por qué importa
Para una empresa española que hoy paga API a Anthropic, OpenAI o Google, la pregunta práctica no es si migrar todo a modelos abiertos. Es cuál de las cargas actuales tiene sentido mover.
Las candidatas suelen ser las mismas: clasificación de correos, extracción de datos de facturas y albaranes, resúmenes internos, etiquetado de catálogo. Volumen alto, tarea acotada, calidad exigible pero no de frontera. Ahí un modelo abierto de tamaño medio en una máquina propia suele hacer el trabajo, y el ahorro se nota en cuanto el volumen sube.
Lo que no se mueve tan fácil es el razonamiento largo, la escritura de código complejo y todo lo que se apoya en el contexto grande de los modelos de frontera. Ahí el salto de calidad sigue justificando la factura.
El planteamiento sensato para los próximos meses es el que están haciendo AT&T y compañía: repartir las cargas por tipo, medir el coste por tarea, y mover primero lo que es alto en volumen y bajo en riesgo. Con datos sensibles de clientes de por medio, además, ejecutar en local deja de ser una cuestión de coste y pasa a ser una de RGPD.
Relacionado
