Barcelona
La carrera de la IA encareix l'accés als seus models més potents
Nikkei calcula que l'interval mitjà entre versions de nou grans empreses dels Estats Units i la Xina ha baixat de 125 dies a 44. Alhora, les llicències individuals d'OpenAI i Anthropic que inclouen els seus models més potents costen 100 o 200 dòlars al mes.
Anthropic afirma que Claude liderava el 26 % del seu treball de I+D en IA a l'agost, davant de menys del 1 % al febrer. L'empresa considera que un model lidera una tasca quan resol la major part del treball assignat a la IA sota supervisió humana.
Si aquesta estimació és correcta, cada versió podria ajudar a construir la següent. La xifra, tanmateix, prové d'Anthropic i no compta amb auditoria externa; tampoc demostra que aquesta col·laboració redueixi els terminis, que depenen de la capacitat de càlcul i de les proves de seguretat.
Per als usuaris, l'acceleració té un cost visible. En els xats d'OpenAI i Anthropic, els models més potents estan inclosos en llicències individuals de 100 o 200 dòlars al mes, davant dels 20 de la subscripció bàsica. Qui prefereixi no pagar pot deixar passar cada novetat, tot i que perdrà la referència del que ja permeten els models nous.
El ritme també es nota en les dates de llançament. Nikkei va mesurar l'interval mitjà entre versions de nou grans empreses dels Estats Units i la Xina: va passar de 125 dies entre 2023 i març de 2026 a 44 dies des d'abril. La comparació abasta tres anys davant de sis mesos i depèn de què es consideri una versió, una cautela que no canvia la tendència reconeixible per a qui utilitza aquestes eines.
La pressió competitiva va quedar a la vista al novembre de 2025. Després de la presentació de Gemini 3 per Google, OpenAI va declarar el codi vermell per concentrar esforços en ChatGPT i va llançar GPT-5.2 vint-i-tres dies després. La companyia va sostenir que portava mesos preparant-ho.
Part d'aquesta rapidesa s'explica per com es construeixen els models. El preentrenament d'un LLM requereix mesos de càlcul i una inversió que no es repeteix amb freqüència. Després arriba el posentrenament, una fase més breu en què s'ajusta el sistema ja creat. Una de les seves tècniques és l'aprenentatge per reforç: el model rep una recompensa en resoldre una tasca comprovable, com un programa que supera totes les seves proves, i modifica el seu comportament. Aquesta etapa dura setmanes.
