Qué significa el pensamiento DeepSeek de Liang Wenfeng para los desarrolladores de aplicaciones de IA

Este artículo parte de una comunicación a puerta cerrada con inversores celebrada después de que DeepSeek completara una primera ronda de financiación externa que, según se informó, superó los 50.000 millones de RMB. Liang Wenfeng habló con todos los inversores institucionales en un formato de preguntas y respuestas en profundidad. La sesión no se publicó oficialmente, pero una transcripción de la grabación se volvió viral en internet chino el 23 de julio, ofreciendo al mercado una rara mirada a cómo DeepSeek piensa sobre AGI, el código abierto, la capacidad de los modelos, los límites organizativos y el ecosistema de aplicaciones.

Nota: El siguiente contenido se ha compilado a partir de la transcripción de la grabación de la “Reunión con inversores de Liang Wenfeng”. La transcripción original muestra claros indicios de transcripción de voz a texto, incluida repetición coloquial, orden de palabras desordenado y errores de reconocimiento localizados. Este artículo no es una transcripción literal; más bien, sin cambiar las ideas centrales, simplifica, consolida y reescribe las declaraciones en un estilo escrito más formal. Las citas del artículo son extractos pulidos basados en el texto original identificable, destinados a preservar las expresiones sencillas y los ejemplos presentes en las declaraciones de Liang Wenfeng.

Transcripción editada de los comentarios de Liang Wenfeng

El hilo principal no es la comercialización, sino AGI

El objetivo más importante de DeepSeek hoy sigue siendo avanzar hacia AGI.

En conversaciones, Liang Wenfeng enfatizó repetidamente que la empresa no se fundó con el propósito de “cuánto dinero ganaría en última instancia, salir a bolsa o entrar en los mercados de capitales.” El primer grupo de personas comenzó a hacer esto con el simple deseo de ser útil para la AI y para el desarrollo de la inteligencia humana.

*“Al principio, no pensábamos en cuánto dinero ganaríamos en última instancia, si saldríamos a bolsa o qué haríamos en los mercados de capitales. Al comienzo, eran solo unas pocas personas, luego decenas de personas, que sentían una gran buena voluntad hacia el mundo y creían que este trabajo sería útil para la humanidad, así que vinieron a hacerlo.”*

Esta forma de expresarlo no es ornamentada; incluso va en cierto modo en contra de la narrativa empresarial habitual. Pero explica muchas de las decisiones posteriores de DeepSeek: por qué insiste en el código abierto, por qué no tiene prisa por monetizar a los usuarios, por qué no empuja los precios de API hacia la maximización de beneficios y por qué sigue enfatizando la contención frente a muchas tentaciones.

*“Una visión no es un eslogan de gestión colgado en la pared. Una empresa no funciona por lo que dices ni por cómo están escritas sus reglas y sistemas, sino por lo que realmente haces. En realidad, no tenemos un enfoque organizativo especialmente complejo; simplemente estamos impulsados por la visión.”*

DeepSeek buscará la comercialización, y lo ha estado haciendo desde el principio. Los usuarios consumidores, los ingresos empresariales y los servicios API pueden aportar apoyo a la empresa. Pero estos no son el objetivo final. Son más bien subproductos y sistemas de apoyo a lo largo del camino principal hacia AGI, en lugar de ser toda la razón por la que la empresa existe.

*“Los productos de consumo, los servicios empresariales y API son todos productos de nuestro viaje hacia AGI. No estamos construyendo modelos para servir a usuarios consumidores o usuarios empresariales; nuestra intención original sigue siendo perseguir AGI.”*

Por eso él no cree que ahora deba dedicarse mucho tiempo a discutir líneas de productos y vías de comercialización. La AI está cambiando demasiado rápido; una vía de negocio que hoy parece clara puede dejar de sostenerse después de algún tiempo.

*“Si ahora dedicamos mucho tiempo a discutir líneas de productos y vías de comercialización, creo que todo eso es una pérdida de tiempo. Porque no puedes prever el futuro, e incluso la experiencia hasta ahora respalda este juicio: todavía es demasiado pronto para hablar de vías de comercialización y líneas de productos.”*

Esto no es un rechazo de la comercialización, sino una cuestión de volver a colocar la comercialización en el lugar que le corresponde: la comercialización debe servir al hilo principal, no tirar de él en la dirección opuesta.

El código abierto no es anticomercialización; simplemente no se queda con todas las ganancias

El código abierto y los intereses comerciales no están inherentemente en conflicto.

En conversaciones, Liang Wenfeng planteó el problema con mucha claridad: si una empresa quiere capturar todas las ganancias, entonces el código abierto ciertamente debilitará su potencial comercial; pero si solo busca retornos razonables, el código abierto puede, en cambio, ampliar el ecosistema, fortalecer la colaboración y reducir la barrera de entrada para usuarios y desarrolladores.

*“Si quiero obtener una ganancia de cien veces, el código abierto efectivamente afectaría mi capacidad de lograr esa ganancia de cien veces. Porque un tercero puede desplegarlo, y quizá su costo sea veinte veces, lo cual es más bajo que el mío. Pero si solo obtenemos una ganancia razonable, no hay conflicto entre el código abierto y el pago comercial.”*

Detrás de esta afirmación hay un juicio más amplio: lo que el código abierto realmente cambia no es la ruta técnica, sino la distribución de las ganancias. Los modelos de código cerrado facilitan concentrar las ganancias en manos de la plataforma; los modelos de código abierto dejan más ganancias a desarrolladores, proveedores de despliegue, equipos de aplicaciones y usuarios finales.

La lógica de precios de la API de DeepSeek tampoco es “cuánto pueden seguir soportando los usuarios”, sino más bien “cuánto tiempo se tarda en recuperar los costos de hardware, dejando una ganancia razonable”.

*“Nuestra lógica de precios de la API se basa aproximadamente en recuperar los costos del equipo en diez meses. No es una fijación de precios para maximizar ganancias. Si el precio volviera a duplicarse, el consumo de tokens quizá no variaría mucho y los ingresos casi se duplicarían, pero ese no es nuestro punto de partida.”*

También mencionó un detalle muy práctico: al principio, el equipo temía que la demanda fuera demasiado alta, así que fijaron un precio relativamente elevado; más tarde, cuando el precio bajó, el equipo se sintió realmente muy contento. Porque todos sentían que por fin esta tecnología podía volverse asequible para más personas.

*“Al principio, nos preocupaba que la demanda fuera demasiado alta, así que fijamos el precio relativamente alto. Más tarde, cuando el precio cayó a una cuarta parte, todos estuvieron muy contentos. No porque estuviéramos ganando más dinero, sino porque sentimos que esto era útil para la gente y por fin podía ser asequible para todos.”*

Así que los precios bajos de DeepSeek no son simplemente una guerra de precios; son una estrategia de ecosistema. Los precios bajos reducen el costo de prueba y error, dando a más desarrolladores la confianza para usarlo, experimentar con él y desplegarlo. Cuanto menor sea el costo de las llamadas, más fácilmente puede la IA entrar en flujos de trabajo reales; cuanto más grande sea el ecosistema, más oportunidades tendrá el propio modelo de ser utilizado, recibir comentarios y mejorar.

*“La moderación también es una estrategia. A veces se pueden renunciar a ciertas cosas a cambio de más de otras. Ceder ganancias es beneficioso internamente para la empresa, para la sociedad y para los pares. A largo plazo, puede aumentar nuestra probabilidad de lograr AGI.”*

Esta es también la “buena voluntad” que Liang Wenfeng ha enfatizado repetidamente. No ve que los competidores reproduzcan el modelo como una amenaza absoluta, e incluso dice que si otros están dispuestos a desplegarlo y reproducirlo, DeepSeek ayudará tanto como sea posible.

*“Esperamos que otros puedan desplegar nuestro modelo, y no nos preocupa que nos quiten negocio. Solo nos preocupa que quizá no logren desplegarlo, o que ciertos detalles no se hagan correctamente, lo que provoque que los resultados se degraden. Haremos todo lo posible para brindar ayuda a la comunidad de código abierto.”*

La competencia se reducirá al costo, el tiempo y la experiencia de usuario

Al hablar de la brecha de IA entre China y Estados Unidos, Liang Wenfeng no dijo que el talento sea el mayor problema. Hizo más hincapié en los recursos, especialmente en la potencia de cómputo.

Desde su punto de vista, la brecha más práctica entre los equipos chinos y los principales equipos estadounidenses reside en los recursos de entrenamiento, la cantidad de chips, las condiciones experimentales y la densidad de iteración. Las empresas estadounidenses tienen más potencia de cómputo, lo que les permite construir modelos más grandes y realizar experimentos más completos; las empresas chinas deben reconocer la brecha real en este aspecto.

*“La mayor brecha entre nosotros y Estados Unidos está en los recursos. El talento no es el cuello de botella; los recursos son el mayor cuello de botella. Los recursos afectan primero al desarrollo del talento, y también afectan cuántos experimentos podemos ejecutar y cuán grande es el modelo que podemos entrenar.”*

Pero no mitificó los modelos estadounidenses como imposibles de alcanzar. Por el contrario, cree que la brecha competitiva definitiva en los modelos grandes puede no residir en una división de capacidades que nunca pueda cruzarse, sino en tres áreas: costo, tiempo y experiencia de usuario.

*“¿Dónde se manifestará la brecha definitiva en los modelos grandes? Creo que se reduce a tres áreas: costo, tiempo y experiencia de usuario. Más allá de eso, puede que no haya mucha brecha.”*

Esta afirmación es importante. Devuelve la competencia entre modelos desde la “inteligencia absoluta” a los sistemas empresariales del mundo real: ¿Puedes ofrecer la misma calidad a un costo menor? ¿Lo construiste unos meses antes o unos meses después? ¿La experiencia de usuario es un poco más rápida o un poco más lenta?

*“El costo es definitivamente un factor diferenciador. El segundo es el tiempo: si lo construyes unos meses antes o unos meses después marca la diferencia. El tercero es la experiencia: con lo mismo, si la experiencia de usuario es un poco más rápida o más lenta también marcará la diferencia.”*

Esto también significa que la capacidad del modelo determina si algo puede mostrarse en una demo, mientras que la estructura de costos determina si puede convertirse en un producto. Si las brechas de capacidad convergen gradualmente, la competencia verdaderamente a largo plazo se desplazará hacia la eficiencia de ingeniería, el costo de inferencia, la experiencia de producto y la construcción del ecosistema.

La eficiencia del modelo no es solo optimización técnica; determina si un producto es viable

Liang Wenfeng da gran importancia a la eficiencia del modelo y a los costos de inferencia.

Pero su comprensión del bajo costo no consiste simplemente en “venderlo un poco más barato”. El bajo costo trata primero de si más usuarios pueden permitirse usarlo, y segundo de si se pueden entrenar y ejecutar modelos más grandes cuando el cómputo es limitado.

*“Muchos de nuestros colegas quieren reducir aún más los costos, porque saben que esto nos cuesta dinero, y también esperan que sea menos oneroso para otros usarlo. Si es un poco más barato, la gente estará más dispuesta a aceptarlo.”*

Esta es una filosofía de producto muy directa: si la IA es cara, solo puede ser utilizada por un pequeño número de personas; si la IA es lo suficientemente barata, puede entrar en más entornos de producción. La reducción de costos no es un detalle financiero, sino un requisito previo para la adopción generalizada de la IA.

*“Cuanto menor sea el costo, mayor será mi eficiencia computacional cuando el cómputo sea limitado, y más capaz seré de admitir modelos más grandes. En el caso de las grandes empresas, pueden resolver el problema añadiendo recursos; pero nosotros priorizamos la eficiencia de costos.”*

Para los equipos de aplicaciones, este juicio es especialmente importante. Muchas aplicaciones de IA no fracasan porque la demanda no sea válida, sino porque el modelo de costos no funciona. Una demo puede parecer impresionante, pero una vez que entra en un uso de alta frecuencia, los costos del modelo, la latencia y las tasas de fallo se convierten de inmediato en problemas de negocio.

El aprendizaje continuo es el desafío clave de la próxima etapa

En la sección sobre la hoja de ruta técnica, Liang Wenfeng mencionó repetidamente CoT, Agent y el aprendizaje continuo.

Él cree que el desarrollo de la IA es como subir escalones, un nivel a la vez. Los modelos de lenguaje son un escalón, CoT es otro, y Agent es otro más. Pero una vez que Agent avance hasta cierto punto, se encontrará con el siguiente cuello de botella: el aprendizaje continuo.

*“El paso que estamos dando este año es Agent. Con un enfoque basado en Agent, se pueden hacer muchas cosas, y el alcance de las capacidades se volverá más amplio. Pero Agent todavía no puede reemplazar a los empleados, porque aún carece de aprendizaje continuo.”*

Usó un ejemplo muy cotidiano para explicar el problema:

*“Cuando contratas a un empleado, puede pasar dos meses familiarizándose con el entorno de la empresa y el trabajo. Más tarde, cuando dices: ‘Pide a Xiao Wang que venga’, sabe quién es Xiao Wang. Pero la IA no puede hacer eso. Tienes que decirle quién es Xiao Wang, qué función tiene, dónde está y a qué debe prestar atención al acercarse a él. No puedes proporcionar todo el contexto a la IA cada vez.”*

Esto describe con precisión un punto de dolor en muchos productos de IA hoy en día. Un modelo puede ser muy capaz en una sola interacción, pero tiene una memoria organizacional a largo plazo débil. Puede responder preguntas, pero le cuesta acumular experiencia como un empleado; puede ejecutar tareas, pero le cuesta entender mejor la empresa con el tiempo.

*“Si la IA tuviera capacidades de aprendizaje continuo y pudiera pasar dos meses aprendiendo en una empresa como un empleado, entonces podría reemplazar a muchas personas. En este momento, el siguiente paso todavía requiere ‘aprender a aprender’.”*

Por lo tanto, el aprendizaje continuo no es una función menor, sino una capacidad crítica en el camino hacia un Agent más potente. Para la capa de aplicación, no significa necesariamente entrenar continuamente los parámetros del modelo; también puede lograrse mediante memoria, bases de conocimiento, registros de flujos de trabajo, bucles de retroalimentación y la acumulación de datos organizacionales.

El futuro foso defensivo de las aplicaciones de IA no será cuán impresionante sea la primera respuesta, sino si, para el vigésimo uso, comprende mejor al usuario, el negocio y la empresa.

El desafío para el hardware nacional no son solo los chips, sino el ecosistema

Al hablar de chips de IA nacionales, la evaluación de Liang Wenfeng es muy pragmática: a corto plazo, el problema no es solo si existe el hardware, sino si existe un ecosistema.

La ventaja de NVIDIA no reside solo en las tarjetas en sí, sino también en CUDA, la cadena de herramientas, los hábitos de los desarrolladores y el ecosistema construido durante muchos años. Para que las tarjetas nacionales sean realmente utilizables, es necesario abordar cuestiones relacionadas con la adaptación, los compiladores, la estabilidad del entrenamiento, la eficiencia de la inferencia y el ecosistema de software.

*“Construir un ecosistema para tarjetas nacionales que iguale al de NVIDIA, o incluso lo supere, no está exento de obstáculos, pero llevará tiempo.”*

También mencionó TileLang, que utiliza un lenguaje de más alto nivel y un enfoque de compilación para reducir la dependencia del ecosistema CUDA. No es necesario empantanarse aquí en detalles técnicos específicos; lo que realmente vale la pena señalar es otro juicio: la IA, a su vez, reconstruirá la infraestructura de IA.

*“TileLang es un lenguaje de alto nivel. En el pasado, no podíamos prescindir del ecosistema CUDA. Ahora podemos reescribirlo todo con TileLang, con menos código y una eficiencia mucho mayor. Una pérdida del 1% al 2% en eficiencia de ejecución es aceptable para mí.”*

En el pasado, era difícil sortear el ecosistema CUDA. Pero si la IA puede ayudar a escribir código, crear compiladores y optimizar operadores, el costo de desarrollar un ecosistema de hardware nacional puede disminuir. La competencia en el hardware de IA nacional no se trata solo del rendimiento del hardware, sino también del ecosistema de software y la eficiencia del desarrollo.

La palabra clave en la organización es enfoque, no laxitud

El enfoque organizativo de DeepSeek tiene dos líneas: una de arriba hacia abajo y otra de abajo hacia arriba.

De arriba hacia abajo significa que los lanzamientos clave y los objetivos clave requieren colaboración en toda la empresa. Por ejemplo, cuando se va a lanzar una versión importante, el trabajo debe dividirse, con cada persona responsable de una parte.

De abajo hacia arriba significa que los investigadores necesitan tener espacio para su propia exploración. No todo está impulsado por KPI, y no toda la investigación se asigna.

*“La gestión de nuestra empresa tiene dos líneas: una de arriba hacia abajo y otra de abajo hacia arriba. De abajo hacia arriba significa que todos hacen lo que quieren hacer; nadie los gestiona y no hay KPI.”*

Pero esto no debe entenderse simplemente como “gestión laxa”. La premisa de no tener KPI es que la empresa sabe qué no hacer. Si una empresa carece de una dirección clara, tiene una línea de productos caótica y acepta cada solicitud de los clientes, entonces intentar aprender “sin KPI” solo terminará en pérdida de control.

Liang Wenfeng también ha dicho que los lanzamientos formales y las tareas críticas aún requieren colaboración de arriba hacia abajo. Es solo que esos arreglos formales no deberían ocupar todo el tiempo; debe preservarse espacio para la investigación y la exploración.

*“De arriba hacia abajo significa que, cuando necesitamos lanzar formalmente una versión, todos trabajan juntos y cada persona hace una parte. Pero esperamos que los arreglos formales no ocupen todo el tiempo de los empleados —idealmente no más de la mitad—, para que todavía tengan tiempo de explorar por su cuenta.”*

Sobre las horas extra, su punto de vista también es muy directo: DeepSeek generalmente no trabaja muchas horas extra. Una razón es que la investigación requiere un entorno relativamente relajado; la otra es que la empresa está extremadamente enfocada, por lo que hay menos cosas que hacer.

*“Generalmente no trabajamos muchas horas extra. Primero, hacer investigación requiere un entorno relativamente relajado; segundo, estamos muy enfocados, lo que significa que hay muy pocas cosas que necesitamos hacer. Cuando hay menos cosas, cada persona tiene menos trabajo asignado, así que no hay necesidad de horas extra.”*

Detrás de esta declaración sigue habiendo moderación. La empresa no lo hace todo, no aprovecha cada oportunidad y no entra en cada dirección comercial. La gestión no consiste en llenar la agenda del equipo, sino en ayudar al equipo a reducir acciones ineficaces y preservar espacio para una exploración verdaderamente importante.

El ecosistema crece más cuando no integras verticalmente

La era de la IA creará muchas oportunidades de negocio, pero DeepSeek no pretende hacerlo todo por sí misma.

En la conversación, Liang Wenfeng utilizó un ejemplo muy práctico: si operas una central eléctrica, no necesariamente tienes que construir tú mismo los generadores y el equipo; mientras el precio sea razonable, otros pueden construirlos. Lo mismo ocurre con las empresas de IA: no necesariamente necesitan absorber todos los escenarios ascendentes, descendentes, de aplicaciones y de la industria.

*“Por ejemplo, si operas una central eléctrica, ¿por qué debes construir tú mismo los generadores? Mientras el precio sea razonable, el equipo de generación eléctrica puede ser construido por otra persona. Esperamos no tener que fabricar chips nosotros mismos, siempre que podamos comprarlos a un precio razonable.”*

Para DeepSeek, la IA ya es lo suficientemente grande; no hay necesidad de consumir toda la cadena de valor. Una empresa debe centrarse solo en la parte más crítica y en la parte en la que es mejor, dejando otras industrias, aplicaciones y escenarios a los socios del ecosistema.

*“La era de la IA producirá muchas empresas valoradas en billones de dólares. Hacer solo una pequeña parte de ello ya es lo suficientemente grande para mí; no hay necesidad de hacerlo todo nosotros mismos. Esperamos que otros hagan las demás cosas.”*

Cuanto más intenta una empresa de IA capturar todo el valor, más pequeño se vuelve el ecosistema; cuanto más dispuesta está a centrarse solo en lo que mejor sabe hacer, más grande se vuelve el ecosistema.

*“Esperamos que estas tecnologías de IA puedan usarse en todo tipo de entornos de producción para mejorar la productividad social. Tenemos la motivación para hacerlo, pero si tenemos el tiempo, las personas y si nuestros propios colegas están interesados es otro asunto. No hay conflicto de intereses.”*

Perspectivas para la industria de la IA y los equipos de aplicaciones

Los modelos de código cerrado y de código abierto no son una cuestión de creencia, sino una elección a nivel de sistema

La visión de Liang Wenfeng sobre la competencia en IA entre China y Estados Unidos ofrece a los desarrolladores de aplicaciones una perspectiva que no trata de “apostar por quién ganará”, sino de replantearse la selección de modelos.

Los modelos de código cerrado y de código abierto no son una cuestión de creencia; son una elección combinada que implica capacidad, costo, controlabilidad, velocidad de entrega, seguridad de los datos y espacio de ecosistema.

Los principales modelos de código cerrado en Estados Unidos aún tienen ventajas: abundante potencia de cálculo, investigación intensiva, experiencia de usuario madura y productos estables. Pero si los modelos de código cerrado siguen siendo caros a largo plazo, con altos costos de invocación y opciones de despliegue limitadas, empujarán parte de la innovación en aplicaciones hacia sistemas de modelos más baratos, más abiertos y más flexibles.

Para los desarrolladores, la pregunta futura no debería ser simplemente “qué modelo es el más potente”, sino más bien:

• ¿Esta tarea realmente requiere el modelo más potente?
• ¿El costo puede sostener un uso de alta frecuencia?
• ¿La latencia es lo suficientemente baja como para integrarse en flujos de trabajo reales?
• ¿Los datos y los métodos de despliegue son controlables?
• ¿Las herramientas del ecosistema son lo suficientemente maduras?
• ¿El producto tiene un mecanismo de respaldo cuando se producen errores?

El modelo más potente no es necesariamente adecuado para todas las tareas. Las aplicaciones de IA verdaderamente maduras suelen colocar diferentes modelos en las posiciones correctas: los modelos potentes gestionan juicios complejos, los modelos de menor costo gestionan tareas de alta frecuencia, y las reglas y el almacenamiento en caché gestionan flujos de trabajo estables.

Los desarrolladores pequeños y medianos deberían construir sobre modelos y resolver los problemas más cercanos a los usuarios

Liang Wenfeng ha dejado claro que DeepSeek no necesita hacerlo todo por sí mismo; muchas aplicaciones y escenarios industriales deberían ser completados por socios del ecosistema.

Esta es una buena noticia para los desarrolladores pequeños y medianos. El futuro ecosistema de IA no pertenecerá solo a las empresas de modelos fundacionales. Los desarrolladores pequeños y medianos deberían centrarse en puntos de entrada específicos y prácticos, en lugar de intentar replicar a las grandes empresas de modelos.

Entre las direcciones más realistas se incluyen:

• Automatización de procesos verticales: En lugar de crear un chatbot de propósito general, resolver un proceso específico dentro de una industria concreta.
• Empaquetado de capacidades de modelos: Convertir capacidades complejas de los modelos en herramientas que los usuarios puedan utilizar directamente.
• Conectores de datos: Ayudar a las empresas a conectar datos internos, documentos, hojas de cálculo y sistemas con la IA.
• Evaluación y monitoreo: Ayudar a las empresas a evaluar la calidad, el coste, la latencia y el riesgo de los resultados de la IA.
• Servicios de localización y despliegue: Proporcionar despliegue privado, ajuste fino y operaciones en torno a modelos de código abierto.
• Capas de conocimiento industrial: Transformar reglas, terminología, casos y flujos de trabajo de la industria en sistemas de conocimiento a los que la IA pueda recurrir.

Los desarrolladores pequeños y medianos no necesitan competir con las empresas de modelos en la vía principal. El enfoque más inteligente es construir sobre las capacidades de los modelos y crear la capa que esté más cerca de los usuarios.

Las aplicaciones de IA deben seguir los flujos de trabajo de los usuarios, no la moda de los modelos

El mayor problema para muchos equipos de aplicaciones hoy es que tratan la IA como un empaquetado en lugar de como una capacidad.

Una aplicación de IA verdaderamente valiosa no es aquella que simplemente añade otro cuadro de entrada a la página, ni aquella que convierte el cuadro de búsqueda original en un cuadro de chat. Es aquella que ayuda a los usuarios a dar un paso menos, tomar una decisión menos, organizar una ronda menos de información o esperar una etapa menos.

Los usuarios no usan la IA por el simple hecho de usar IA. Quieren completar tareas más rápido, cometer menos errores, reducir costos, tomar mejores decisiones y lograr una mayor conversión.

Por eso, los equipos de aplicaciones de IA deberían centrarse en varias métricas en escenarios del mundo real:

• Si se reduce el tiempo que los usuarios necesitan para completar tareas;
• Si se reduce el costo de la revisión manual;
• Si la calidad de los resultados es consistente;
• Si los fallos son controlables;
• Si puede integrarse en los sistemas existentes;
• Si puede aprender continuamente el contexto del negocio.

Si no se pueden responder estas preguntas, lo más probable es que el producto sea solo un envoltorio de IA.

Los productos de IA deben evolucionar de herramientas a sistemas de trabajo

Muchas aplicaciones de IA hoy en día aún están en la etapa de herramienta: el usuario proporciona una entrada y la IA produce una salida.

Pero los productos con verdadero valor a largo plazo se convertirán en sistemas de trabajo:

• Pueden comprender el contexto de la tarea;
• Pueden invocar múltiples herramientas;
• Pueden leer datos empresariales;
• Pueden ejecutar acciones;
• Pueden registrar resultados;
• Pueden reutilizar la experiencia en la siguiente tarea.

Por ejemplo, para los equipos de marketing, la IA no se limita a escribir un texto publicitario; puede formar un ciclo cerrado que va desde el análisis de datos, el monitoreo de competidores, la generación de activos y las recomendaciones de campañas hasta las revisiones de rendimiento y la siguiente ronda de optimización.

Para los equipos de desarrollo, la IA no se limita a completar código; puede comprender la base de código, reproducir problemas, identificar causas raíz, escribir pruebas, enviar correcciones y registrar las lecciones aprendidas.

Esta es la verdadera oportunidad en la capa de aplicación.

La palabra clave final es moderación

La palabra clave que aparece de forma más constante en las declaraciones de Liang Wenfeng es moderación.

La moderación no es conservadurismo; es una elección estratégica. Lo que hace más distintivo a DeepSeek no es solo lo que ha hecho, sino también las muchas cosas que claramente podría hacer, de las que podría beneficiarse y escalar, pero que elige no hacer.

No crear funciones de imagen de inmediato solo porque un modelo puede generar imágenes; no crear funciones de Agent de inmediato solo porque Agent está de moda; no reconstruir un producto de inmediato solo porque un proyecto de código abierto se ha vuelto viral; no incluir un requisito en la hoja de ruta solo porque un cliente lo pidió.

Hay muchas oportunidades en la era de la IA, pero cuantas más oportunidades hay, más importante es tomar decisiones y hacer concesiones.

Las direcciones que realmente vale la pena seguir suelen cumplir tres criterios:

• Los usuarios ya tienen un punto de dolor claro;
• La IA puede reducir significativamente los costos o mejorar la eficiencia;
• El producto puede acumular datos, flujos de trabajo o conocimiento del sector, fortaleciéndose con el uso.

Si una dirección no cumple estos tres criterios, entonces, aunque parezca estar de moda, puede que solo sea ruido.

Resumen

En la superficie, esta transcripción de la reunión de Liang Wenfeng con inversores analiza la estrategia de código abierto de DeepSeek, la comercialización, la potencia de cómputo, la eficiencia del modelo y el enfoque organizativo. En un nivel más profundo, trata sobre cómo las empresas de IA pueden mantenerse enfocadas en su dirección principal en medio de enormes oportunidades.

Para las empresas de modelos fundacionales, más allá de liderar en capacidad, el coste, la apertura y el margen para el desarrollo del ecosistema serán cada vez más importantes.

Para los directivos de empresas de IA, la gestión no consiste en llenar el equipo, sino en ayudar al equipo a reducir acciones ineficaces y preservar el espacio necesario para una exploración verdaderamente importante.

Para desarrolladores pequeños y medianos, no compitan con las empresas de modelos fundacionales en su vía principal. En su lugar, encuentren su propio punto de entrada enfocado en torno al ecosistema de código abierto, los flujos de trabajo verticales, la conectividad de datos y la experiencia de usuario.

Para los equipos de aplicaciones de IA, el modelo es solo el comienzo. El valor real del producto proviene del control de costes, la ejecución de tareas en bucle cerrado, el aprendizaje continuo y los resultados empresariales.

En última instancia, lo que más vale la pena recordar del mensaje de DeepSeek no es ningún detalle técnico específico, sino una forma de juzgar: en una fase en la que las oportunidades de la IA están explotando, lo verdaderamente escaso no es la capacidad de actuar, sino la contención; no hacer más, sino hacer de manera constante las cosas correctas.