¿Hace falta una computadora gigantesca para que una inteligencia artificial resuelva un problema? La pregunta importa más de lo que parece: cada respuesta que recibe un usuario activa servidores, electricidad y una factura que puede crecer como una canilla mal cerrada.
Un hallazgo de Pathway pone esa idea bajo presión. Su modelo BDH-CQ, con apenas 150 millones de parámetros, logró acercarse a GPT 5.6 Luna en una prueba de razonamiento, pero con un coste por tarea once veces menor.
En ARC-AGI-1, una prueba pública que mide la capacidad de detectar reglas y resolver problemas nuevos, BDH-CQ obtuvo 29,5%. GPT 5.6 Luna alcanzó 34,2% en su modo Low, pero cada tarea costó 0,008 dólares, frente a los 0,0007 dólares del sistema pequeño.
La diferencia no está solo en el tamaño. BDH-CQ evita producir una cadena de pensamiento antes de entregar la respuesta final.
“El alto coste de los tokens en el razonamiento es una consecuencia de la arquitectura, no una limitación inherente a la inteligencia”, sostiene Zuzanna Stamirowska, consejera delegada y cofundadora de Pathway.
El engranaje que evita gastar de más
La analogía puede encontrarse en una casa. Algunos modelos operan como una persona que, para decidir qué cocinar, prende todas las luces, abre cada alacena y narra en voz alta cada movimiento. Llegan a una respuesta, pero consumen energía en cada paso.
BDH-CQ busca hacer ese recorrido dentro del cableado, sin dejar las luces encendidas en cada habitación. El mecanismo procesa el razonamiento de forma interna y no convierte cada idea previa en texto que deba generar, revisar y transportar.
Ese texto se mide en tokens. Menos tokens durante el razonamiento significan menos recursos de cómputo y una respuesta más barata de sostener para quien ofrece el servicio.
La pieza clave aparece cuando una empresa debe responder millones de consultas. Una cuota mensual puede parecer suficiente para un usuario, pero el uso intensivo puede elevar el coste operativo por encima de ese ingreso si cada pedido activa un modelo costoso.
Nicolas Tarducci, de AWS, señala que los clientes quieren llevar el razonamiento avanzado desde la experimentación hasta los entornos de producción, es decir, sistemas que atienden solicitudes reales de forma continua. Allí pesan tanto la precisión como la eficiencia y la escalabilidad, la capacidad de crecer sin que la infraestructura se vuelva inmanejable.
Más pequeño no significa menos útil
BDH-CQ no supera a los modelos más capaces en rendimiento absoluto. Claude Opus 5 y Gemini 3.1 Pro registran entre 97% y 98% en ARC-AGI-1, muy por encima del resultado de Pathway.
Sin embargo, la comparación revela otra oportunidad: un modelo mayor no garantiza un mejor resultado por dólar. Qwen3 235B, de Alibaba, obtuvo una puntuación inferior a la versión Low de BDH-CQ y cuesta más de tres veces por tarea, pese a tener muchos más parámetros.
Pathway probará ahora su modelo en matemáticas, ARC-AGI-2 y ARC-AGI-3, evaluaciones más exigentes. Si mantiene la ventaja, el futuro de la IA no dependerá solo de construir motores más grandes, sino de aprender a usar mejor cada engranaje.
Directora de operaciones en GptZone. IT, especializada en inteligencia artificial. Me apasiona el desarrollo de soluciones tecnológicas y disfruto compartiendo mi conocimiento a través de contenido educativo. Desde GptZone, mi enfoque está en ayudar a empresas y profesionales a integrar la IA en sus procesos de forma accesible y práctica, siempre buscando simplificar lo complejo para que cualquiera pueda aprovechar el potencial de la tecnología.
