Modelos de inteligencia artificial de peso abierto con hasta 120 mil millones de parámetros están cambiando la ecuación para las organizaciones que buscan implementar agentes autónomos sin depender de infraestructura en la nube ni de proveedores de modelos cerrados. La propuesta central: rendimiento comparable a modelos propietarios de referencia, con la posibilidad de post-entrenamiento sobre datos propios y despliegue en infraestructura controlada internamente.
El argumento empresarial detrás de los modelos abiertos
El modelo Nemotron 3.5 Super VL, con 120 mil millones de parámetros, está diseñado para entornos empresariales que demandan precisión en seguimiento de instrucciones y uso de herramientas. Aunque tiene menos parámetros que su predecesor Nemotron 3 Ultra, los benchmarks internos indican un desempeño comparable en tareas de agentes especializados, incluyendo inteligencia documental, contabilidad financiera, experimentación científica, reclamaciones de seguros médicos y resistencia a ataques de seguridad.
Organizaciones como Skydance, EY, Ramp, Crowdstrike, Perplexity y Salesforce figuran entre las que ya utilizan el Super VL en producción, lo que aporta evidencia operativa más allá de los benchmarks de lanzamiento —un elemento diferenciador frente a anuncios similares en el sector.
El argumento de fondo es estratégico: a diferencia de los modelos cerrados, las organizaciones pueden post-entrenar el Super VL sobre sus propios datos, desplegarlo en su propia infraestructura y retener la propiedad intelectual de lo que construyen. En un contexto donde la soberanía del dato y el control sobre los sistemas de IA se vuelven prioridades regulatorias y competitivas, esta distinción tiene peso real en las decisiones de arquitectura.
Cómputo local: el otro frente de expansión
Paralelo al segmento empresarial, la línea Bolt apunta a un mercado distinto: usuarios que necesitan ejecutar agentes de IA directamente en dispositivos locales, sin enviar cargas de trabajo a servidores externos. Dos modelos conforman esta línea.
El Nemotron 3.5 Bolt 74B-A9B, con 74 mil millones de parámetros, está optimizado para tareas de agentes que requieren equilibrio entre velocidad y razonamiento complejo, como navegación web autónoma y llamada de herramientas. El modelo Bolt E4B, más compacto, está orientado a agentes con menor demanda de recursos computacionales.
Ambos modelos están diseñados para operar en computadoras equipadas con chips RTX Spark y en estaciones de trabajo DGX Spark, disponibles a través de socios como Microsoft y Dell. El enfoque responde directamente a una barrera de adopción documentada: usuarios preocupados por la privacidad que evitan integrar asistentes de IA en flujos de trabajo sensibles —salud, finanzas, información familiar— cuando eso implica transferir datos a la nube.
Presión competitiva y apuesta de largo plazo
El lanzamiento se produce en un momento de creciente presión competitiva en el ecosistema de chips para IA. Alternativas como Trainium de AWS y Cerebras, además del desarrollo de chips propios por parte de grandes laboratorios, están fragmentando un mercado que hasta hace poco era prácticamente monopólico en el segmento de aceleración para entrenamiento e inferencia.
Frente a ese escenario, la estrategia de consolidar un portafolio de modelos abiertos —que abarca desde IA multimodal hasta razonamiento, codificación, matemáticas y automatización empresarial— busca crear dependencia de ecosistema más que de hardware exclusivo. Si las organizaciones construyen sus flujos de agentes sobre modelos optimizados para infraestructura específica, la decisión de cambiar de proveedor de cómputo se vuelve considerablemente más costosa.
