¿Repetirá el "momento DeepSeek"? Wall Street afirma: Kimi K3 en realidad refuerza la demanda de poder de cómputo

El mercado trata a Kimi K3 como el “momento DeepSeek 2.0” con pánico, pero esta vez el juicio de Wall Street es completamente diferente.

En la medianoche del 16 de julio, Moonshadow lanzó Kimi K3 en Shanghái. Este modelo open source de 2.8 billones de parámetros obtuvo una puntuación de 57 en el índice de Artificial Analysis, ubicándose en el tercer o cuarto puesto mundial y empatando con Anthropic's Claude Opus 4.8 y OpenAI GPT-5.5. Más relevante aún, en el ranking de programación Frontend Code Arena creado por la Universidad de California, Berkeley, K3 logró 1679 puntos, superando a Claude Fable 5 y GPT-5.6 Sol, convirtiéndose en el primer modelo open source en superar a todos los modelos closed source internacionales en el ranking de programación más autorizado.

El 17 de julio, el sector de semiconductores en el Mercado de Valores de EE.UU. experimentó una notable caída. El reflejo del mercado es fácil de comprender: a principios de 2025, el lanzamiento de DeepSeek R1 provocó una fuerte caída en acciones de potencia de cálculo, bajo la lógica de: los modelos chinos están cada vez más potentes, ¿vale la pena que las empresas de IA estadounidenses sigan invirtiendo tanto en potencia de cálculo? Si los modelos chinos pueden acercarse a las capacidades de vanguardia a menor costo, ¿deberán reevaluarse la demanda de Nvidia, HBM, servidores y equipos de red?

Sin embargo, según Wind Trading Desk, los últimos informes de UBS, Nomura, BofA Merrill Lynch y Citigroup afirman: Kimi K3 no es el fin de la demanda de potencia, sino un acelerador.

Kimi K3 y DeepSeek R1 no son la misma clase de impacto. R1 le mostró al mercado “eficiencia”; K3 destaca “escala”. 2.8 billones de parámetros, contexto de 1M tokens, inferencia siempre activa, multimodalidad nativa, arquitectura MoE, estas características no cuentan una historia de activos ligeros. Todas elevan la presión en inferencia, memoria, red y almacenamiento.

¿Qué tan potente es Kimi K3?

Kimi K3 fue lanzado por Moonshadow el 16 de julio de 2026, y planea abrir los pesos completos del modelo el 27 de julio. Es un modelo open source de 2.8 billones de parámetros, reconocido por varias instituciones como el LLM open source de mayor escala actualmente.

La configuración central incluye tres puntos:

Primero, ventana contextual de 1M tokens. El modelo puede procesar textos más extensos, repositorios de código más largos y tareas empresariales y de investigación más complejas.

Segundo, inferencia siempre activa. No es solo Q&A simple, sino que está dirigido a inferencia de cadenas largas y tareas tipo Agent.

Tercero, capacidad visual nativa. K3 no solo procesa texto, sino también video, imagen, desarrollo de videojuegos, diseño frontend, CAD y tareas multimodales.

En cuanto a arquitectura, K3 emplea Kimi Delta Attention, Attention Residuals y Stable LatentMoE. En la parte MoE, cada token activa 16 de los 896 expertos. Según Moonshadow, la scaling efficiency del modelo aumentó unas 2.5 veces respecto de Kimi K2.

Esto explica por qué K3 no es “un K2 más barato”. Según Nomura, el costo de K3 es de 3 dólares por millón de tokens de input, 0.30 dólares por input con hit en caché y 15 dólares por millón de tokens de output; según Artificial Analysis, el costo por tarea de K3 ronda los 0.94 dólares. Este precio es inferior a los 2.75 dólares de Claude Fable 5 y 1.80 dólares de Claude Opus 4.8, se acerca a los 1.04 dólares de GPT-5.6 Sol, pero es claramente más alto que los 0.32–0.47 dólares de GLM-5.2 y mucho más alto que los 0.04 dólares de DeepSeek V4 Pro.

Así que K3 no busca ser el más barato, sino ofrecer capacidades de vanguardia a menor precio.

Cuatro bancos de inversión han aclarado: esto no es debilitamiento de demanda

Sobre las preocupaciones por el “momento DeepSeek”, el analista de tecnología de Asia Pacífico en Nomura, Duan Bing, escribió en su informe: “Creemos que la competencia e innovación en el mercado global de grandes modelos no se detendrá, y a medida que nos acercamos a la inteligencia artificial general (AGI), las aplicaciones de la generación AI para consumidores y empresas seguirán expandiéndose. Los laboratorios líderes y las plataformas cloud masivas seguirán invirtiendo en esta etapa para mantener la competitividad—con la ley de escala vigente, interpretamos esta competencia como beneficiosa para la cadena de valor de la infraestructura AI.”

El analista de semiconductores de Citigroup, Peter Lee, tituló su reporte del 19 de julio como “Otra paradoja de Jevons”. ¿Qué significa esa paradoja? En resumen: cuando la eficiencia de la máquina de vapor de carbón mejoró, el consumo de carbón aumentó porque más gente podía acceder y usar la tecnología. Lo mismo para modelos AI—cuando los modelos de calidad bajan de precio, los desarrolladores y empresas despliegan más aplicaciones y procesan más tokens, elevando el consumo de potencia de cálculo.

Peter Lee considera que incluso si K3 se usa ampliamente, la demanda para DDR5 y eSSD de servidores sigue aumentando. La razón es que la eficiencia de inferencia del K3 es comparable a otros modelos de vanguardia, pero el uso de caché KV crece con el contexto, aumentando la presión sobre la memoria.

Vivek Arya, analista de semiconductores de BofA Securities, fue más directo en su informe del 17 de julio. Afirma que la reacción de los laboratorios líderes en EE.UU. no es “menos potencia de cálculo, sino más”. Si los modelos open source chinos continúan acercándose, OpenAI, Anthropic y Google deberán apostar por mayor training, inferencia más exigente e iteración más rápida para mantener la diferenciación. Arya resalta un contexto poco discutido: medios informan que Gemini 3.5 Pro de Google lleva meses retrasado respecto a lo planeado, el rendimiento de programación no cumple objetivos internos y la posición de liderazgo se vuelve cada vez más difícil de defender.

El equipo de analistas de UBS liderado por Timo Arcuri apunta en su informe del 20 de julio que K3 y DeepSeek R1 tienen paralelismos, pero K3 enfatiza la escala—es el modelo open source más grande del mundo, con 2.8 billones de parámetros y contexto de 1 millón de tokens. Los analistas enfatizan que los modelos open source suelen demandar más memoria que los closed source, porque el contexto es más largo y la necesidad de caché KV se mantiene en aumento, incluso con cuantización, haciendo que el despliegue dependa más de HBM y almacenamiento.

Almacenamiento: el sector que más se beneficia. Cálculos de UBS muestran que el flujo de caja libre acumulado (FCF) del sector almacenamiento y memoria llegará al 30% de la capitalización de mercado para 2028, el porcentaje más alto entre los subsectores—Micron (MU) llega hasta el 47%. Tanto Citigroup como Nomura mantienen recomendaciones de compra para Samsung Electronics, argumentando que el mercado global de memoria enfrenta escasez extrema. Peter Lee de Citigroup señala que la demanda de memoria para inferencia de Kimi K3 es tan alta como la de otros modelos de vanguardia, y la expansión del caché KV impulsará la demanda para DDR5 de servidores y eSSD de nivel empresarial. Enfatiza que el despliegue a gran escala de Kimi K3 requiere clústeres “supernodo” de más de 64 GPUs.

Infraestructura de potencia de cálculo: TSMC y Nvidia son los principales beneficiados. Ya sea por la vigencia de la ley de escala en entrenamiento o la creciente demanda de tokens en inferencia, todo apunta a más demanda de chips de proceso avanzado. Nomura reitera recomendaciones de compra para TSMC, ASE, MediaTek y otros. Nvidia ha declarado públicamente que el rendimiento y eficiencia energética de los modelos MoE en la arquitectura GB300 NVL72 mejora hasta 25 veces sobre la generación Hopper. Modelos como K3 son los principales beneficiarios del nuevo hardware de Nvidia.

Red: la tendencia supernodo crea oportunidades estructurales. Kimi K3 requiere clústeres supernodo; la potencia de cálculo local en China, limitada por controles de exportación de chips avanzados, depende más de la arquitectura supernodo para compensar la diferencia de rendimiento por tarjeta, lo que impulsa la demanda de módulos ópticos y chips ópticos en la capa de red. Nomura es optimista con Zhongji Xuchuang y Suzhou Xuchuang.

Cloud platforms: beneficiados por efecto de aglomeración ecológica. Los cloud platforms que albergan múltiples modelos open source de vanguardia tienen mayor poder de negociación y no dependen de un solo proveedor closed source. Nomura es optimista con Alibaba (BABA) como núcleo del ecosistema AI cloud en China, así como con GDS y VNET como operadores de data centers.

Quizá este sea el dato más subestimado de toda la narrativa.

Según OpenRouter, el API Gateway open, la proporción de tokens de modelos AI chinos sobre el tráfico global de desarrolladores, hace un año era menos del 2% y ahora supera el 45%. Datos de BofA Merrill Lynch confirman la aceleración de la penetración AI: actualmente, alrededor del 55% de empresas estadounidenses ya han suscrito modelos AI, plataformas o herramientas; la tasa de adopción empresarial de Anthropic alcanza el 42% y la de OpenAI el 40%. Los consumidores AI más importantes (el top 1% de empresas) gastan 4833 dólares por empleado cada mes en AI.

El mercado se está bifurcando. Por un lado, modelos open source chinos como DeepSeek y Kimi K3 cubren el mercado económico y de relación calidad-precio medio-alta; por el otro, los modelos estadounidenses de vanguardia se centran en cargas de trabajo más complejas (como cálculo científico), manteniendo la prima tecnológica y de precios. Según Nomura: jugadores lideres en ambos países se benefician—siempre que sigan en la vanguardia tecnológica.

Tras el lanzamiento de K3, la reacción inicial del mercado fue compararlo con DeepSeek R1. Esa comparación es útil, pero no puede recaer solo en “¿otra vez se va a invertir fuerte en hardware AI?”

DeepSeek hizo que el mercado revalúe la eficiencia de entrenamiento. K3 revela algo distinto: los modelos open source también pueden llevar la escala, contexto largo, Agent y multimodalidad al rango más avanzado.

Esto obliga a los laboratorios estadounidenses de vanguardia a seguir invirtiendo y permite que los modelos chinos sigan expandiéndose en el ecosistema global de desarrolladores. Los modelos closed source top mantienen su prima técnica y de precio, los open source cubren más rangos de precio y escenarios de despliegue, los cloud providers ofrecen distribución de modelos y aterrizaje empresarial, y el sector hardware asume la presión de training e inferencia.

A corto plazo, las operaciones serán volátiles por la “memoria DeepSeek”. A mediano plazo, mientras el uso de tokens siga creciendo y el contexto largo y Agent se expandan, potencia de cálculo, HBM, almacenamiento, red e IDC seguirán siendo costes inevitables.

Por eso varias instituciones llegan a conclusiones similares tras K3: modelos open source más potentes no son el fin de la demanda de infraestructura AI, sino el punto de partida para una nueva difusión de demanda.

No obstante, BofA Merrill Lynch dejó claro un riesgo: “Si el aumento de eficiencia supera al crecimiento de carga de trabajo, podríamos ver un retroceso en la construcción de infraestructura.” O sea, si los modelos son cada vez más baratos pero el uso no crece tanto, el razonamiento sobre la demanda de potencia de cálculo se debilita.