La próxima ventaja competitiva en inteligencia artificial (IA) para los operadores podría no estar en desarrollar o acceder al modelo más avanzado, sino en la capacidad para decidir qué modelo utilizar en cada momento. Esa es la idea más interesante que deja el último anuncio de AT&T. Aunque el lanzamiento de OTel 2.0 ha acaparado la atención, el nuevo modelo constituye solo una pieza de una estrategia mucho más amplia que la compañía explica en paralelo a través de un artículo firmado por Andy Markus, Chief Data and AI Officer de AT&T. Leídos conjuntamente, ambos documentos describen una arquitectura de IA pensada para resolver uno de los desafíos que empiezan a afrontar los operadores: escalar el uso de IA sin perder el control sobre los costes.
La magnitud del problema queda reflejada en un dato aportado por el propio Markus. AT&T procesa alrededor de 45.000 millones de tokens diarios, un volumen que convierte el consumo de IA en un problema económico además de tecnológico. Bajo ese escenario, utilizar siempre el modelo más potente deja de ser la opción más eficiente. Muchas tareas pueden resolverse con modelos más pequeños y menos costosos sin comprometer la calidad del resultado. La pregunta deja entonces de ser cuál es el mejor modelo y pasa a ser cuál es el más adecuado para cada tarea.
La respuesta de AT&T es un AI Gateway capaz de seleccionar automáticamente la IA que debe ejecutar cada petición. Según Markus, el sistema evalúa el coste de inferencia, la velocidad y la calidad esperada antes de dirigir la consulta al modelo que ofrece el mejor equilibrio entre esas variables. Incluso puede cambiar de modelo durante una conversación si considera que otra alternativa resulta más eficiente. El ejecutivo asegura que esta arquitectura ya funciona en producción y ha permitido reducir hasta un 90 por ciento el coste asociado a determinadas cargas de trabajo de IA.
Es precisamente en ese contexto donde debe entenderse el lanzamiento de OTel 2.0. El comunicado oficial presenta el nuevo desarrollo como la evolución de la familia de modelos abiertos de AT&T para telecomunicaciones. La nueva versión parte de Gemma 4 31B-IT y ha sido postentrenada utilizando aproximadamente 400.000 millones de tokens especializados, seleccionados tras procesar más de un billón de tokens relacionados con el sector. Según la compañía, el modelo encabeza actualmente el benchmark Open-Telco.ai, diseñado para evaluar el rendimiento de modelos de IA sobre tareas propias de las redes de telecomunicaciones.
Sin embargo, interpretar OTel 2.0 únicamente como un modelo más preciso sería quedarse en la superficie del anuncio. Dentro de la estrategia descrita por Markus, su verdadero valor reside en ampliar el catálogo de herramientas disponibles para el AI Gateway. Si un modelo entrenado específicamente para un dominio concreto puede resolver determinadas tareas utilizando menos recursos computacionales que un modelo generalista, el operador consigue simultáneamente dos objetivos: aumentar la precisión y reducir el coste de inferencia. La especialización deja así de ser únicamente una cuestión de rendimiento para convertirse también en una herramienta de eficiencia económica.
Ese planteamiento responde a una realidad muy concreta del negocio de las telecomunicaciones. Las redes operan en entornos multivendor, utilizan terminología altamente especializada y dependen de estándares técnicos, especificaciones y datos operativos que rara vez forman parte del conocimiento con el que se entrenan los modelos fundacionales. Mientras disciplinas como la programación disponen de enormes volúmenes de información pública, buena parte del conocimiento que necesita un ingeniero de redes permanece distribuido entre estándares, documentación técnica y sistemas internos de los operadores. Esa limitación explica por qué los modelos generalistas siguen encontrando dificultades cuando deben interpretar especificaciones de 3GPP, analizar registros de red o asistir en tareas de configuración y resolución de incidencias.
El desarrollo de OTel 2.0 también refleja un esfuerzo colaborativo de la industria. El conjunto de datos utilizado para el entrenamiento incorpora documentación recopilada por la GSMA junto con organizaciones como 3GPP, ETSI, ITU, CAMARA, O-RAN Alliance y TM Forum, mientras que compañías como Microsoft, AMD, Dell y Red Hat han participado en distintos componentes tecnológicos del proyecto. La decisión de distribuir estos modelos como software abierto persigue precisamente que operadores, fabricantes e investigadores continúen adaptándolos a sus propios entornos y casos de uso.
La visión de AT&T tampoco termina en la combinación entre modelos especializados y un sistema inteligente de selección. Markus sitúa ambos elementos dentro de una arquitectura más amplia que incorpora gobierno de la información, seguridad y control sobre todo el ciclo de vida de la IA, una aproximación que identifica bajo el concepto de *Models as a Service*. El modelo deja así de ser el centro de la estrategia para convertirse en uno de los componentes de una plataforma capaz de gestionar múltiples modelos, múltiples fuentes de datos y múltiples cargas de trabajo de forma coordinada.
Todavía es pronto para saber si esta aproximación terminará imponiéndose en la industria. Sin embargo, el mensaje que deja AT&T va mucho más allá del lanzamiento de un nuevo modelo abierto. La compañía está defendiendo que la siguiente fase de la IA para operadores no se decidirá por quién construya el modelo más grande, sino por quién sea capaz de operar un ecosistema de IA de forma más eficiente. Si esa visión se confirma, la verdadera ventaja competitiva no estará en el modelo, sino en la arquitectura que permita combinarlo con otros, asignar cada tarea a la IA más adecuada y hacerlo con el mejor equilibrio posible entre precisión, coste y eficiencia operativa.
