Un equipo de la Universidad de Stanford ha comparado el rendimiento de pequeños modelos de lenguaje (SLM) ejecutados en ordenadores de sobremesa con el de grandes modelos (LLM) alojados en la nube, como GPT-5, Claude Sonnet 4.5 o Gemini 2.5 Pro, y los resultados cuestionan las inversiones masivas en centros de datos. En tareas conversacionales, que representan la mayoría de las consultas, el mejor SLM iguala o supera al LLM en el 98,6% de los casos. En razonamiento, la media combinada alcanza el 81,2%, con ventaja clara de los LLM solo en ingeniería, ciencias de la vida, transporte e informática. Además, los SLM consumen entre un 50% y un 85% menos de energía y ofrecen una eficiencia por vatio siete veces superior. Entre 2023 y octubre de 2025, su tasa de éxito en razonamiento pasó de alrededor del 50% al 85-99% en los niveles más fáciles, y solo rezaga en los más difíciles. Los autores estiman que el mercado estadounidense direccionable para SLM ronda los 10 billones de dólares, un tercio del PIB de EE UU. El estudio señala excepciones: los SLM aún rinden por debajo del 50% en aplicaciones agénticas y los modelos ejecutables en teléfonos son notablemente inferiores a los de escritorio. El análisis advierte a los inversores que los hyperscalers podrían no justificar su capex, que Nvidia podría ver erosionados sus márgenes si sus chips de gama alta son sustituidos por los de PC, y que Dell o Apple pueden ser los verdaderos ganadores del ciclo.
Noticias agregadas con IA