Apsara 2026 de Alibaba: modelos gigantes, realidad de modelos pequeños

El mayor congreso de IA de China cada septiembre es la Apsara Conference de Alibaba Cloud en Hangzhou. La ponencia principal de este año contenía dos historias. Una trataba de la escala: un modelo varias veces mayor que cualquier otro entrenado por Alibaba. La otra, casi de pasada, trataba de un modelo abierto pequeño que los desarrolladores usan de verdad. Para el marketing en Asia, la segunda historia puede importar más.

Qué ha pasado

Según Reuters, a través de The Standard, el CEO de Alibaba, Eddie Wu, dijo el 22 de septiembre que el equipo de Qwen prevé entrenar un nuevo modelo con entre 5 y 10 billones de parámetros, orientado a tareas más complejas y de mayor horizonte. El modelo insignia actual de Alibaba, Qwen 3.8 Max, tiene 2,4 billones de parámetros. Wu también dijo que el equipo ha logrado “avances significativos” en la automejora recursiva, presentó el chip de IA Zhenwu V900 de la unidad T-Head de Alibaba, con el triple de rendimiento que su predecesor, y fijó el objetivo de que la capacidad mundial de centros de datos de Alibaba Cloud supere los 20 gigavatios en 2032. Afirmó: “La demanda del sector a medio y largo plazo supera con creces nuestra capacidad de suministro”.

En el texto de la ponencia publicado en Alizila, Wu calificó el modelo de código abierto Qwen-27B como “el modelo más popular entre los desarrolladores de todo el mundo” y dijo que Alibaba seguirá perfeccionando modelos para su despliegue local. También dijo que espera que los agentes se conviertan en “residentes” a largo plazo de la nube, ejecutando tareas de largo horizonte y consumiendo capacidad de cómputo de forma continua.

Por qué importa

Para un profesional del marketing regional, la carrera de los billones de parámetros es sobre todo un deporte de espectadores. Usará esos modelos a través de una API, si es que los usa. El modelo abierto y desplegable localmente es distinto. Es algo que su empresa o su proveedor puede ejecutar en su propia infraestructura, en la jurisdicción que elija, ajustado con sus propios datos.

Eso importa en Asia por razones prácticas. Las normas de residencia de datos varían en la región. Muchas empresas no se sienten cómodas enviando datos de clientes a una API extranjera. Y los idiomas y las referencias culturales del Sudeste y el Este de Asia están mal atendidos por modelos ajustados principalmente en inglés. Un modelo abierto de tamaño medio y capaz, que pueda adaptarse localmente, resuelve las tres cosas.

El comentario de Wu sobre los agentes como “residentes” de la nube es la otra señal. Si los agentes funcionan de forma continua, el coste por tarea se convierte en una variable estratégica. Los modelos eficientes se encargarán de la mayor parte de ese trabajo.

Lo que dice mi investigación

He defendido en Forbes que, en marketing, la técnica importa más que el tamaño del modelo. Un modelo más pequeño bien adaptado a su audiencia, su idioma y su tarea suele superar a un modelo general gigante usado sin cuidado.

Mi investigación también muestra por qué importa la adaptación local. En I Know Where You Are Coming From (AAAI 2020) comprobamos que la red social de la que aprende un modelo cambia su precisión. En Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022) mostramos que las personas expresan su personalidad de forma distinta según la plataforma. La idea general: el comportamiento depende del contexto, y los modelos necesitan datos específicos de ese contexto para interpretarlo correctamente. Las plataformas, los idiomas y las culturas de Asia son un contexto que un modelo entrenado en otro lugar no tiene automáticamente.

Y los modelos eficientes hacen que la explicabilidad sea asequible a escala. En Fusing Predictive and Large Language Models (ACM TOIS 2025) combinamos la predicción del rendimiento con explicaciones generadas por LLM. Ejecutar la capa de explicación sobre cada creatividad, cada día, solo es realista cuando el modelo de lenguaje es lo bastante barato para aplicarlo a todo.

Qué deben hacer ahora los equipos de marketing en Asia

• Pruebe un modelo abierto de tamaño medio en una tarea regional, como clasificar publicaciones sociales en indonesio o tailandés, y compárelo con su modelo actual por API en precisión y coste.
• Decida adónde pueden ir sus datos. Determine qué datos de clientes pueden enviarse a API externas y cuáles requieren procesamiento local.
• Ajuste el modelo con su propio contexto. Incluso una pequeña cantidad de datos locales etiquetados puede mejorar notablemente el tono y la precisión.
• Prepárese para agentes siempre activos. Calcule el coste de cómputo de la supervisión y los informes continuos, y elija los modelos en consecuencia.
• Siga de cerca la frontera sin depender de ella. Use los modelos más grandes donde aporten un valor claro, y los eficientes en todo lo demás.

El titular de Hangzhou fue una cifra con doce ceros. La noticia práctica para el marketing es que los buenos modelos pequeños siguen mejorando y pueden estar más cerca de sus clientes.

Preguntas frecuentes