Fireworks afirma que los modelos especializados generan el 95% de sus 40 billones de tokens diarios

En su anuncio de financiación de julio, Fireworks afirmó que su plataforma sirve más de 40 billones de tokens al día. Más del 95% de ese tráfico procedería de modelos especializados en los datos propios de los clientes y en tareas concretas. El investigador Nathan Lambert volvió a señalar la cifra coincidiendo con la conferencia Forge de noviembre.

Cuarenta billones de tokens diarios dan escala productiva a la especialización

Fireworks llama modelos especializados a los sistemas adaptados a datos de clientes y trabajos concretos. Puede tratarse de fine-tuning, otro tipo de post-training o un modelo optimizado para una tarea de producto limitada. El anuncio no desglosa la proporción de cada técnica o modelo.

El volumen subió de 15 billones de tokens en la ronda anterior a más de 40 billones diarios. La empresa también anunció una Series D de 1.505 millones de dólares, una valoración de 17.500 millones y un ritmo de ingresos anualizado superior a 1.000 millones. Todas estas cifras proceden de Fireworks.

Los equipos compran resultados de tareas, no el ganador de un benchmark general

Un modelo limitado puede ser más útil si realiza un trabajo con más rapidez, menor coste y mayor previsibilidad. El routing de herramientas, la edición de código o el resumen de datos internos no siempre requieren el modelo general más caro. Necesitan un rendimiento estable sobre la distribución real de entradas.

El valor se desplaza así hacia los evals, el post-training y la infraestructura de inference. El modelo base sigue siendo importante, pero la ventaja del producto puede residir en el dataset, el ciclo de feedback y la capacidad de desplegar varias variantes especializadas a bajo coste.

Una plataforma no representa todo el mercado y define su propia categoría

Fireworks gana dinero sirviendo y adaptando modelos abiertos. Sus clientes no son una muestra aleatoria de todos los usuarios de AI. El tráfico de ChatGPT, Claude o Gemini no aparece en esos 40 billones. La cifra no demuestra que los modelos especializados supongan el 95% de la inference mundial.

Tampoco existe una auditoría independiente del volumen ni una metodología pública detallada. Los tokens no son unidades iguales de valor económico: una clasificación breve, un reasoning trace largo y un proceso batch tienen costes y beneficios distintos. Fireworks describe su propia mezcla de cargas, no dicta un veredicto universal sobre los frontier models.

El coste y la calidad desplegada determinarán la fuerza de la tendencia

Harían falta datos públicos de otras plataformas de inference y evals de clientes antes y después de adaptar el modelo. Los equipos deben medir el coste por tarea terminada, la latency, los errores y el gasto continuo de retraining. El volumen de tokens también puede crecer porque servirlos sea más barato.

Si otros proveedores muestran una proporción parecida y los modelos especializados conservan la calidad cuando cambian los datos, estaremos ante un cambio en la arquitectura del mercado. Hasta entonces, el 95% describe bien a los clientes de Fireworks, no a todas las empresas.

El veredicto de Lilith

Fireworks enseña una fábrica donde 95 de cada 100 tokens pasan por una línea a medida. Antes de convertirla en un mapa de toda la industria, hace falta mirar también dentro de las demás fábricas.