El mayor debate en IA ahora mismo no va de capacidades. Va de acceso.
¿Deberían ser públicos el código y los pesos detrás de modelos de IA potentes? ¿O deberían quedar encerrados detrás de APIs, bajo el control de las empresas que los construyeron?
Esto no es una pregunta filosófica abstracta. La respuesta define quién puede construir con IA, cuánto cuesta y quién controla el futuro de la tecnología.
Esto es de qué va de verdad la batalla entre el código abierto y el código cerrado.
La división básica
Los modelos de código cerrado mantienen sus entrañas en privado. Puedes usar el modelo a través de una API (como ChatGPT o Claude), pero no puedes ver cómo funciona, no puedes modificarlo y no puedes ejecutarlo tú mismo. La empresa lo controla todo.
Los modelos de código abierto (o, más precisamente, modelos de “pesos abiertos”) publican el modelo entrenado para que cualquiera lo descargue. Puedes inspeccionarlo, modificarlo, ajustarlo a tus necesidades específicas y ejecutarlo en tu propio hardware.
Según la comparación técnica de Hakia, los modelos cerrados son “AI models whose architecture, training data, and model weights are not publicly available and are owned, hosted, and managed by a vendor.”
El lado del código abierto publica algunos o todos esos componentes.
Los principales actores
Código cerrado:
- OpenAI (GPT-4, GPT-5, ChatGPT)
- Anthropic (Claude)
- Google (Gemini)
Código abierto / pesos abiertos:
- Meta (familia Llama)
- Mistral (Mistral, Mixtral)
- Alibaba (Qwen)
- DeepSeek (modelos DeepSeek)
No es perfectamente binario. OpenAI recientemente lanzó GPT-OSS como un modelo de pesos abiertos. Algunos modelos “abiertos” tienen licencias restrictivas. Pero la división básica se mantiene.
Por qué las empresas mantienen los modelos cerrados
El código cerrado tiene motivaciones comerciales obvias, pero los argumentos van más allá.
Foso competitivo. Si cualquiera puede descargar y usar tu modelo, ¿cuál es tu negocio? El acceso por API te permite cobrar por uso y mantener una ventaja.
Preocupaciones de seguridad. OpenAI inicialmente retuvo GPT-2 por preocupaciones sobre el mal uso. El argumento es que restringir el acceso evita que actores maliciosos usen una IA potente para spam, desinformación o algo peor.
Control y rendición de cuentas. Cuando controlas el modelo, puedes implementar salvaguardas, vigilar abusos y actualizar para corregir problemas. Los modelos abiertos quedan fuera de tu control una vez publicados.
Modelo de ingresos. Los modelos cerrados permiten precios basados en uso. Esto ha dado a OpenAI, Anthropic y Google AI ingresos sustanciales.
Por qué otros apuestan por lo abierto
El movimiento de código abierto tiene sus propios argumentos convincentes.
Transparencia. Con modelos abiertos, los investigadores pueden estudiar cómo funcionan, identificar sesgos y entender sus limitaciones. Según el análisis de Klu sobre LLMs de código abierto, la transparencia permite una mejor investigación de seguridad y más rendición de cuentas.
Innovación. Cuando cualquiera puede construir sobre un modelo, la innovación se acelera. Miles de desarrolladores pueden encontrar aplicaciones que los creadores originales jamás imaginaron.
Accesibilidad. Los modelos abiertos pueden ejecutarse en hardware local. Esto importa para la privacidad, para usuarios en zonas con mala conexión a internet y para aplicaciones que no pueden enviar datos a servidores de terceros.
Longevidad. Según el análisis de n8n, “self-hosted models don’t become obsolete, unlike closed-source providers who may ‘retire’ older models.” Cuando una empresa depreca una API, los usuarios entran en pánico. Un modelo abierto que ya descargaste funciona para siempre.
Coste a escala. Para aplicaciones de alto volumen, ejecutar tu propio modelo puede salir mucho más barato que las tarifas de una API.
La gran apuesta de Meta por lo abierto
El enfoque de Meta merece atención especial. Han publicado la familia de modelos Llama con licencias relativamente permisivas, y eso ha cambiado el panorama.
Según el informe de Red Hat sobre el estado de la IA de código abierto, “before DeepSeek gained popularity at the beginning of 2025, the open model ecosystem was simpler. Meta’s Llama family of models was quite dominant.”
¿Por qué Meta regalaría IA valiosa? Algunas teorías:
-
No venden servicios de IA. A diferencia de OpenAI o Google, el negocio de Meta es la publicidad. Una IA mejor mejora sus productos sin necesidad de cobrar por IA directamente.
-
Socavar a competidores. Si una IA potente es gratis, los ingresos de IA de Google y OpenAI quedan amenazados.
-
Construir un ecosistema. Los desarrolladores que construyen sobre Llama podrían crear cosas que Meta termine usando o adquiriendo.
-
Comoditizar el complemento. Cuando la IA es gratis, el recurso escaso pasa a ser otra cosa (datos, distribución, integración) que Meta podría controlar.
Sea cual sea la motivación, Llama demostró que los modelos abiertos podían competir con los cerrados.
Mistral: el contendiente europeo
Mistral AI, fundada en París por ex investigadores de Google DeepMind y Meta AI, tomó un camino distinto. Según el análisis de n8n, Mistral “changed the open-source landscape when it released Mistral 7B under the Apache 2.0 licence.”
Lo que hizo notable a Mistral no fue solo que fuera abierta. Fue eficiente. En lugar de perseguir conteos brutos de parámetros, Mistral se centró en innovaciones de arquitectura que hacían que modelos más pequeños rindieran como modelos más grandes.
Mixtral 8x7B usa una arquitectura de “mezcla de expertos”. Según Klu, tiene “46.7 billion parameters while actively using only 12.9 billion per token.” Cada consulta se enruta a subredes especializadas, logrando los beneficios de la escala sin el coste completo.
Mistral recaudó más de 1.000 millones de dólares mientras mantenía compromisos fuertes con el código abierto, demostrando que hay un modelo de negocio en la IA abierta.
La brecha de rendimiento (o la falta de ella)
Los primeros modelos de código abierto eran claramente inferiores. Eso cambió.
Según Hakia, “Leading open source models like Llama 3.3 70B and DeepSeek R1 now match GPT-4 level performance in many tasks.”
El análisis de Clarifai señala que “open source models like Gemma 2, Nemotron-4, and Llama 3.1 have surpassed proprietary counterparts such as GPT-3.5 Turbo and Google Gemini in versatility.”
La brecha entre lo mejor disponible en abierto y lo mejor disponible en cerrado se ha estrechado de forma dramática. Para muchas aplicaciones prácticas, las opciones abiertas son lo bastante buenas.
La comparación real de costes
El coste es complicado. No se trata solo del precio de etiqueta.
Costes del código cerrado:
- Pago por token (basado en uso)
- Predecibles por consulta, pero impredecibles a escala
- Sin infraestructura que gestionar
- Los costes pueden ser volátiles (los precios cambian, se aplican límites de uso)
Costes del código abierto:
- Inversión en hardware (GPUs)
- Tiempo de ingeniería para desplegar y mantener
- Electricidad y alojamiento
- Predecibles una vez montado
Según el análisis de Hakia, “for low-volume applications (under 1M tokens/month), closed APIs are more cost-effective when factoring in infrastructure and engineering costs. High-volume applications see massive savings with self-hosted open models.”
El punto de equilibrio varía, pero para uso serio en producción, los modelos abiertos suelen ganar en coste.
Privacidad de datos y control
Para muchas organizaciones, el argumento convincente para el código abierto no es el coste. Es el control.
Con una API cerrada, tus datos pasan por los servidores de otra persona. Tus prompts, tus documentos, la información de tus clientes: todo procesado por un tercero.
Con un modelo abierto ejecutándose en tu propia infraestructura, los datos nunca salen de tu control. Esto importa para:
- Organizaciones sanitarias con datos de pacientes
- Servicios financieros con información de clientes
- Bufetes con material confidencial
- Cualquier empresa con secretos comerciales
- Agencias gubernamentales con información clasificada
El análisis de Instaclustr destaca “data sovereignty” como un beneficio clave de los modelos abiertos. No estás confiando tus datos a un tercero.
La ventaja del ajuste fino
Los modelos abiertos te permiten personalizar de formas que los modelos cerrados no.
El ajuste fino significa entrenar un modelo más con tus datos específicos. Un bufete podría hacer ajuste fino con documentos legales. Una empresa médica podría hacerlo con notas clínicas. Un minorista podría hacerlo con transcripciones de atención al cliente.
Según el análisis de Elephas, los modelos abiertos ofrecen “better fine-tuning accuracy due to flexible customization of local model parameters.”
Los modelos cerrados a veces ofrecen ajuste fino, pero es limitado. No puedes acceder a los pesos subyacentes. Ajustas fino a través de la interfaz de la API, no del modelo en sí.
La irrupción de DeepSeek
A principios de 2025, DeepSeek emergió como una fuerza importante. La empresa china lanzó modelos que competían con lo mejor de OpenAI y Google.
Según la visión general de Hugging Face, DeepSeek R1 está entre los “10 Best Open-Source LLM Models” junto a Llama 4 y Qwen 3.
La aparición de DeepSeek complicó la narrativa. Mostró que el liderazgo en IA no estaba garantizado para seguir en manos de empresas de EE. UU. También demostró que equipos talentosos con menos recursos podían competir con ingeniería inteligente.
El informe de Red Hat señala que “total model downloads switched from USA-dominant to China-dominant during the summer of 2025.”
Los modelos pequeños mejoran
Una de las tendencias más importantes es que los modelos pequeños mejoran rápidamente.
Según Red Hat, “perhaps the biggest win for AI in 2025 has been the advancement of small language models (SLMs) that can run on almost any consumer device, including mobile phones.”
Esto importa enormemente para el código abierto. Si necesitas un modelo de 70.000 millones de parámetros, necesitas hardware serio. Si un modelo de 7.000 millones de parámetros hace el trabajo, puedes ejecutarlo en un portátil.
El último modelo Llama 3.3 70B ofrece un rendimiento comparable al modelo de 405B parámetros a una fracción del coste computacional. Modelos más pequeños y eficientes hacen que el autoalojamiento sea más práctico para más usuarios.
Las implicaciones para el negocio
Si estás decidiendo entre abierto y cerrado para tu organización, estas son las consideraciones clave:
Elige código cerrado si:
- Estás en volumen bajo a moderado
- Quieres un mínimo de carga operativa
- Necesitas las capacidades absolutamente punteras
- Te da igual que los datos salgan de tu infraestructura
- Quieres que otra parte se encargue de seguridad y actualizaciones
Elige código abierto si:
- Estás en alto volumen y el coste importa
- La privacidad o soberanía de datos es crítica
- Necesitas personalizar el modelo para tu caso de uso
- Quieres control de tu infraestructura de IA
- Estás incorporando IA en productos que vendes
Muchas organizaciones acaban usando ambos. APIs cerradas para prototipado y uso de bajo volumen. Modelos abiertos para escala en producción o datos sensibles.
Lo que esto significa para el futuro
El debate entre abierto y cerrado moldeará el futuro de la IA.
Si gana lo cerrado: unas pocas empresas controlan la IA más potente. Se convierten en guardianes de quién puede construir qué. Concentración de poder en gigantes tecnológicos.
Si gana lo abierto: la IA se convierte en infraestructura que cualquiera puede usar. Innovación más distribuida. Más difícil de controlar o regular. Más potencial de mal uso, pero también más transparencia.
Lo más probable: algo entre medias. Los modelos cerrados probablemente seguirán en la frontera. Los modelos abiertos serán lo bastante capaces para la mayoría de propósitos. La brecha será lo bastante estrecha como para que la elección sea sobre compromisos, no sobre capacidad.
Para el contexto completo de cómo llegó aquí la IA, mira Cronología de la IA: 1950 hasta hoy. Para hacia dónde podría ir esto, mira Qué viene después para la IA: 2025-2030.
La batalla entre abierto y cerrado no es solo sobre arquitecturas técnicas. Es sobre quién puede construir el futuro y cuánto cuesta eso. El resultado afecta a todos los que usan IA, lo que cada vez significa a todo el mundo.
