Modelos de IA abiertos: la carta que convierte una decisión técnica en una disputa de poder

Imagina que una parte crítica de tu empresa depende de una inteligencia que no controlas.

Accedes a ella mediante una API. El proveedor decide el precio, la capacidad disponible, las políticas de uso y los países desde los que puedes conectarte. Puede cambiar las condiciones, retirar un modelo o bloquear determinados casos de uso.

Tu producto sigue siendo tuyo. Tus datos también. Pero una parte creciente de la capacidad que lo hace funcionar pertenece a otra empresa.

En 30 segundos: una carta respaldada por Nvidia, Microsoft, Meta, Google y otras decenas de organizaciones defiende los modelos de pesos abiertos como condición para mantener la competencia en la IA. Anthropic responde que la apertura no es segura por definición y debe someterse a pruebas. Para una empresa, la conclusión no es elegir bando: es no construir sistemas críticos sin alternativas.

Eso no convierte automáticamente a los modelos cerrados en una mala decisión. Han permitido que miles de empresas incorporen inteligencia artificial sin entrenar modelos ni construir infraestructura propia.

Pero sí obliga a plantear una pregunta que durante mucho tiempo quedó relegada a los equipos técnicos:

¿Quién controla realmente la inteligencia sobre la que estamos construyendo?

El 24 de julio de 2026, una carta titulada Open Weights and American AI Leadership colocó esa pregunta en el centro del debate. El documento, respaldado por decenas de organizaciones tecnológicas —entre ellas Nvidia, Microsoft, Meta, Google, IBM, OpenAI, Hugging Face, Mozilla, Mistral y Palantir— defiende que los modelos de pesos abiertos son necesarios para mantener la competencia, ampliar el acceso a la IA y evitar que una capacidad estratégica quede concentrada en pocos proveedores.

La carta no es solo una defensa de una forma de distribuir modelos. Es una declaración sobre cómo debería repartirse el poder en la economía de la inteligencia artificial. (carta oficial)

Antes de discutir, aclaremos qué significa "abierto"

Uno de los problemas de este debate es que se utilizan como sinónimos conceptos que no significan lo mismo.

Código abierto u open source

Según la definición de la Open Source Initiative, un sistema de IA realmente abierto debe permitir que las personas puedan usarlo, estudiarlo, modificarlo y compartirlo.

Para ejercer esas libertades no basta con acceder al modelo. También es necesario disponer de los elementos relevantes para comprenderlo y modificarlo: parámetros, código, información sobre los datos y los procesos utilizados para construirlo.

Es un estándar exigente que pocos modelos actuales cumplen de manera completa. (Open Source AI Definition)

Pesos abiertos u open weights

Los pesos son los parámetros aprendidos durante el entrenamiento. Cuando una organización publica esos pesos, otras personas pueden descargar el modelo, ejecutarlo en su propia infraestructura, adaptarlo o realizar un fine-tuning.

Sin embargo, publicar los pesos no significa necesariamente publicar:

• los datos utilizados durante el entrenamiento;
• el código completo de entrenamiento;
• el proceso de filtrado de los datos;
• todos los componentes necesarios para reproducir el modelo;
• una licencia que permita cualquier uso.

Por eso, un modelo puede ser de pesos abiertos sin ser completamente open source.

Acceso mediante API

En este caso puedes utilizar el modelo, pero no descargarlo ni ejecutarlo bajo tu control.

El proveedor conserva los pesos, la infraestructura y las decisiones sobre el servicio. Tú accedes a una capacidad, normalmente pagando por uso.

Es la forma más rápida de empezar, pero también la que genera una dependencia más directa del proveedor.

La IA no nació cerrada, pero su capa comercial se concentró

La investigación en inteligencia artificial se construyó durante décadas sobre publicaciones académicas, bibliotecas abiertas, estándares compartidos y colaboración entre universidades y empresas.

El cambio llegó con los modelos generativos de frontera.

Entrenar estos sistemas pasó a requerir grandes cantidades de capital, chips, datos, energía e infraestructura. Como consecuencia, los modelos más capaces empezaron a distribuirse principalmente como servicios controlados por un número reducido de empresas.

Este modelo tenía una lógica económica clara: quien asumía el coste del entrenamiento necesitaba recuperar la inversión.

También ofrecía ventajas prácticas. Una startup podía incorporar una capacidad avanzada mediante una API sin contratar un equipo de investigación ni mantener un clúster de GPU.

El problema aparece cuando una decisión temporal de implementación se convierte, sin que nadie lo planifique, en una dependencia estructural.

Una empresa empieza utilizando una API porque es rápida. Después construye sus procesos, sus evaluaciones, sus agentes y sus productos alrededor de las particularidades de ese modelo. Cambiar de proveedor deja de ser una modificación técnica y se convierte en una migración compleja.

La velocidad inicial puede terminar produciendo bloqueo a largo plazo.

Qué defiende realmente la carta

La carta impulsada por Nvidia presenta tres argumentos principales a favor de los modelos de pesos abiertos.

1. Amplían el acceso a la economía de la IA

No todas las tareas requieren el modelo más potente del mercado.

Clasificar documentos, extraer datos, resumir conversaciones o ejecutar determinados procesos internos puede realizarse con modelos más pequeños y especializados.

Cuando los pesos están disponibles, una empresa puede elegir el modelo adecuado para cada función, ejecutarlo donde resulte más conveniente y reservar los modelos más caros para los problemas que realmente necesitan capacidades de frontera.

La apertura no elimina el coste del cómputo. Ejecutar modelos grandes continúa siendo caro.

Lo que cambia es quién puede decidir dónde ejecutarlos, cómo optimizarlos y con qué proveedor contratar la infraestructura.

2. Introducen competencia en más capas

Con modelos cerrados, la competencia se concentra principalmente entre las empresas propietarias de las APIs.

Los pesos abiertos amplían la competencia a otras capas:

• proveedores de infraestructura;
• plataformas de inferencia;
• herramientas de optimización;
• servicios de seguridad;
• aplicaciones especializadas;
• soluciones instaladas en infraestructura privada.

La inteligencia deja de estar empaquetada únicamente como un servicio y pasa a convertirse en un componente que puede ser desplegado de distintas maneras.

3. Dan mayor control a las organizaciones

Una empresa que puede descargar y ejecutar un modelo dispone de más opciones para decidir dónde residen sus datos, cómo se adapta el sistema y qué ocurre si un proveedor cambia las condiciones.

Esto no garantiza independencia absoluta. El hardware, la nube, las herramientas de despliegue y el talento especializado continúan estando concentrados.

Pero reduce una dependencia concreta: que toda la inteligencia de la organización dependa de una única API.

Nvidia defiende la apertura, pero también tiene incentivos

Que Nvidia apoye los modelos abiertos no debería sorprender.

Cuantos más modelos se entrenen, adapten y ejecuten, mayor será la demanda de infraestructura de cómputo. Los modelos abiertos permiten que más empresas participen en ese ecosistema y que la competencia se desplace hacia el despliegue, la inferencia y la optimización.

Es razonable inferir que Nvidia se beneficia de esa expansión.

Eso no invalida los argumentos de la carta. Las empresas pueden defender principios que también favorecen sus intereses comerciales.

Lo importante es no presentar el debate como una lucha entre actores desinteresados. Todos ocupan una posición dentro de la cadena de valor.

Los proveedores de modelos cerrados capturan valor mediante el acceso a la inteligencia. Los proveedores de infraestructura capturan valor cuando más organizaciones pueden ejecutar esa inteligencia.

La discusión sobre apertura también es una discusión sobre dónde se concentrará el margen económico.

La respuesta de Anthropic: no prohibir, pero tampoco idealizar

Anthropic fue una de las ausencias más comentadas entre los firmantes.

Pocos días después, su CEO, Dario Amodei, publicó una explicación de la posición de la compañía.

Anthropic afirma que nunca ha defendido una prohibición general de los modelos de pesos abiertos. También reconoce que los modelos sin capacidades peligrosas pueden ser un bien público para empresas, investigadores y desarrolladores.

Su desacuerdo está en otra parte.

Cuando los pesos de un modelo se publican, el desarrollador pierde la capacidad de retirarlos, controlar su utilización o actualizar sus salvaguardas. Las copias pueden distribuirse, modificarse y ejecutarse en sistemas privados sin supervisión.

Para modelos suficientemente potentes, Anthropic considera que esto podría aumentar los riesgos de uso en ciberataques, biología u otras áreas sensibles.

La empresa propone tres medidas principales:

1. limitar el acceso de regímenes autoritarios a chips avanzados y equipos de fabricación;
2. combatir las operaciones de destilación industrial destinadas a replicar capacidades de modelos extranjeros;
3. someter a pruebas obligatorias de seguridad todos los modelos suficientemente capaces, sean abiertos o cerrados.

Su crítica más importante a la carta es que la apertura no ayuda necesariamente más a los defensores que a los atacantes. Esa relación debe comprobarse mediante evaluaciones rigurosas, no asumirse por principio.

Es una posición más matizada que “Anthropic está contra los modelos abiertos”. La empresa no propone prohibirlos como categoría. Propone que el nivel de control dependa de las capacidades y los riesgos demostrados por cada modelo. (posición oficial de Anthropic)

Seguridad y apertura: las dos partes tienen argumentos válidos

La apertura aumenta la capacidad de auditoría.

Investigadores externos pueden estudiar el comportamiento del modelo, probar ataques, buscar vulnerabilidades, desarrollar mitigaciones y comprobar afirmaciones del fabricante.

Pero también puede disminuir la capacidad de intervención después del lanzamiento.

En una API cerrada, el proveedor puede bloquear una cuenta, modificar los filtros, actualizar el modelo o retirar una versión. Cuando los pesos se descargan, esas medidas dejan de estar disponibles.

Por eso, afirmar que “lo abierto siempre es más seguro” es tan simplista como afirmar que “lo cerrado siempre es más seguro”.

Cada modelo debería evaluarse según:

• sus capacidades reales;
• el daño que podría facilitar;
• la posibilidad de retirar o mitigar esas capacidades;
• el tipo de organización que lo desplegará;
• la infraestructura en la que se ejecutará;
• las medidas de supervisión disponibles.

La seguridad no depende únicamente de si el modelo es abierto o cerrado. Depende de la capacidad de evaluar, limitar, detectar y responder.

Kimi K3 demuestra que la distancia se está reduciendo

Kimi K3, desarrollado por Moonshot AI, se ha convertido en uno de los ejemplos más recientes del avance de los modelos de pesos abiertos.

El modelo utiliza una arquitectura Mixture of Experts con 2,8 billones de parámetros totales y 104.000 millones activados durante la inferencia. También incorpora capacidades visuales nativas y una ventana de contexto de un millón de tokens.

Moonshot publicó los pesos completos del modelo para facilitar la investigación y el despliegue.

Pero conviene describir sus resultados con precisión.

El informe técnico indica que Kimi K3 alcanza rendimiento de frontera en tareas de programación, razonamiento, conocimiento, visión y ejecución prolongada. También afirma que supera a otros modelos abiertos y a varios modelos propietarios evaluados por el equipo.

Sin embargo, la propia Moonshot reconoce que su rendimiento general todavía está por debajo de los modelos propietarios más potentes incluidos en la comparación: Claude Fable 5 y GPT-5.6 Sol.

Kimi K3 no demuestra que los modelos abiertos ya hayan superado definitivamente a los cerrados.

Demuestra algo más relevante: la distancia ya no es lo suficientemente grande como para asumir que los modelos cerrados conservarán siempre una ventaja insuperable. (informe técnico de Kimi K3)

Para profundizar en sus implicaciones geopolíticas y empresariales, puedes leer nuestro análisis sobre Kimi K3 y WAICO.

La pregunta correcta para una empresa no es "abierto o cerrado"

El error sería convertir esta discusión en una elección ideológica.

Una empresa no debería utilizar un modelo abierto por principios ni una API cerrada porque sea la opción más conocida.

La pregunta correcta es:

¿Qué combinación de modelos ofrece el equilibrio adecuado entre capacidad, velocidad, coste, control y riesgo?

Para muchas organizaciones, la respuesta será una arquitectura híbrida.

Las APIs cerradas pueden ser la mejor opción cuando:

• necesitas lanzar rápidamente;
• el volumen inicial es reducido;
• necesitas el máximo nivel de capacidad disponible;
• no quieres mantener infraestructura de inferencia;
• el proveedor ofrece garantías adecuadas de disponibilidad y tratamiento de datos.

Los modelos de pesos abiertos pueden ser más adecuados cuando:

• los datos no deben salir de una infraestructura controlada;
• el volumen justifica optimizar los costes de inferencia;
• necesitas adaptar profundamente el modelo;
• quieres controlar las actualizaciones;
• la latencia es crítica;
• debes reducir la dependencia de un proveedor;
• el caso de uso funciona con un modelo especializado.

La mayoría de las empresas no necesita elegir un único camino. Necesita evitar que cualquiera de esos caminos se convierta en irreversible. Es exactamente el tipo de decisión que estructuramos en un roadmap tecnológico.

Cómo evitar depender de un único proveedor de IA

La portabilidad no se obtiene simplemente añadiendo dos APIs al mismo producto.

Debe diseñarse desde el inicio.

Crea una capa de abstracción

La lógica del negocio no debería llamar directamente a funciones exclusivas de un único modelo en cada parte del sistema.

Una capa intermedia permite normalizar las solicitudes, las respuestas, las herramientas y el tratamiento de errores.

Cambiar de modelo nunca será totalmente automático, pero esta capa reduce el coste de la migración.

Valida más de un modelo

Mantén dos o tres modelos evaluados para las tareas críticas.

No tienen que estar todos activos. Deben estar suficientemente probados para que la empresa conozca sus diferencias de calidad, velocidad y coste.

Construye evaluaciones propias

Los benchmarks públicos sirven para comparar capacidades generales, pero no predicen necesariamente el rendimiento en tu negocio.

Crea un conjunto de casos reales y mide:

• exactitud;
• cumplimiento de instrucciones;
• coste;
• latencia;
• alucinaciones;
• uso correcto de herramientas;
• seguridad;
• estabilidad entre versiones.

Tu evaluador interno es más valioso que una clasificación general.

Separa datos, lógica e inteligencia

Los datos del cliente, las reglas de negocio y los flujos operativos no deberían quedar incrustados en prompts imposibles de trasladar.

Cuanto mejor separados estén esos componentes, más sencillo será sustituir el modelo. Es uno de los principios que aplicamos al implementar sistemas de IA en producción.

Calcula el coste total, no solo el precio por token

Un modelo abierto puede tener un precio de inferencia inferior, pero exige infraestructura, monitorización, actualizaciones, seguridad y personal especializado.

Una API puede parecer más cara por uso, pero elimina gran parte de esa complejidad.

La comparación debe incluir el coste total de propiedad, no solo la tarifa visible.

Revisa la licencia

Tener acceso a los pesos no significa que puedas utilizar el modelo para cualquier finalidad.

Comprueba:

• si permite uso comercial;
• si existen restricciones por sector;
• si limita el número de usuarios;
• si permite modificaciones;
• si puedes redistribuir una versión adaptada;
• qué obligaciones se mantienen sobre los resultados.

“Disponible para descargar” no significa “libre de condiciones”.

Diseña un plan de salida

Toda dependencia crítica debería responder a estas preguntas:

• ¿Qué ocurre si el proveedor duplica el precio?
• ¿Qué ocurre si retira el modelo?
• ¿Qué ocurre si cambia su política de datos?
• ¿Qué ocurre si reduce los límites de uso?
• ¿Cuánto tardaríamos en migrar?
• ¿Qué funcionalidades perderíamos?

Si la respuesta es “no lo sabemos”, no tienes una estrategia de IA. Tienes una dependencia sin medir.

Dónde estará el valor cuando los modelos se conviertan en componentes

A medida que aumenta la competencia, la inteligencia tenderá a parecerse menos a un producto final y más a una capa reemplazable.

El valor se desplazará hacia tres direcciones.

Por encima del modelo

Experiencia de usuario, integración con procesos, automatización, datos propios, distribución y capacidad de resolver un problema completo.

El cliente no paga porque utilizas un modelo concreto. Paga porque el sistema reduce costes, aumenta ingresos o elimina trabajo manual.

En la capa del modelo

Capacidad, coste, especialización, velocidad, contexto, uso de herramientas y facilidad de integración.

Aquí competirán modelos abiertos y cerrados.

Por debajo del modelo

Cómputo, infraestructura, inferencia, observabilidad, seguridad y optimización.

Cada mejora de eficiencia puede convertirse directamente en margen.

Para una empresa que construye soluciones con IA, la conclusión es clara:

Tu ventaja competitiva no puede depender únicamente de tener acceso al mismo modelo que todos los demás.

El verdadero activo está en los datos, los procesos, la distribución, la experiencia y la capacidad de cambiar de tecnología sin reconstruir todo desde cero.

El debate no es sobre abrirlo todo

La carta impulsada por Nvidia acierta al advertir que una economía construida exclusivamente sobre modelos cerrados corre el riesgo de concentrar demasiado poder en pocos proveedores.

Anthropic también acierta al recordar que publicar los pesos de un modelo suficientemente peligroso puede ser una decisión irreversible.

La respuesta madura no es abrirlo todo ni cerrarlo todo.

Es exigir pruebas proporcionales a las capacidades, proteger la competencia, permitir auditorías independientes y evitar que las empresas construyan sistemas críticos sin alternativas.

Dentro de unos años, cuando la inteligencia artificial esté integrada en la mayoría de los procesos económicos, necesitaremos responder una pregunta incómoda:

¿Quién puede inspeccionar, modificar y decidir cómo funciona la inteligencia de la que dependemos?

Si la respuesta es “solo unas pocas empresas”, habremos creado una nueva forma de concentración.

Si la respuesta es “cualquiera con los recursos, los conocimientos y las garantías necesarias”, tendremos un ecosistema más competitivo y resistente.

La carta no resuelve el debate. Pero obliga a discutir la cuestión correcta: no solo qué modelos son más capaces, sino quién tendrá las llaves de la infraestructura intelectual sobre la que construiremos.

Elige bien dónde colocas el candado.

Y, sobre todo, elige bien quién conserva la llave.

¿Tu empresa está preparada para cambiar de modelo?

Muchas organizaciones ya están utilizando IA, pero no saben cuánto dependen de un único proveedor, qué datos están enviando fuera de su infraestructura ni cuánto costaría migrar.

En IA Operators analizamos procesos, arquitectura, integraciones y riesgos para identificar dónde la inteligencia artificial genera retorno real y cómo implementarla sin crear nuevas dependencias innecesarias. Es el trabajo que hacemos en la Radiografía de IA y en los proyectos de consultoría de IA.

Habla con IA Operators →

Fuentes

• Nvidia — Open Weights and American AI Leadership (carta oficial)
• Anthropic — Our position on open-weights models
• Moonshot AI — Kimi K3: Open Frontier Intelligence (informe técnico)
• Open Source Initiative — The Open Source AI Definition
• Open Source Initiative — Open Weights: not quite what you’ve been told