El 27 de enero de 2025, un laboratorio chino desconocido para la mayoría de los inversores borró 589.000 millones de dólares de la capitalización de Nvidia en una sola sesión. Fue la mayor pérdida diaria de valor en la historia de la bolsa estadounidense. El detonante fue DeepSeek y su “pecado” fue la apertura.
Incluso Bitcoin (BTC) tambaleó mientras el mercado asimilaba una idea sencilla: la frontera de la IA ya no es patrimonio exclusivo de un puñado de laboratorios cerrados.
Puntos clave
- Los modelos de pesos abiertos publican sus parámetros entrenados para que cualquiera pueda descargarlos, ejecutarlos y adaptarlos, a diferencia de la IA plenamente de código abierto, que además divulga datos y código de entrenamiento.
- La brecha de calidad medida entre los mejores modelos abiertos y cerrados en rankings públicos se ha desplomado del 8% a menos del 2% en alrededor de un año, mientras los precios de inferencia caían centenares de veces.
- El bajo coste de despliegue, el impulso de la soberanía nacional, una regulación más favorable y un vasto ecosistema de desarrolladores dan hoy a los pesos abiertos un impulso real frente a los incumbentes basados solo en API.
Qué significa realmente IA de pesos abiertos
El término se usa con bastante laxitud, así que conviene ser precisos. Pesos abiertos implica que un desarrollador publica los parámetros finales de una red neuronal entrenada: los números que codifican lo que el modelo ha aprendido. Puede descargarlos, ejecutarlos en su propio hardware y afinarlos.
Pesos abiertos no es lo mismo que código abierto. La Open Source Initiative publicó su Open Source AI Definition el 28 de octubre de 2024 y fijó un listón más alto. Para calificar, un lanzamiento debe incluir pesos, código de entrenamiento y suficiente detalle sobre los datos utilizados como para que una persona cualificada pueda recrear sustancialmente el sistema.
La mayoría de modelos que hoy se comercializan como “open source” no superan esa prueba. Llama de Meta, Qwen de Alibaba y el propio DeepSeek distribuyen pesos, pero no revelan la receta completa de datos.
La Open Source Initiative es tajante sobre la diferencia y subraya que los pesos abiertos, por sí solos, no garantizan las libertades del software de código abierto. Esa brecha alimenta un conflicto constante sobre el “open washing”: empresas que presumen de apertura mientras retienen las piezas necesarias para que cualquiera pueda reproducir su trabajo.
Aun así, para la mayoría de los constructores, el botín son los pesos. Con ellos puede servir un modelo, comprimirlo, reentrenarlo y distribuirlo. En la práctica, cada modalidad entrega algo distinto:
- Pesos abiertos: parámetros entrenados, normalmente bajo una licencia que permite su uso, modificación y, a menudo, despliegue comercial.
- Código abierto pleno: pesos más código de entrenamiento y documentación de datos suficiente para reconstruir el modelo.
- Cerrado: nada descargable; solo acceso medido a través de una interfaz.
Es esa categoría intermedia la que está explotando en popularidad, y es la que quita el sueño a los laboratorios cerrados.
También te puede interesar: Nvidia cae casi un 5% por una garantía de 250.000 millones de dólares a OpenAI que aún no está firmada
En qué se diferencia del modelo de OpenAI y Anthropic
OpenAI y Anthropic juegan al revés. Mantienen sus mejores pesos encerrados en sus centros de datos y venden acceso mediante una API. Usted envía un prompt, recibe una respuesta y nunca llega a tocar el modelo.
Ese diseño tiene lógica empresarial. Protege la inversión de entrenamiento, mantiene el contador de suscripciones en marcha y permite al laboratorio parchear comportamientos o cortar el acceso cuando lo considere necesario.
También se apoya en un argumento de seguridad. El consejero delegado de Anthropic, Dario Amodei, ha defendido que, una vez que los pesos son públicos, el desarrollador pierde la capacidad de actualizar las barreras de seguridad o retirar un sistema peligroso.
El peaje es la dependencia.
Cuando el modelo vive solo en los servidores de otro, el proveedor fija el precio, el nivel de servicio, las condiciones sobre datos y el calendario de retirada de versiones. Su producto se apoya en una infraestructura que no controla ni puede auditar.
Pese a años de abanderar la investigación abierta, OpenAI no había publicado ningún modelo lingüístico abierto desde GPT-2 en 2019, hasta el 5 de agosto de 2025. Sus dos modelos gpt-oss, lanzados bajo la permisiva licencia Apache 2.0, se leen como una concesión directa a la presión que ejercen hoy los pesos abiertos. La compañía que construyó el negocio de API cerradas ha tenido que plantar cara al campo abierto en su propio terreno.
También te puede interesar: OpenAI busca 250.000 millones de dólares en crédito de Nvidia para su megacampus de Ohio
Diez razones por las que los pesos abiertos amenazan el modelo centralizado
Nada de lo que sigue garantiza que los pesos abiertos vayan a ganar la partida sin paliativos. La frontera sigue en manos de los grandes laboratorios y los riesgos son reales. Pero la dirección del viaje es consistente desde hace tres años, y discurre en sentido contrario al modelo cerrado y medido por uso.
Lo que ha cambiado es que los argumentos para pagar una prima por alquilar una caja negra son cada vez menos convincentes. La convergencia es técnica, económica y política al mismo tiempo.
Estas son diez razones por las que el equilibrio se ha desplazado.
La brecha de calidad casi ha desaparecido
El dato clave es la convergencia. El AI Index 2025 de Stanford constata que la diferencia de puntuación entre el mejor modelo cerrado y el mejor modelo abierto en el ranking Chatbot Arena cayó del 8% en enero de 2024 al 1,7% en febrero de 2025.
También se ha llenado la primera línea. La distancia entre el primer y el décimo modelo del ranking se redujo del 11,9% al 5,4% en un solo año.
Cuando la segunda mejor opción cuesta una fracción de la primera, la prima por el acceso cerrado se vuelve difícil de justificar. Es un problema de precios para cualquiera cuyo negocio gire en torno a la exclusividad.
El precio de la inteligencia se ha desplomado
El coste ha caído aún más rápido que la brecha de calidad. A partir de datos de Epoch AI y Artificial Analysis, el AI Index señala que el precio de ejecutar una consulta al nivel de GPT‑3.5 pasó de unos 20 dólares por millón de tokens en noviembre de 2022 a 0,07 dólares en octubre de 2024.
Es, grosso modo, un descenso de 280 veces en menos de dos años.
DeepSeek aplicó la misma lógica al entrenamiento. Su informe técnico de V3 afirma un entrenamiento final de unos 5,6 millones de dólares en 2.048 chips Nvidia H800, frente a las decenas o cientos de millones gastados en modelos occidentales comparables. La inteligencia barata favorece a quien puede desplegarla masivamente, no a quien la guarda con más celo.
Usted posee el modelo
Si alquila un modelo cerrado, hereda las reglas del casero. El proveedor puede subir precios, cambiar condiciones o retirar la versión de la que depende su producto.
Si posee los pesos, ese poder de negociación desaparece. Puede congelar una versión, ejecutarla durante años y cambiar de proveedor sin reescribir toda su pila tecnológica.
El bloqueo de proveedor no es una preocupación teórica. Se traduce en costes de cambio, migraciones forzosas y tarifas que no puede negociar. Tener los pesos neutraliza cada uno de esos riesgos:
- Congelar una versión del modelo y mantenerla estable todo el tiempo que necesite.
- Moverse entre nubes, o pasar a infraestructura propia, sin reingeniería profunda.
- Evitar retiradas súbitas que dejan inservible un producto en producción de la noche a la mañana.
Incluso las licencias abiertas más generosas incluyen matices que conviene leer. Las condiciones de Llama obligan a cualquier empresa con más de 700 millones de usuarios activos mensuales a negociar un acuerdo específico, una de las razones por las que los puristas se niegan a llamar “open source” a Llama.
Privacidad y soberanía de datos
Hay datos que, por ley, no pueden salir del edificio. Hospitales, bancos y administraciones públicas a menudo no pueden enviar registros sensibles a una API de terceros.
Los pesos abiertos resuelven esto llevando el modelo hasta los datos. Puede ejecutar la inferencia en sus propias instalaciones o en una nube privada, de modo que nada sensible traspasa las fronteras del proveedor.
Esa sola característica abre puertas inaccesibles para las APIs cerradas. En despliegues regulados, el control on‑prem suele ser el factor decisivo.
Los estados están construyendo los suyos
La ansiedad por la soberanía digital es global. Cada vez más gobiernos ven la dependencia de unas pocas APIs estadounidenses o chinas como un riesgo estratégico.
El 2 de septiembre de 2025, EPFL, ETH Zurich y el Centro Nacional Suizo de Supercomputación presentaron Apertus, un modelo plenamente abierto entrenado con 15 billones de tokens en más de 1.000 lenguas. El Technology Innovation Institute de Abu Dabi impulsa desde 2023 su familia abierta Falcon, y otros estados se han sumado con iniciativas nacionales propias.
El patrón se repite por regiones:
- Suiza lanzó Apertus con pesos, datos y código completamente públicos.
- Emiratos Árabes Unidos ha publicado sucesivas versiones de Falcon bajo términos permisivos.
- Francia, India, Japón y Corea del Sur han respaldado programas domésticos de modelos o infraestructura de cómputo.
No se puede construir una IA soberana sobre un modelo que solo se alquila. Los pesos abiertos son la condición previa, y eso convierte a los estados en aliados naturales del bando abierto.
Los reguladores se inclinan por lo abierto
La política también empieza a favorecer la apertura. El 23 de julio de 2025, la Casa Blanca presentó el “America's AI Action Plan”, con un capítulo explícito: “Encourage Open-Source and Open-Weight AI”.
Europa se orienta en la misma dirección, aunque con otro tono. La Ley de IA de la UE concede a los proveedores de modelos generales de uso gratuito y de código abierto una exención parcial de ciertas obligaciones de documentación, siempre que el modelo no sea clasificado como riesgo sistémico.
Los incentivos, al menos para los modelos por debajo de la frontera, apuntan hoy más a publicar que a blindar. Cuando la mayor potencia en la carrera de la IA anima activamente los pesos abiertos, el modelo cerrado pierde parte de su ventaja presupuesta.
El ecosistema de desarrolladores es un círculo virtuoso
La escala alimenta la escala. Hugging Face creció hasta los 13 millones de usuarios, con más de dos millones de modelos públicos y más de 500.000 conjuntos de datos abiertos solo en 2025.
Las cifras de descargas cuentan la historia. Meta asegura que Llama superó los 1.000 millones de descargas el 18 de marzo de 2025, frente a 650 millones a principios de diciembre de 2024, mientras que Qwen de Alibaba alcanzó los 700 acumuló millones de descargas en Hugging Face hasta enero de 2026 y dio lugar a más de 180.000 versiones derivadas, superando a Llama como la familia abierta con más forks del mercado.
Cada fine-tune, adaptador y cuantización construido sobre un modelo abierto refuerza su foso defensivo. Una API cerrada no puede capturar ese efecto compuesto del trabajo comunitario, porque nadie puede construir sobre un modelo que no puede poseer.
Funciona En Tu Portátil
Los pesos abiertos se encuentran con el hardware cotidiano a través de una cadena de herramientas barata. La cuantización comprime un modelo a menor precisión para que ocupe menos memoria, y técnicas como LoRA permiten ajustarlo sin reentrenar todo el sistema.
Las ejecuciones locales han llevado esto al gran público. Ollama, llama.cpp y vLLM permiten hoy a los desarrolladores servir modelos muy capaces en una sola GPU de consumo o incluso en un portátil.
Un modelo que puedes ejecutar en una máquina de 2.000 dólares es un modelo que nadie puede apagar de forma remota. Esa independencia es precisamente lo que el modelo medido por uso no puede ofrecer.
Auditabilidad E Interpretabilidad
No se puede inspeccionar lo que no se ve. Las APIs cerradas devuelven salidas sin forma de analizar el mecanismo que las genera.
Con pesos abiertos, los investigadores pueden sondear el modelo directamente, estudiar sus modos de fallo y evaluar su seguridad a la vista de todos. Esa transparencia es justamente el motivo por el que el campo abierto sostiene que sus modelos son más fáciles, no más difíciles, de hacer confiables con el tiempo.
Para los sectores regulados que deben justificar cada decisión, esa visibilidad no es un lujo. Suele ser una exigencia legal.
La Frontera Descentralizada
El último argumento se sitúa en la intersección entre IA y cripto. Si los pesos son abiertos, el cómputo para entrenarlos y servirlos no tiene por qué residir en el data center de una sola compañía.
Proyectos como Prime Intellect han entrenado modelos sobre hardware distribuido globalmente, con mecanismos para verificar que las máquinas remotas ejecutaron realmente el trabajo que dicen haber hecho. Bittensor opera un mercado incentivado por tokens para inteligencia de máquina, valorado en su token TAO (TAO).
La salvedad honesta es que, hoy por hoy, el entrenamiento descentralizado sigue siendo más lento y caro que un clúster centralizado. Pero la combinación de pesos abiertos con cómputo verificable y tokenizado es un vector competitivo genuinamente nuevo que los laboratorios cerrados no pueden replicar.
También lee: Pixel 11 será más caro, y Google señala a los centros de datos de IA como culpables
Veredicto
Los pesos abiertos no van a hacer desaparecer a los laboratorios cerrados. La frontera sigue favoreciendo a quien más gasta en cómputo, las publicaciones abiertas siguen llegando con meses de retraso frente a los mejores modelos cerrados, y los pesos públicos conllevan riesgos de uso indebido imposibles de retirar una vez distribuidos.
Pero “superar” no significa “borrar del mapa”. Significa desplazar el centro de gravedad, y ese desplazamiento ya ha comenzado.
La brecha de calidad es estrecha, el precio de la inteligencia roza el cero, y gobiernos, desarrolladores y reguladores siguen optando por modelos que pueden tener en sus manos. La IA centralizada seguirá vendiendo conveniencia en lo más alto de la pirámide. El resto del mercado avanza, casi en silencio, hacia los pesos que puede poseer.
Lee a continuación: Apple pierde el control sobre los precios de la memoria y el consumidor paga la diferencia
