El 27 de enero de 2025, un laboratorio chino del que la mayoría de los inversores apenas había oído hablar borró 589.000 millones de dólares del valor bursátil de Nvidia en una sola sesión. Fue la mayor pérdida diaria de la historia del mercado estadounidense. El desencadenante fue DeepSeek, y su “delito” fue la apertura.
Incluso Bitcoin (BTC) titubeó mientras el mercado asimilaba una idea sencilla: la frontera de la IA ya no pertenece solo a un puñado de laboratorios cerrados.
Puntos clave
- Los modelos de “pesos abiertos” publican sus parámetros entrenados para que cualquiera pueda descargarlos, ejecutarlos y adaptarlos. Se diferencian del software de IA plenamente de código abierto, que además incluye datos de entrenamiento y código.
- La brecha de calidad medida entre los mejores modelos abiertos y cerrados en los rankings públicos se ha reducido del 8% a menos del 2% en alrededor de un año, mientras los precios de inferencia se hundían cientos de veces.
- El bajo coste de despliegue, el empuje de la soberanía nacional, una regulación más favorable y un ecosistema masivo 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 ligereza, así que conviene ser preciso. “Pesos abiertos” significa que un desarrollador publica los parámetros finales de una red neuronal ya entrenada, los números que codifican lo que el modelo ha aprendido. Puedes descargarlos, ejecutarlos en tu propio hardware y ajustarlos (fine-tuning).
Pesos abiertos no equivale a código abierto. La Open Source Initiative publicó su definición de Open Source AI el 28 de octubre de 2024 y fijó el listón más alto. Para cumplirla, un lanzamiento debe incluir pesos, código de entrenamiento y suficiente detalle sobre los datos como para que una persona cualificada pueda recrear sustancialmente el sistema.
La mayoría de modelos comercializados hoy como “open source” no pasan ese filtro. Llama, de Meta, Qwen, de Alibaba, y el propio DeepSeek distribuyen pesos, pero no la receta completa de datos.
La Open Source Initiative es tajante con la diferencia, señalando que los pesos abiertos por sí solos no ofrecen las libertades del software verdaderamente abierto. Esa brecha alimenta una batalla constante contra el “open washing”: empresas que presumen de apertura mientras retienen las piezas necesarias para que cualquiera pueda reproducir el trabajo.
Aun así, para la mayoría de creadores los pesos son el botín. Con ellos puedes servir un modelo, comprimirlo, reentrenarlo y ponerlo en producción. En la práctica, cada categoría entrega algo distinto:
- Pesos abiertos: parámetros entrenados, normalmente bajo una licencia que permite uso, modificación y a menudo despliegue comercial.
- Código totalmente abierto: 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.
Esa categoría intermedia es 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 M$ de OpenAI que aún no está firmada
En qué se diferencia de lo que hacen OpenAI y Anthropic
OpenAI y Anthropic siguen el guion opuesto. Mantienen sus mejores pesos bajo llave en sus propios centros de datos y venden acceso vía API. Tú envías un prompt, recibes una respuesta y nunca llegas a tocar el modelo.
La lógica comercial es clara. Protege la inversión en entrenamiento, mantiene el contador de suscripciones en marcha y permite al laboratorio parchear el comportamiento o cortar el acceso cuando quiera.
También tiene una lógica 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 problema es la dependencia.
Cuando el modelo vive solo en los servidores de otro, es el proveedor quien fija el precio, el nivel de servicio, las condiciones de datos y el calendario de retirada de versiones. Tu producto se apoya en una infraestructura que no controlas ni puedes auditar.
Pese a años de abanderar la investigación abierta, OpenAI no había liberado ningún modelo de lenguaje 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, suenan a concesión directa ante la presión que ejercen hoy los pesos abiertos. La empresa que construyó el negocio de la API cerrada se ha visto obligada a responder al campo abierto en su propio terreno.
También te puede interesar: OpenAI busca 250.000 M$ de crédito de Nvidia para su macro campus de Ohio
Diez razones por las que los pesos abiertos amenazan el modelo centralizado
Nada de esto garantiza que los pesos abiertos vayan a imponerse del todo. La frontera tecnológica sigue en manos de los grandes laboratorios, y los riesgos son reales. Pero la dirección de viaje es consistente desde hace tres años, y discurre en contra del 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 a la vez técnica, económica y política.
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 la Universidad de Stanford detectó que la diferencia de puntuación entre el mejor modelo cerrado y el mejor abierto en el ranking Chatbot Arena cayó del 8% en enero de 2024 al 1,7% en febrero de 2025.
La frontera también se ha llenado. 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 solo una fracción de la primera, la prima por acceso cerrado se vuelve difícil de justificar. Es un problema de precios para cualquiera cuyo negocio se basa en la exclusividad.
El precio de la inteligencia se ha desplomado
Los costes han caído aún más rápido que la brecha de calidad. A partir de datos de Epoch AI y Artificial Analysis, el AI Index informa de que el precio de ejecutar una consulta de nivel 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 un abaratamiento de unas 280 veces en menos de dos años.
DeepSeek aplicó la misma lógica al entrenamiento. Su informe técnico sobre V3 afirma que la fase final de entrenamiento costó unos 5,6 millones de dólares en 2.048 chips Nvidia H800, frente a las decenas o cientos de millones gastados en modelos comparables en Occidente. La inteligencia barata favorece a quien puede desplegarla masivamente, no a quien la guarda con más celo.
El modelo es tuyo
Si alquilas un modelo cerrado, heredas las reglas del casero. El proveedor puede subir precios, cambiar condiciones o retirar la versión de la que depende tu producto.
Si posees los pesos, ese poder de negociación desaparece. Puedes congelar una versión, ejecutarla durante años y cambiar de proveedor sin reescribir todo tu stack.
El “lock-in” de proveedor no es una amenaza teórica. Se materializa en costes de cambio, migraciones forzosas y tarifas que no puedes negociar. Tener los pesos desactiva esos riesgos punto por punto:
- Congela una versión del modelo y mantenla estable todo el tiempo que necesites.
- Muévete entre nubes o a tu propio hardware sin reingeniería profunda.
- Evita retiradas sorpresa que rompan un producto en producción de la noche a la mañana.
Incluso las licencias abiertas más generosas tienen matices que conviene leer. Los términos de Llama obligan a cualquier empresa con más de 700 millones de usuarios activos mensuales a negociar un acuerdo separado, una de las razones por las que muchos puristas se niegan a llamarlo realmente “open source”.
Privacidad y soberanía de los 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 un tercero.
Los pesos abiertos resuelven esto moviendo el modelo hacia los datos. Puedes ejecutar la inferencia on-premise o en una nube privada, de modo que nada sensible cruce la frontera de un proveedor.
Solo por esa propiedad se abren puertas vedadas a las APIs cerradas. En despliegues regulados, el control on-prem suele ser el factor decisivo.
Los países están construyendo los suyos
La ansiedad por la soberanía digital se ha globalizado. 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 han seguido con programas nacionales propios.
El patrón se repite por regiones:
- Suiza ha lanzado Apertus con pesos, datos y código totalmente 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 de computación.
No se puede construir una IA soberana sobre un modelo que solo puedes alquilar. Los pesos abiertos son la condición de partida, y eso convierte a los gobiernos en aliados naturales del campo 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 publicó el “America's AI Action Plan”, con una sección titulada “Encourage Open-Source and Open-Weight AI”.
Europa se mueve en la misma dirección en lo estructural, aunque con otro tono. La Ley de IA de la UE concede a los proveedores de modelos de propósito general gratuitos y de código abierto una exención parcial de ciertas obligaciones de documentación, siempre que el modelo no sea considerado de riesgo sistémico.
Los incentivos ahora apuntan más a publicar que a blindar, al menos para los modelos que no están en la vanguardia absoluta. Cuando el mayor gobierno de la carrera de la IA fomenta activamente los pesos abiertos, el modelo cerrado pierde parte de su ventaja por defecto.
El ecosistema de desarrolladores es un círculo virtuoso
La escala alimenta la escala. Hugging Face creció hasta 13 millones de usuarios, más de dos millones de modelos públicos y más de 500.000 conjuntos de datos públicos durante 2025.
Las cifras de descargas cuentan la historia. Meta asegura que Llama superó los mil millones de descargas el 18 de marzo de 2025, frente a 650 millones a comienzos de diciembre de 2024, mientras que Qwen, de Alibaba, alcanzó los 700... millones de descargas acumuladas en Hugging Face para enero de 2026 y más de 180,000 versiones derivadas, desbancando a Llama como la familia abierta con más forks del mercado.
Cada fine-tune, adapter y cuantización desarrollados sobre un modelo abierto ensanchan su foso defensivo. Una API cerrada no puede capturar ese efecto compuesto del esfuerzo comunitario, porque nadie puede construir sobre un modelo que no puede poseer.
Funciona En Tu Portátil
Los pesos abiertos se encuentran con el hardware doméstico gracias a una cadena de herramientas barata. La cuantización comprime un modelo a menor precisión para que quepa en menos memoria, y técnicas como LoRA permiten ajustarlo sin tener que reentrenarlo por completo.
Los runtimes locales llevaron esto a la corriente principal. Ollama, llama.cpp y vLLM permiten hoy a los desarrolladores servir modelos potentes 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 apagarte a distancia. Esa independencia es justo lo que el modelo medido por uso no puede ofrecer.
Auditabilidad E Interpretabilidad
No se puede auditar lo que no se puede ver. Las APIs cerradas devuelven resultados sin ofrecer forma alguna de examinar el mecanismo que los genera.
Los pesos abiertos permiten a los investigadores sondear el modelo directamente, estudiar cómo falla y someter su seguridad a escrutinio público. Esa transparencia es precisamente el motivo por el que el campo abierto sostiene que sus modelos son más fáciles —no más difíciles— de volver confiables con el tiempo.
Para sectores regulados que deben justificar cada decisión, esa visibilidad no es un lujo. Suele ser una obligación legal.
La Frontera Descentralizada
El argumento más reciente 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 centro de datos de una sola compañía.
Proyectos como Prime Intellect han entrenado modelos sobre hardware distribuido globalmente, con esquemas para verificar que las máquinas remotas realmente ejecutaron el trabajo que afirman. Bittensor opera un mercado incentivado por tokens para inteligencia de máquinas, denominado en su token TAO (TAO).
La advertencia honesta es que, hoy por hoy, el entrenamiento descentralizado sigue siendo más lento y más caro que un clúster centralizado. Pero la combinación de pesos abiertos con cómputo verificable y tokenizado abre un vector competitivo realmente nuevo que los laboratorios cerrados no pueden replicar.
También lee: Pixel 11 será más caro y Google culpa a los centros de datos de IA
El Veredicto
Los pesos abiertos no harán desaparecer a los laboratorios cerrados. La vanguardia sigue favoreciendo a quien más gasta en cómputo, las versiones abiertas aún llegan con meses de retraso frente a los mejores modelos cerrados, y los pesos públicos conllevan riesgos de uso indebido imposibles de retirar una vez liberados.
Pero “superar” no significa “borrar del mapa”. Significa desplazar el centro de gravedad, y ese desplazamiento ya está en marcha.
La brecha de calidad es mínima, el precio de la inteligencia roza el cero, y gobiernos, desarrolladores y reguladores siguen inclinándose por modelos que pueden poseer. La IA centralizada seguirá vendiendo conveniencia en la cúspide del mercado. El resto se encamina, sin hacer ruido, hacia los pesos que puede tener en propiedad.
Lee también: Apple pierde el control de los precios de memoria y los consumidores pagan la diferencia
