El 27 de enero de 2025, un laboratorio chino desconocido para la mayoría de los inversores 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 detonante fue DeepSeek, y su “delito” fue la apertura.
Incluso Bitcoin (BTC) titubeó mientras el mercado digería una idea sencilla: la vanguardia 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 del software plenamente de código abierto, que también incluye datos y código de entrenamiento.
- La brecha de calidad medida entre los mejores modelos abiertos y cerrados en rankings públicos se redujo de un 8% a menos de un 2% en alrededor de un año, mientras los precios de inferencia cayeron cientos de veces.
- El bajo coste de despliegue, los impulsos de soberanía nacional, una regulación más favorable y un ecosistema masivo de desarrolladores han dado 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 de forma laxa, así que conviene ser precisos. “Pesos abiertos” significa 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 equivale a código abierto. La Open Source Initiative publicó su definición de Open Source AI el 28 de octubre de 2024, y fija un listón más exigente. Para cumplirla, una publicación debe incluir pesos, código de entrenamiento y suficiente detalle sobre los datos de entrenamiento como para que una persona cualificada pueda reproducir sustancialmente el sistema.
La mayoría de los modelos que hoy se venden como “open source” no pasan esa prueba. 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 sobre la diferencia, al señalar que los pesos abiertos por sí solos no otorgan las libertades del software libre. Esa brecha alimenta una disputa constante sobre el “open washing”: empresas que se apropian del lenguaje de apertura mientras retienen las piezas necesarias para que cualquiera pueda reproducir su trabajo.
Aun así, para la mayoría de los constructores los pesos son el trofeo. Con ellos se puede servir un modelo, comprimirlo, reentrenarlo y distribuirlo. Si se mira qué entrega realmente cada tipo de lanzamiento, el mapa es claro:
- Pesos abiertos: parámetros entrenados, normalmente bajo una licencia que permite uso, modificación y, a menudo, despliegue comercial.
- Abierto completo: pesos más código de entrenamiento y suficiente documentación de datos 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 la que quita el sueño a los laboratorios cerrados.
Lea también: Nvidia cae casi un 5% por una garantía de 250.000 M$ a OpenAI que aún no está firmada
En qué se diferencia del modelo de OpenAI y Anthropic
OpenAI y Anthropic aplican la estrategia opuesta. Mantienen sus mejores pesos encerrados en sus centros de datos y venden acceso vía API. Usted envía un prompt, recibe una respuesta y nunca toca el modelo.
Ese diseño tiene lógica comercial. Protege la inversión en entrenamiento, mantiene el contador de suscripciones en marcha y permite al laboratorio parchear comportamientos o cortar el acceso cuando lo considere.
También se escuda en razones de seguridad. El director ejecutivo de Anthropic, Dario Amodei, ha argumentado que, una vez que los pesos son públicos, el desarrollador pierde la capacidad de actualizar cortafuegos o retirar un sistema peligroso.
El problema es la dependencia.
Cuando el modelo solo vive en los servidores de otro, el proveedor fija el precio, la disponibilidad, las condiciones de uso de datos y el calendario de retirada de versiones. Su producto se sostiene sobre 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 hoy ejercen los pesos abiertos. La empresa que construyó el negocio de APIs cerradas se ha visto obligada a responder al campo abierto en su propio terreno.
Lea también: OpenAI busca 250.000 M$ en crédito de Nvidia para su megacampus de Ohio
Diez razones por las que los pesos abiertos amenazan el modelo centralizado
Nada de lo siguiente garantiza que los pesos abiertos vayan a imponerse por completo. La frontera tecnológica sigue en manos de los grandes laboratorios y los riesgos son reales. Pero la dirección de viaje lleva tres años siendo consistente, y va 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 más débiles. La convergencia es simultáneamente técnica, económica y política.
Estas son las diez razones por las que el equilibrio se ha desplazado.
La brecha de calidad casi ha desaparecido
El dato más relevante es la convergencia. El AI Index 2025 de Stanford halló 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.
La propia frontera se ha vuelto más concurrida. 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 acceso cerrado se vuelve difícil de justificar. Es un problema de precios para cualquiera cuyo modelo de 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 informó 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 descenso de unas 280 veces en menos de dos años.
DeepSeek aplicó la misma lógica al entrenamiento. Su informe técnico de V3 sostiene que la última fase de entrenamiento costó alrededor de 5,6 millones de dólares en 2.048 chips Nvidia H800, frente a las decenas o cientos de millones que declaran modelos occidentales comparables. La inteligencia barata beneficia a quien puede desplegarla masivamente, no a quien la guarda bajo llave.
Usted es dueño del modelo
Alquilar un modelo cerrado implica heredar las reglas del casero. El proveedor puede subir precios, cambiar condiciones o retirar la versión de la que depende su producto.
Ser dueño de los pesos elimina ese poder de negociación. Puede congelar una versión, ejecutarla durante años y cambiar de proveedor sin reescribir todo su stack.
El “vendor lock‑in” no es un temor teórico. Se traduce en costes de cambio, migraciones forzadas y precios que no se pueden discutir. Poseer los pesos desactiva cada uno de esos puntos:
- Congelar una versión del modelo y mantenerla estable todo el tiempo necesario.
- Cambiar entre nubes, o pasar a infraestructura propia, sin reingenierizarlo todo.
- Evitar retiradas imprevistas que rompen un producto en producción de la noche a la mañana.
Incluso las licencias abiertas más generosas tienen letra pequeña. Los términos de Llama obligan a cualquier empresa con más de 700 millones de usuarios activos al mes a negociar un acuerdo aparte, motivo por el que muchos puristas se niegan a llamar a Llama “código abierto”.
Privacidad y soberanía de los datos
Hay datos que, legalmente, 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. Se puede ejecutar la inferencia on‑premise o en una nube privada, de modo que nada sensible cruce las fronteras de un proveedor.
Esa sola característica está abriendo puertas donde las APIs cerradas ni siquiera pueden entrar. Para muchos despliegues regulados, el control local es el factor decisivo.
Los estados están construyendo los suyos
La ansiedad por la soberanía 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 completamente abierto entrenado con 15 billones de tokens en más de 1.000 idiomas. El Technology Innovation Institute de Abu Dabi impulsa desde 2023 la familia abierta Falcon, y otros estados han seguido con proyectos nacionales propios.
El patrón se repite por regiones:
- Suiza lanzó Apertus con pesos, datos y código totalmente públicos.
- Emiratos Árabes Unidos ha liberado sucesivas versiones de Falcon bajo condiciones permisivas.
- Francia, India, Japón y Corea del Sur han respaldado programas nacionales de modelos o capacidad de cómputo.
No se puede construir IA soberana sobre un modelo que solo se puede alquilar. Los pesos abiertos son la condición previa, y eso convierte a los gobiernos en aliados naturales del campo abierto.
Los reguladores se inclinan por la apertura
La política también ha empezado a favorecer la apertura. El 23 de julio de 2025, la Casa Blanca publicó el “America’s AI Action Plan”, con un apartado titulado “Encourage Open-Source and Open-Weight AI”.
Europa se inclina en la misma dirección en su arquitectura normativa, aunque no siempre en espíritu. 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 se considere de riesgo sistémico.
Los incentivos empiezan a premiar la publicación frente al cerrojo, al menos para los modelos por debajo de la frontera. Cuando el principal Estado en la carrera de la IA impulsa activamente los pesos abiertos, el modelo cerrado pierde su ventaja presunta.
El ecosistema de desarrolladores es un círculo virtuoso
La escala alimenta a la escala. Hugging Face creció hasta los 13 millones de usuarios, más de dos millones de modelos públicos y más de 500.000 conjuntos de datos abiertos durante 2025.
Las cifras de descargas cuentan la historia. Meta afirmó que Llama superó los mil millones de descargas el 18 de marzo de 2025, frente a los 650 millones de principios de diciembre de 2024, mientras que Qwen, de Alibaba, alcanzó los 700 superó el millón de descargas acumuladas en Hugging Face antes de enero de 2026 y dio lugar a más de 180.000 variantes derivadas, desbancando a Llama como la familia abierta con más “forks” del mercado.
Cada fine‑tune, cada adaptador y cada cuantización construidos sobre un modelo abierto refuerzan su foso competitivo. Una API cerrada no puede capturar ese efecto de capitalización compuesto del esfuerzo comunitario, porque nadie puede construir sobre un modelo que no puede tener en sus manos.
Se Ejecuta En Tu Portátil
Los pesos abiertos se encuentran con el hardware convencional gracias a una cadena de herramientas barata. La cuantización comprime un modelo a una precisión menor para que ocupe menos memoria, y técnicas como LoRA permiten ajustarlo sin tener que reentrenar todo el sistema.
Los runtimes locales llevaron 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 puede ver. Las APIs cerradas devuelven salidas sin ofrecer ninguna vía para examinar el mecanismo que las genera.
Los pesos abiertos permiten a los investigadores sondear el modelo directamente, estudiar sus modos de fallo y someter su seguridad a pruebas públicas. Esa transparencia es exactamente el motivo por el que el bando abierto sostiene que sus modelos son más fáciles, no más difíciles, de volver 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 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 empresa.
Proyectos como Prime Intellect han entrenado modelos sobre hardware distribuido a escala global, con esquemas para verificar que las máquinas remotas realmente han ejecutado el trabajo que dicen haber hecho. Bittensor opera un mercado de inteligencia de máquina incentivado con tokens, denominado 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 abre un vector competitivo genuinamente nuevo que los laboratorios cerrados no pueden replicar.
También lea: Pixel 11 costará más, y Google dice que la culpa es de los centros de datos de IA
El Veredicto
Los pesos abiertos no van a borrar del mapa a los laboratorios cerrados. La frontera tecnológica sigue premiando a quien más gasta en cómputo, las publicaciones abiertas continúan llegando con meses de retraso frente a los mejores modelos cerrados, y los pesos públicos acarrean riesgos de abuso imposibles de retirar una vez se liberan.
Pero “superar” no significa “eliminar”. Significa desplazar el centro de gravedad, y ese desplazamiento ya ha comenzado.
La brecha de calidad es estrecha, el precio de la inteligencia roza cero, y gobiernos, desarrolladores y reguladores siguen optando por modelos que pueden poseer. La IA centralizada seguirá vendiendo conveniencia en la cúspide del mercado. El resto se encamina, en silencio, hacia los pesos que puede llegar a tener en propiedad.
Lea a continuación: Apple pierde el control sobre los precios de la memoria y el coste recae en el consumidor