En febrero de 2024 pasaron dos cosas en la misma semana, y contrastarlas cuenta mejor el estado del debate que cualquier tabla comparativa.
Lunes: Meta publicó Llama 2 con una licencia que permite uso comercial casi sin restricciones — el modelo más capaz disponible hasta ese momento para descargar, correr localmente y modificar. Decenas de miles de desarrolladores se lo descargaron esa semana.
Miércoles: Anthropic publicó un ensayo largo firmado por Dario Amodei donde argumentaba, con detalle técnico, por qué su empresa no publica los pesos de los modelos más capaces que entrena — y por qué no debería hacerlo nadie. Misma industria, misma semana, dos posiciones opuestas. Las dos razonadas. Las dos defendibles.
Esa semana de febrero cristalizó la pregunta que este evergreen intenta responder sin propaganda: ¿cuándo tiene sentido un modelo abierto, cuándo un cerrado, y por qué un profesional serio probablemente use los dos?
Qué significa "abierto" exactamente
La palabra "abierto" en IA es más ambigua que en software tradicional. Conviene desarmarla.
Un modelo tiene al menos tres componentes que pueden ser abiertos o cerrados por separado.
Pesos — el archivo con los parámetros entrenados del modelo. Llama publica los pesos. Claude no.
Código — el software que ejecuta el modelo y que lo entrenó. Llama publica parte del código de inferencia. El código completo de entrenamiento de los modelos grandes no lo publica casi nadie.
Datos — el corpus sobre el que se entrenó el modelo. Prácticamente nadie publica los datos de entrenamiento completos, ni siquiera los proyectos más "abiertos". Hay razones de copyright, de privacidad y de ventaja competitiva.
A eso se le suma la licencia: qué usos están permitidos legalmente. Y acá está el truco que mucha gente desconoce.
La licencia de Llama 2 y Llama 3 permite uso comercial en la mayoría de los casos, pero tiene una cláusula que dice que si tu producto tiene más de 700 millones de usuarios activos mensuales necesitás una licencia separada de Meta. Por eso el Open Source Initiative — la organización que define formalmente qué es open source — no considera a Llama "open source" en sentido estricto. Llama es "open weights con licencia restrictiva".
DeepSeek publicó R1 en enero de 2025 con licencia MIT pura. Mistral publica Mistral 7B y Mixtral con licencia Apache 2.0. Esos sí son open source en el sentido tradicional del término.
La distinción importa porque si vas a construir un producto encima del modelo, la licencia es lo que define tu posición legal futura.
Los actores del mercado
Vale mapear el panorama a abril de 2026.
Meta (Llama). El jugador más grande del campo abierto-con-restricciones. Llama 3 y Llama 4 son modelos capaces, con versiones hasta 405 mil millones de parámetros. Meta tiene una razón estratégica para jugar abierto: si los estándares de IA los fija Meta en lugar de OpenAI, Meta gana posición. Para Meta, Llama no es un producto, es una jugada de plataforma.
DeepSeek y Qwen (China). Los abiertos verdaderos del 2025-2026. DeepSeek-R1 con licencia MIT demostró que un modelo chino entrenado con presupuesto relativamente modesto podía competir en razonamiento con modelos cerrados de frontera. Qwen, de Alibaba, es Apache 2.0. Son los modelos que más empujaron el debate "si China publica abierto y Estados Unidos cierra, ¿quién gana la carrera?".
Mistral (Francia). La jugada interesante del medio. Publica algunos modelos abiertos (Mistral 7B, Mixtral) y otros cerrados (Mistral Large). Su lectura es pragmática: abierto para ganar mindshare y talento, cerrado para monetizar capacidad de frontera.
xAI (Estados Unidos). Caso peculiar: Elon Musk prometió abrir modelos y en marzo de 2024 liberó los pesos de Grok-1 con licencia Apache 2.0. Las versiones siguientes (Grok-2, Grok-3) no fueron abiertas. Queda como gesto intermedio.
OpenAI, Anthropic, Google. Del lado cerrado. Publican papers técnicos, arquitecturas generales, a veces cifras de rendimiento. No publican pesos. Cada uno tiene su propia fundamentación pública sobre por qué.
El argumento pro-abierto
El caso a favor de los modelos abiertos tiene cuatro pilares concretos.
Sin vendor lock-in. Si tu negocio depende de un modelo cerrado y el proveedor cambia los precios, cambia los términos, o discontinúa el modelo, tu negocio queda capturado. Con abierto, tenés el modelo. Si el proveedor desaparece, vos seguís operando.
Auditabilidad. Podés inspeccionar cómo responde el modelo a prompts específicos en un ambiente controlado. Podés estudiar sus sesgos. Podés verificar qué dice cuando le presentás tu caso de uso. Con cerrado, confiás en lo que el proveedor te dice que hace.
Self-hosting para datos sensibles. Si tus datos no pueden salir de tu red por compliance (salud, finanzas, defensa, legal), un modelo abierto corriendo on-premise es frecuentemente la única opción técnica viable.
Costo marginal bajo a alto volumen. Una vez amortizada la infraestructura, cada inferencia adicional cuesta casi cero. Las APIs cerradas cobran por token. Para casos de uso de muy alto volumen, la matemática favorece abierto.
Innovación distribuida. La comunidad puede hacer fine-tuning, cuantización, optimización. Llama tiene miles de variantes especializadas en Hugging Face. Un modelo cerrado depende solo de lo que el proveedor publique.
El argumento pro-cerrado
El caso a favor de los modelos cerrados también tiene pilares sólidos. No es solo marketing.
Economía concentrada para investigación de alineamiento. Entrenar un modelo de frontera cuesta cientos de millones de dólares. Hacer investigación seria de alineamiento encima cuesta otros tantos millones. Los modelos abiertos rara vez tienen ese presupuesto dedicado a alineamiento porque la plata se recupera por uso, no por licencia. Claude invierte en Constitutional AI en parte porque puede cobrar por el resultado.
Responsabilidad operativa. Cuando algo sale mal con Claude, hay una empresa a quien reclamar. Hay contratos, SLAs, indemnizaciones. Con un modelo abierto corriendo en tu servidor, vos sos el responsable. Para aplicaciones reguladas (salud, legal, financiero), esa diferencia es enorme.
Revocabilidad. Si el proveedor detecta un modo de uso indebido del modelo, puede actualizarlo, agregar mitigaciones, incluso revocar acceso a cuentas específicas. Una vez que los pesos están en internet, no hay vuelta atrás.
Calidad técnica de frontera. Los modelos cerrados suelen estar por encima en benchmarks de capacidad general porque tienen más compute y más datos propietarios. El gap se achica cada año, pero a abril 2026 sigue existiendo en varios dominios.
La postura de Anthropic en particular es honesta en esto: su argumento no es "cerrar es mejor para todos". Su argumento es "para nosotros, como empresa cuya misión es seguridad, cerrar los pesos es parte del compromiso operativo". Esa posición tiene integridad aunque uno no la comparta.
El riesgo de captura
Hay un contraargumento al pro-cerrado que vale nombrar sin dramatizar.
Si el mercado se concentra en tres o cuatro empresas cerradas que dictan precios, términos de uso y acceso, la IA se convierte en infraestructura controlada por oligopolio. No es hipótesis loca — es lo que pasó con las nubes de cómputo.
En ese escenario, los modelos abiertos dejan de ser solo una opción técnica y pasan a ser salud de sistema. Son la garantía de que si los cerrados se vuelven abusivos, hay una alternativa. Esa garantía tiene valor incluso si no la usás.
Por eso Meta, DeepSeek y Mistral publicando abierto no es solo generosidad — es presión competitiva que beneficia al resto del mercado. Los cerrados también bajan precios y mejoran términos cuando hay alternativas abiertas viables.
¿Cuándo uso uno, cuándo el otro?
Bajando a lo práctico, una guía honesta por perfil de usuario.
Profesional independiente o pequeña empresa. Cerrado. Claude, ChatGPT o Gemini por suscripción. El costo de ingenieros que mantengan un modelo abierto on-premise excede el ahorro.
Empresa mediana con equipo técnico y compliance moderado. Principalmente cerrado para calidad, con algún experimento abierto si hay un caso de uso específico (fine-tuning en dominio, batch processing masivo).
Empresa con compliance estricto (salud, banca, defensa). Abierto on-premise es típicamente obligatorio para datos sensibles, cerrado como herramienta complementaria para tareas no sensibles.
Consultoría de datos con riesgo reputacional. Por default cerrado de frontera (confiabilidad). Abierto como plan B para el caso donde el cliente exija data residency.
Producto que se construye encima del modelo. Depende del volumen. A bajo volumen, cerrado por simplicidad. A alto volumen con márgenes tight, abierto fine-tuned.
Para cerrar y para seguir
La pregunta "abierto vs cerrado" es vieja en software y vieja en hardware. Cada vez que aparece una tecnología nueva, el debate se vuelve a hacer. La respuesta histórica casi siempre fue la misma: ambos coexisten, cada uno se estabiliza en el nicho donde sus trade-offs rinden mejor.
Con IA está pasando lo mismo. Los cerrados dominan en calidad de frontera y en uso profesional con responsabilidad. Los abiertos dominan en control, customización y costo a escala. Van a seguir conviviendo.
La única respuesta mala es fanatismo. Quien te dice "los cerrados son malvados porque secuestran el conocimiento" o "los abiertos son irresponsables porque liberan capacidad peligrosa" está simplificando un debate que tiene matices reales en ambos lados.
¿Cuál es el constraint que más pesa en tu trabajo hoy: calidad inmediata, control de datos, o costo a volumen?
Si querés entender el jugador que más ha empujado la frontera abierta en el último año, leé Meta y Llama — la apuesta abierta. Si querés el mapa completo de la competencia en la industria, La carrera de las IAs.
Imaginate dos autos idénticos. El mismo motor, la misma potencia, el mismo precio. Te llevan al mismo lugar a la misma velocidad.
Uno viene con el capó sellado de fábrica y una calcomanía de garantía. Si algo falla, llamás al taller oficial y ellos lo arreglan. El otro viene con el capó abierto, cada pieza etiquetada, y en la guantera tenés el manual con los planos completos del motor.
Los dos autos son buenos. La pregunta no es cuál es mejor. La pregunta es: ¿qué hacés el día que algo se rompe?
La misma pregunta, con IA
Esa es la conversación entre modelos abiertos y cerrados.
Los modelos cerrados — Claude de Anthropic, ChatGPT de OpenAI, Gemini de Google — funcionan como el auto con capó sellado. Vos entrás a la página, escribís, obtenés respuesta. No ves cómo funciona por dentro. No lo podés copiar. No lo podés modificar. Si algo sale mal, llamás al proveedor.
Los modelos abiertos — Llama de Meta, DeepSeek, Mistral — funcionan como el auto con planos en la guantera. La empresa que lo entrenó publica "los pesos" del modelo (un archivo grande con todos los números que lo hacen funcionar). Cualquiera con una computadora potente lo puede descargar, correr en su propia máquina, y hasta modificarlo.
Lo que gana cada uno
Los cerrados ganan en comodidad y calidad promedio. Abrís la web, pagás la suscripción, y en treinta segundos estás trabajando. No necesitás saber nada técnico. Y los modelos más potentes del momento suelen ser cerrados.
Los abiertos ganan en control. Si sos una clínica y tu data de pacientes no puede salir de tu red por ley, un modelo cerrado no te sirve — cada pregunta viaja a los servidores de un tercero. Un modelo abierto corre adentro de tu red. Tus datos no viajan nunca.
También ganan en costo a gran escala. Usar una API cerrada te cobra por cada palabra. Un modelo abierto lo pagás una vez (la infraestructura) y después lo usás todo lo que quieras.
Una verdad incómoda
"Abierto" no siempre significa lo mismo.
Meta publica los pesos de Llama, pero su licencia dice que si tu producto tiene más de 700 millones de usuarios activos por mes no podés usarlo gratis. Eso es una restricción comercial. Muchos ingenieros no lo consideran "open source puro".
DeepSeek, en cambio, publica sus modelos con licencia MIT — la licencia más permisiva que existe. Eso es open source completo.
xAI liberó los pesos de Grok-1 en marzo de 2024. Mistral publica modelos abiertos y cerrados. El panorama es un espectro, no un interruptor.
¿Y Claude, por qué cerrado?
Anthropic tiene una tesis pública sobre por qué no publica los pesos de Claude. La resumo en mis propias palabras.
Una vez que los pesos están libres en internet, no los podés devolver. Si descubrís que alguien los está usando para algo dañino, ya no podés revocar el acceso. No podés corregir el alineamiento sin entrenar un modelo nuevo. No hay a quién reclamar si algo sale mal.
Para Anthropic, cerrar los pesos no es secretismo. Es parte del compromiso operativo de seguridad. Es una posición defendible y honesta. No todos la comparten, y el debate es legítimo.
Lo que tenés que llevarte
Tres ideas prácticas:
- No hay ganador universal. Los modelos abiertos y los cerrados resuelven problemas distintos. Un profesional maduro probablemente termine usando los dos.
- "Abierto" es un espectro, no una etiqueta binaria. Llama es abierto con restricciones; DeepSeek es abierto total; Grok-1 es un caso intermedio. Leé las licencias antes de apostar tu producto a un modelo.
- Para la mayoría de lectores de este blog — profesionales que no tienen un equipo de infraestructura — un modelo cerrado como Claude es el default sensato. El día que tu trabajo requiera datos que no pueden salir de tu red, entonces mirás abierto.
En febrero de 2024 pasaron dos cosas en la misma semana, y contrastarlas cuenta mejor el estado del debate que cualquier tabla comparativa.
Lunes: Meta publicó Llama 2 con una licencia que permite uso comercial casi sin restricciones — el modelo más capaz disponible hasta ese momento para descargar, correr localmente y modificar. Decenas de miles de desarrolladores se lo descargaron esa semana.
Miércoles: Anthropic publicó un ensayo largo firmado por Dario Amodei donde argumentaba, con detalle técnico, por qué su empresa no publica los pesos de los modelos más capaces que entrena — y por qué no debería hacerlo nadie. Misma industria, misma semana, dos posiciones opuestas. Las dos razonadas. Las dos defendibles.
Esa semana de febrero cristalizó la pregunta que este evergreen intenta responder sin propaganda: ¿cuándo tiene sentido un modelo abierto, cuándo un cerrado, y por qué un profesional serio probablemente use los dos?
Qué significa "abierto" exactamente
La palabra "abierto" en IA es más ambigua que en software tradicional. Conviene desarmarla.
Un modelo tiene al menos tres componentes que pueden ser abiertos o cerrados por separado.
Pesos — el archivo con los parámetros entrenados del modelo. Llama publica los pesos. Claude no.
Código — el software que ejecuta el modelo y que lo entrenó. Llama publica parte del código de inferencia. El código completo de entrenamiento de los modelos grandes no lo publica casi nadie.
Datos — el corpus sobre el que se entrenó el modelo. Prácticamente nadie publica los datos de entrenamiento completos, ni siquiera los proyectos más "abiertos". Hay razones de copyright, de privacidad y de ventaja competitiva.
A eso se le suma la licencia: qué usos están permitidos legalmente. Y acá está el truco que mucha gente desconoce.
La licencia de Llama 2 y Llama 3 permite uso comercial en la mayoría de los casos, pero tiene una cláusula que dice que si tu producto tiene más de 700 millones de usuarios activos mensuales necesitás una licencia separada de Meta. Por eso el Open Source Initiative — la organización que define formalmente qué es open source — no considera a Llama "open source" en sentido estricto. Llama es "open weights con licencia restrictiva".
DeepSeek publicó R1 en enero de 2025 con licencia MIT pura. Mistral publica Mistral 7B y Mixtral con licencia Apache 2.0. Esos sí son open source en el sentido tradicional del término.
La distinción importa porque si vas a construir un producto encima del modelo, la licencia es lo que define tu posición legal futura.
Los actores del mercado
Vale mapear el panorama a abril de 2026.
Meta (Llama). El jugador más grande del campo abierto-con-restricciones. Llama 3 y Llama 4 son modelos capaces, con versiones hasta 405 mil millones de parámetros. Meta tiene una razón estratégica para jugar abierto: si los estándares de IA los fija Meta en lugar de OpenAI, Meta gana posición. Para Meta, Llama no es un producto, es una jugada de plataforma.
DeepSeek y Qwen (China). Los abiertos verdaderos del 2025-2026. DeepSeek-R1 con licencia MIT demostró que un modelo chino entrenado con presupuesto relativamente modesto podía competir en razonamiento con modelos cerrados de frontera. Qwen, de Alibaba, es Apache 2.0. Son los modelos que más empujaron el debate "si China publica abierto y Estados Unidos cierra, ¿quién gana la carrera?".
Mistral (Francia). La jugada interesante del medio. Publica algunos modelos abiertos (Mistral 7B, Mixtral) y otros cerrados (Mistral Large). Su lectura es pragmática: abierto para ganar mindshare y talento, cerrado para monetizar capacidad de frontera.
xAI (Estados Unidos). Caso peculiar: Elon Musk prometió abrir modelos y en marzo de 2024 liberó los pesos de Grok-1 con licencia Apache 2.0. Las versiones siguientes (Grok-2, Grok-3) no fueron abiertas. Queda como gesto intermedio.
OpenAI, Anthropic, Google. Del lado cerrado. Publican papers técnicos, arquitecturas generales, a veces cifras de rendimiento. No publican pesos. Cada uno tiene su propia fundamentación pública sobre por qué.
El argumento pro-abierto
El caso a favor de los modelos abiertos tiene cuatro pilares concretos.
Sin vendor lock-in. Si tu negocio depende de un modelo cerrado y el proveedor cambia los precios, cambia los términos, o discontinúa el modelo, tu negocio queda capturado. Con abierto, tenés el modelo. Si el proveedor desaparece, vos seguís operando.
Auditabilidad. Podés inspeccionar cómo responde el modelo a prompts específicos en un ambiente controlado. Podés estudiar sus sesgos. Podés verificar qué dice cuando le presentás tu caso de uso. Con cerrado, confiás en lo que el proveedor te dice que hace.
Self-hosting para datos sensibles. Si tus datos no pueden salir de tu red por compliance (salud, finanzas, defensa, legal), un modelo abierto corriendo on-premise es frecuentemente la única opción técnica viable.
Costo marginal bajo a alto volumen. Una vez amortizada la infraestructura, cada inferencia adicional cuesta casi cero. Las APIs cerradas cobran por token. Para casos de uso de muy alto volumen, la matemática favorece abierto.
Innovación distribuida. La comunidad puede hacer fine-tuning, cuantización, optimización. Llama tiene miles de variantes especializadas en Hugging Face. Un modelo cerrado depende solo de lo que el proveedor publique.
El argumento pro-cerrado
El caso a favor de los modelos cerrados también tiene pilares sólidos. No es solo marketing.
Economía concentrada para investigación de alineamiento. Entrenar un modelo de frontera cuesta cientos de millones de dólares. Hacer investigación seria de alineamiento encima cuesta otros tantos millones. Los modelos abiertos rara vez tienen ese presupuesto dedicado a alineamiento porque la plata se recupera por uso, no por licencia. Claude invierte en Constitutional AI en parte porque puede cobrar por el resultado.
Responsabilidad operativa. Cuando algo sale mal con Claude, hay una empresa a quien reclamar. Hay contratos, SLAs, indemnizaciones. Con un modelo abierto corriendo en tu servidor, vos sos el responsable. Para aplicaciones reguladas (salud, legal, financiero), esa diferencia es enorme.
Revocabilidad. Si el proveedor detecta un modo de uso indebido del modelo, puede actualizarlo, agregar mitigaciones, incluso revocar acceso a cuentas específicas. Una vez que los pesos están en internet, no hay vuelta atrás.
Calidad técnica de frontera. Los modelos cerrados suelen estar por encima en benchmarks de capacidad general porque tienen más compute y más datos propietarios. El gap se achica cada año, pero a abril 2026 sigue existiendo en varios dominios.
La postura de Anthropic en particular es honesta en esto: su argumento no es "cerrar es mejor para todos". Su argumento es "para nosotros, como empresa cuya misión es seguridad, cerrar los pesos es parte del compromiso operativo". Esa posición tiene integridad aunque uno no la comparta.
El riesgo de captura
Hay un contraargumento al pro-cerrado que vale nombrar sin dramatizar.
Si el mercado se concentra en tres o cuatro empresas cerradas que dictan precios, términos de uso y acceso, la IA se convierte en infraestructura controlada por oligopolio. No es hipótesis loca — es lo que pasó con las nubes de cómputo.
En ese escenario, los modelos abiertos dejan de ser solo una opción técnica y pasan a ser salud de sistema. Son la garantía de que si los cerrados se vuelven abusivos, hay una alternativa. Esa garantía tiene valor incluso si no la usás.
Por eso Meta, DeepSeek y Mistral publicando abierto no es solo generosidad — es presión competitiva que beneficia al resto del mercado. Los cerrados también bajan precios y mejoran términos cuando hay alternativas abiertas viables.
¿Cuándo uso uno, cuándo el otro?
Bajando a lo práctico, una guía honesta por perfil de usuario.
Profesional independiente o pequeña empresa. Cerrado. Claude, ChatGPT o Gemini por suscripción. El costo de ingenieros que mantengan un modelo abierto on-premise excede el ahorro.
Empresa mediana con equipo técnico y compliance moderado. Principalmente cerrado para calidad, con algún experimento abierto si hay un caso de uso específico (fine-tuning en dominio, batch processing masivo).
Empresa con compliance estricto (salud, banca, defensa). Abierto on-premise es típicamente obligatorio para datos sensibles, cerrado como herramienta complementaria para tareas no sensibles.
Consultoría de datos con riesgo reputacional. Por default cerrado de frontera (confiabilidad). Abierto como plan B para el caso donde el cliente exija data residency.
Producto que se construye encima del modelo. Depende del volumen. A bajo volumen, cerrado por simplicidad. A alto volumen con márgenes tight, abierto fine-tuned.
Para cerrar y para seguir
La pregunta "abierto vs cerrado" es vieja en software y vieja en hardware. Cada vez que aparece una tecnología nueva, el debate se vuelve a hacer. La respuesta histórica casi siempre fue la misma: ambos coexisten, cada uno se estabiliza en el nicho donde sus trade-offs rinden mejor.
Con IA está pasando lo mismo. Los cerrados dominan en calidad de frontera y en uso profesional con responsabilidad. Los abiertos dominan en control, customización y costo a escala. Van a seguir conviviendo.
La única respuesta mala es fanatismo. Quien te dice "los cerrados son malvados porque secuestran el conocimiento" o "los abiertos son irresponsables porque liberan capacidad peligrosa" está simplificando un debate que tiene matices reales en ambos lados.
¿Cuál es el constraint que más pesa en tu trabajo hoy: calidad inmediata, control de datos, o costo a volumen?
Si querés entender el jugador que más ha empujado la frontera abierta en el último año, leé Meta y Llama — la apuesta abierta. Si querés el mapa completo de la competencia en la industria, La carrera de las IAs.
La frase "modelo open source" aplicada a LLMs tiene un problema de definición que conviene enfrentar de frente. En software tradicional, "open source" tiene una definición formal — la Open Source Definition del Open Source Initiative — que especifica diez criterios precisos sobre licencia, redistribución, uso y modificación. Un programa es open source o no lo es según esos criterios.
Para modelos de IA no existe todavía un consenso equivalente. Y eso no es un accidente — refleja que un modelo entrenado es técnicamente distinto de un programa. Hay al menos tres artefactos que pueden o no ser abiertos: los pesos (el modelo propiamente dicho), el código (training e inference), y los datos (el corpus de entrenamiento). Un modelo puede tener pesos abiertos pero código cerrado, o código abierto pero datos cerrados, o cualquier combinación intermedia. La Open Source Initiative publicó a fines de 2024 un draft de definición de "Open Source AI" que intenta formalizar esto, pero su adopción está lejos de ser universal.
Esta ambigüedad conceptual es el punto de partida de cualquier análisis experto serio del tema.
El espectro real de apertura
Un mapa técnico honesto del estado a abril 2026 requiere reemplazar la dicotomía "abierto vs cerrado" por un espectro de al menos cinco niveles.
Nivel 1 — Completamente cerrado. Pesos privados, código privado, datos privados. Acceso solo por API. Claude, GPT-4o, Gemini caen acá. Lo único público es la arquitectura a nivel conceptual y las métricas de rendimiento que el proveedor decide divulgar.
Nivel 2 — Open-weights con licencia restrictiva. Pesos públicos, licencia que limita uso comercial arriba de umbrales específicos (usuarios, ingresos, jurisdicciones). Llama 2/3/4 caen acá. La Llama Community License v2 restringe uso para productos con más de 700M MAU y tiene cláusulas de uso aceptable que Meta puede hacer valer legalmente.
Nivel 3 — Open-weights con licencia permisiva estándar. Pesos públicos bajo Apache 2.0, MIT, o similar. Mistral 7B, Mixtral, Qwen 2, DeepSeek-R1 caen acá. Uso comercial sin restricciones salvo las estándar de estas licencias (atribución, no endorsement, no liability).
Nivel 4 — Open-weights + código de inferencia + recetas parciales de training. Los proyectos más transparentes de Hugging Face, algunos releases de Allen AI (OLMo), Mistral en sus releases más abiertos. Publican suficiente para que un equipo técnico pueda reproducir aproximadamente el proceso.
Nivel 5 — Completamente abierto (pesos, código, datos). Muy raro en escala de frontera. BLOOM (2022), OLMo 2 de Allen AI (2024) son los ejemplos más citados. Ninguno es modelo de frontera competitivo con GPT-4o o Claude Opus. La razón es económica y legal — los datos de entrenamiento a escala de frontera incluyen materiales sobre los que no hay clarificación completa de derechos.
La distinción relevante para un análisis competitivo no es "abierto vs cerrado" sino "en qué nivel del espectro opera cada actor, por qué, y qué implicancias tiene".
La tesis de Amodei sobre no publicar pesos
En su ensayo de principios de 2024, Dario Amodei articuló la posición de Anthropic con una precisión técnica que merece análisis porque es el argumento más fuerte del lado cerrado.
El argumento tiene tres componentes.
Argumento 1 — Irreversibilidad. Una vez que los pesos están públicamente disponibles, la capacidad que representan no se puede desinstalar del mundo. Si se descubre posteriormente que el modelo tiene una capacidad peligrosa que no se había detectado antes del release (ejemplo: asistencia efectiva en diseño de patógenos, síntesis de explosivos, ciberataques), el proveedor ya no tiene ningún mecanismo para mitigar. Un modelo cerrado puede ser actualizado, restringido, o retirado. Un modelo abierto ya está en miles de copias distribuidas globalmente.
Argumento 2 — Amortización de alineamiento. La investigación de alineamiento de frontera — interpretabilidad mecanicista, constitutional AI, red teaming sistemático — es actividad cara que requiere compute dedicado y researchers de alto nivel. Ese costo se amortiza para el proveedor a través del uso del modelo (API, suscripciones). Publicar los pesos regala el resultado del trabajo de alineamiento pero no el costo incurrido. En el margen, eso reduce el incentivo económico para invertir en alineamiento, porque cada dólar invertido se beneficia a competidores sin costo.
Argumento 3 — Responsabilidad legal. Un proveedor cerrado puede ser demandado si su modelo causa daño. Eso crea incentivos alineados: la empresa que tiene skin in the game legal invierte más en mitigar daño que una que publica pesos y se desentiende. La estructura legal actual no permite transferir liability de manera limpia de un modelo abierto a su deployer.
La crítica honesta a este argumento es que descansa sobre un supuesto empírico difícil de verificar: que el daño marginal esperado de publicar pesos de frontera excede el beneficio marginal esperado en innovación y descentralización. Ese cálculo no tiene una respuesta consensuada en la comunidad. Gente seria argumenta en ambas direcciones con datos parciales.
El contraargumento técnico del lado abierto
El lado abierto tiene también un cuerpo de argumentos técnicos serios que merece presentarse con rigor.
Interpretabilidad democratizada. La investigación en interpretabilidad mecanicista progresa mucho más rápido cuando la comunidad académica tiene acceso a pesos. El trabajo en sparse autoencoders, probing, feature attribution depende de poder interactuar con los pesos directamente. Si solo Anthropic, OpenAI y Google pueden investigar internals de modelos de frontera, el campo académico queda estructuralmente subordinado a la agenda de investigación de tres empresas. Eso es malo para el progreso general.
Validación independiente de seguridad. Red teaming externo y auditoría independiente de comportamiento solo son posibles a profundidad sobre pesos públicos. La afirmación "nuestro modelo es seguro" hecha por el proveedor no es falsable sin acceso al objeto. Modelos abiertos permiten que terceros hagan claims verificables sobre riesgos y mitigaciones.
Evita concentración de poder infraestructural. Si tres empresas controlan los modelos de frontera en el mundo, la IA se convierte en infraestructura con todas las dinámicas problemáticas que eso implica (captura regulatoria, rentismo, fragilidad sistémica). Modelos abiertos capaces son la única forma estructural de mantener el campo competitivo a largo plazo.
Soberanía tecnológica. Para países y organizaciones fuera del triángulo US-UK-resto-del-mundo, depender exclusivamente de proveedores cerrados extranjeros es un riesgo estratégico. La Unión Europea ha empujado esto explícitamente; China tiene su propia ecosistema abierto por razones análogas. DeepSeek y Qwen son en parte movimientos de soberanía nacional disfrazados de releases técnicos.
Un experto debería tener ambos conjuntos de argumentos presentes y reconocer que la discusión no está resuelta.
Economía comparativa a abril 2026
Modelización numérica honesta del trade-off económico para casos de uso reales.
Caso A — Startup con 10 millones de requests/mes, tokens promedio 500 in / 1000 out. Closed API (Claude Sonnet): ~$4.500/mes. Self-host de Llama 3 70B: $3K capex amortizado + ~$2.500/mes en compute + $500/mes en operaciones. Break-even a 3 meses. Pero el setup técnico y el riesgo operativo hacen que la mayoría de startups en esta escala siga con closed API. La decisión no es puramente económica.
Caso B — Empresa mediana con 100M requests/mes, compliance moderado. Closed API: ~$45K/mes. Self-host: $15K capex + ~$18K/mes compute + $5K/mes operaciones. Ahorro estructural significativo, pero requiere equipo técnico dedicado (2-3 ingenieros especializados, ~$30K/mes en salarios cargados). Net-net, break-even depende del caso exacto.
Caso C — Empresa Fortune 500 con data residency estricta. El cálculo puro de costos es irrelevante porque compliance hace que closed API no sea legalmente viable para ciertas cargas. Open on-premise es efectivamente obligatorio.
Caso D — Uso intensivo de fine-tuning. Customizar un modelo abierto para dominio específico cuesta del orden de $50K-$200K en compute y expertise. Un modelo cerrado con fine-tuning limitado (cuando está disponible) cuesta similar pero con menos control sobre el resultado. Para casos donde el dominio es central al producto (medicina, derecho, código propietario), abierto fine-tuned gana estructuralmente.
Caso E — Prototipo rápido / MVP. Closed API gana sin discusión por time-to-value. Montar infraestructura open-source para validar una idea es antipatrón operativo.
El mercado chino como variable estructural
Un análisis experto no puede omitir el rol de China como fuerza que desplaza el equilibrio.
DeepSeek-R1 publicado bajo MIT en enero 2025 fue un evento de mercado porque demostró tres cosas simultáneamente. Una: que modelos chinos podían competir en capacidad de razonamiento con frontier modelos occidentales. Dos: que podían hacerlo con presupuestos de entrenamiento reportados del orden de $5-10M (una fracción de lo que OpenAI gasta), aunque las cifras son disputadas. Tres: que estaban dispuestos a publicarlos con licencia maximalmente permisiva.
Esa combinación cambió el cálculo estratégico. Empresas occidentales que habían decidido cerrar por consideraciones de seguridad vieron que la apertura china ocurría de todos modos — y que los pesos de DeepSeek circulaban globalmente en Hugging Face. El argumento "si cerramos, la capacidad no prolifera" perdió fuerza empírica.
Qwen de Alibaba juega una partida similar con licencia Apache. La pregunta estratégica "¿la próxima generación de modelos abiertos competitivos va a venir de Estados Unidos o de China?" tiene hoy una respuesta incómoda para el ecosistema occidental.
Tesis editorial
Cierro con una tesis que excede el reporting y entra en evaluación.
La pregunta "¿abierto o cerrado?" está mal planteada porque presupone exclusividad. La pregunta correcta para un profesional maduro en 2026 es "¿cuál es el bundle correcto de modelos para mi trabajo?".
El bundle típico de alta sofisticación incluye tres capas. Un cerrado de frontera (Claude Opus o equivalente) para trabajo de alta responsabilidad donde la confiabilidad y la accountability son prioridad absoluta. Un abierto hospedable (Llama 4, Mistral Large, o DeepSeek dependiendo de licencia) corriendo on-premise o en cloud privado para datos que no pueden salir de la red o para volumen masivo con costo marginal controlado. Un abierto fine-tuneable (Mistral 7B, Qwen, Llama más chico) para tareas de dominio específico donde customización fina supera calidad generalista.
La existencia de ese stack de tres capas es el argumento más fuerte contra la visión "uno va a ganar". Cada capa tiene un conjunto de propiedades que las otras no pueden replicar sin destruir sus propios trade-offs. El cerrado de frontera no puede volverse abierto sin perder la economía de alineamiento. El abierto permisivo no puede garantizar accountability legal. El fine-tuneable pequeño no puede competir en calidad general con el cerrado grande.
El ecosistema sano del futuro cercano es uno donde las tres capas coexisten, cada una cumpliendo función irreductible. Un profesional que opera en una sola capa está operando con una herramienta incompleta.
La postura de este blog es entonces pro-Claude honesto pero no exclusivista. Claude es el default para la mayoría de los lectores porque es la herramienta más confiable para producir trabajo del que depende tu reputación. Y al mismo tiempo, saber desplegar un modelo abierto cuando el caso lo requiere es parte del oficio profesional de los próximos años. No es incompatibilidad — es competencia técnica.
¿Tenés hoy un experimento en marcha con algún modelo abierto, aunque sea pequeño, para no quedarte dependiendo solo de APIs cerradas el día que el problema lo requiera?
