# ¿Qué es un modelo IA de código abierto? Definición y buen reflejo vs mal reflejo

> Un modelo IA de código abierto es un modelo de fundación cuyos pesos y arquitectura son libremente descargables y explotables bajo una licencia más o menos permisiva (Apache 2.0, MIT o licencia propia). Se opone al modelo propietario (Claude, GPT, Gemini), accesible únicamente vía API o aplicación. La elección compromete soberanía, coste y flexibilidad a largo plazo.

## Definición
El panorama de los modelos de código abierto se transformó entre 2023 y 2026. Los modelos propietarios (Claude de Anthropic, GPT de OpenAI, Gemini de Google) conservan una ligera ventaja en los benchmarks más difíciles, pero la brecha se cierra rápidamente. Los principales modelos de pesos abiertos en octubre de 2026 son DeepSeek V4 Pro (MIT, China, versión final de agosto de 2026), Qwen 3.8 (Alibaba, agosto de 2026: licencia Qwen3.8-Max para el modelo insignia, Apache 2.0 para la versión de 27 mil millones de parámetros), Mistral Large 3 (Apache 2.0, Francia), Mistral Medium 3.5 (licencia MIT modificada, Francia), Gemma 4 (Apache 2.0, Google) y gpt-oss (Apache 2.0, OpenAI). Llama 4 Scout y Maverick (abril de 2025) siguen siendo los últimos pesos abiertos de Meta, que lanzó en abril de 2026 Muse Spark, un modelo cuyos pesos no se publican. La arquitectura dominante de los modelos insignia es el MoE sparse: de 675 mil millones (Mistral Large 3) a 2 400 mil millones (Qwen 3.8) de parámetros totales, de los que solo 41 a 95 mil millones están activos por token. Mistral Medium 3.5 es una excepción: es un modelo denso de 128 mil millones de parámetros. Apache 2.0 y MIT son las licencias más permisivas; la licencia Llama 4 fija un umbral de 700 millones de usuarios activos mensuales y no concede los derechos sobre sus modelos multimodales, entre ellos Scout y Maverick, a las empresas con sede principal en la UE; la licencia Qwen3.8-Max exige una licencia aparte a los proveedores de modelos como servicio o de asistentes de trabajo con IA que superen 50 millones de dólares de facturación en 12 meses; la licencia MIT modificada de Mistral Medium 3.5 excluye a las empresas cuya facturación mensual consolidada supera los 20 millones de dólares.

## Ejemplo
Caso ilustrativo. Un despacho de pericia contable francés de 180 empleados evalúa en 2026 el despliegue de un asistente IA interno sobre documentos sensibles (balances de clientes, declaraciones fiscales). Tres opciones. Opción A: Claude Sonnet 5.5 vía la API de Anthropic (2 $ por millón de tokens de entrada, 10 $ de salida), datos tratados en la infraestructura de Anthropic (la API no ofrece un tratamiento localizado en Europa, solo «global» o «Estados Unidos»). Opción B: Mistral Large 3 autoalojado en GPU alquiladas a un proveedor francés, datos 100 % en Francia; con 675 mil millones de parámetros, exige un servidor GPU de gama alta. Opción C: Mistral Medium 3.5 (modelo denso de 128 mil millones de parámetros) sobre un servidor de 8 GPU de clase H100 o H200 instalado en el datacenter del despacho, la configuración de referencia publicada por Mistral. La licencia MIT modificada no plantea problemas: el despacho está muy lejos del umbral de 20 M$ de facturación mensual. Inversión en material elevada, soberanía completa. El despacho elige la opción C por la confidencialidad fiscal, tras comprobar que dispone de las competencias para explotar este servidor.

## Para un directivo
Elegir un modelo propietario por defecto, o elegir un modelo de código abierto por ideología. Ambas posturas son errores simétricos. La primera deja escapar ahorros importantes (en volumen elevado, un modelo abierto self-hosted puede costar bastante menos que una API propietaria) y expone sus datos de negocio a los servidores del proveedor. La segunda subestima los costes ocultos del self-hosting: equipo MLOps dedicado, GPU a amortizar, actualización de los modelos, monitoreo. Sin volumen suficiente, el open source self-hosted cuesta más caro que la API propietaria. | Realizar el arbitraje sobre tres ejes operativos y un eje estratégico. Ejes operativos: volumen de inferencia esperado (calcule el punto de equilibrio comparando la factura mensual de la API con el coste completo de un servidor, incluidos GPU, energía y equipo; se sitúa muy por encima de algunas decenas de millones de tokens al mes), sensibilidad de los datos (RGPD, secreto profesional, propiedad intelectual imponen a menudo el self-hosting), criticidad del servicio (un modelo propietario puede ser depreciado sin aviso). Eje estratégico: independencia a largo plazo respecto a un proveedor único. La regla WYP: empezar con API propietaria para aprender rápido, cambiar a open source self-hosted en los casos de uso críticos una vez estabilizados el volumen y las necesidades.

## Preguntas frecuentes

**¿Qué es un modelo de código abierto en IA?**
Es un modelo de fundación cuyos pesos y arquitectura son libremente descargables y explotables bajo licencia permisiva, como Apache 2.0 o MIT. Se opone al modelo propietario (Claude, GPT, Gemini), accesible únicamente mediante una API. La elección compromete la soberanía, el coste y la flexibilidad a largo plazo.

**¿Los modelos de código abierto son tan capaces como los propietarios?**
Los modelos propietarios conservan una ligera ventaja en los benchmarks más difíciles, pero la brecha se cierra rápidamente. El panorama se transformó entre 2023 y 2026: en octubre de 2026, los principales modelos de pesos abiertos son DeepSeek V4 Pro, Qwen 3.8, Mistral Large 3, Gemma 4 y gpt-oss.

**¿Código abierto o propietario: cómo arbitrar?**
Evitando los dos errores simétricos, elegir el propietario por defecto o el código abierto por ideología. El arbitraje se apoya en tres ejes operativos (volumen de inferencia esperado, sensibilidad de los datos, criticidad del servicio) y un eje estratégico (la independencia a largo plazo respecto a un proveedor único). La regla WYP: empezar con API propietaria para aprender rápido, y después cambiar a código abierto self-hosted en los casos críticos una vez estabilizados el volumen y las necesidades.

**¿A partir de cuándo se vuelve rentable el autoalojamiento?**
No existe un umbral universal. Calcule el punto de equilibrio comparando la factura mensual de la API con el coste completo de un servidor: GPU a amortizar, energía, equipo MLOps, actualización de los modelos y supervisión. Con las tarifas de API actuales (2 $ por millón de tokens de entrada para Claude Sonnet 5.5), se sitúa muy por encima de algunas decenas de millones de tokens al mes. El autoalojamiento se justifica ante todo por la confidencialidad o la soberanía, rara vez por el coste.

**¿Hay que desconfiar de las licencias llamadas de código abierto?**
Sí, no todas son igual de permisivas. Apache 2.0 y MIT lo son en gran medida, pero la licencia de Meta para Llama 4 impone un umbral de 700 millones de usuarios activos mensuales y restricciones en la UE, y la licencia MIT modificada de Mistral Medium 3.5 excluye a las empresas cuya facturación mensual consolidada supera los 20 millones de dólares. La licencia debe verificarse antes de cualquier despliegue.

## Para seguir

- [LLM (Large Language Model)](https://wyp.agency/es/glosario/llm/)
- [Modelo de fundación](https://wyp.agency/es/glosario/modelo-de-fundacion/)
- [Soberanía digital](https://wyp.agency/es/glosario/soberania-digital/)
- [TCO IA](https://wyp.agency/es/glosario/tco-ia/)
- [Fine-tuning](https://wyp.agency/es/glosario/fine-tuning/)
- [SLM (Small Language Model)](https://wyp.agency/es/glosario/modelo-de-lenguaje-pequeno/)

## Fuentes

- Mistral Medium 3.5 128B, ficha del modelo, Mistral AI, Hugging Face (modelo denso de 128 mil millones de parámetros, licencia MIT modificada: exclusión por encima de 20 M$ de facturación mensual, despliegue vLLM en 8 GPU) (https://huggingface.co/mistralai/Mistral-Medium-3.5-128B)
- Mistral Medium 3.5, documentación oficial de Mistral AI (publicado el 28 de abril de 2026, pesos abiertos, licencia MIT modificada) (https://docs.mistral.ai/models/mistral-medium-3-5-26-04)
- Mistral Large 3, ficha del modelo, Mistral AI, Hugging Face (MoE, 675 mil millones de parámetros de los que 41 mil millones activos, Apache 2.0) (https://huggingface.co/mistralai/Mistral-Large-3-675B-Instruct-2512)
- DeepSeek-V4-Pro, ficha del modelo, DeepSeek-AI, Hugging Face (MoE, 1,6 billones de parámetros de los que 49 mil millones activos, licencia MIT) (https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro)
- Qwen3.5-397B-A17B, ficha del modelo, Alibaba Qwen, Hugging Face (397 mil millones de parámetros de los que 17 mil millones activos, 201 lenguas, Apache 2.0) (https://huggingface.co/Qwen/Qwen3.5-397B-A17B)
- Gemma 4 31B, ficha del modelo, Google DeepMind, Hugging Face (Apache 2.0) (https://huggingface.co/google/gemma-4-31B-it)
- The Llama 4 herd, Meta AI, abril de 2025 (Scout: contexto de 10 millones de tokens; Maverick: 400 mil millones de parámetros de los que 17 mil millones activos) (https://ai.meta.com/blog/llama-4-multimodal-intelligence/)
- Llama 4 Community License y política de uso, Meta (umbral de 700 millones de usuarios activos mensuales, restricción UE sobre los modelos multimodales) (https://github.com/meta-llama/llama-models/tree/main/models/llama4)
- Data residency, documentación de la plataforma Claude, Anthropic (inference_geo: «global» o «us») (https://platform.claude.com/docs/en/manage-claude/data-residency)
- Qwen3.8-2.4T-A95B, ficha del modelo y licencia Qwen3.8-Max, Alibaba Qwen, Hugging Face (https://huggingface.co/Qwen/Qwen3.8-2.4T-A95B)
- DeepSeek-V4-Pro-0813, ficha del modelo (licencia MIT), DeepSeek-AI, Hugging Face (https://huggingface.co/deepseek-ai/DeepSeek-V4-Pro-0813)
- gpt-oss-120b, ficha del modelo (Apache 2.0), OpenAI, Hugging Face (https://huggingface.co/openai/gpt-oss-120b)
- Introducing Muse Spark, Meta AI, 8 de abril de 2026 (https://ai.meta.com/blog/introducing-muse-spark-msl/)

---
Ficha del glosario de IA de WYP.agency · https://wyp.agency/es/glosario/modelo-codigo-abierto/ · Última actualización : 2026-10-14