Última revisión: 25 de mayo de 2026

¿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 licencia permisiva (Apache 2.0, MIT). Se opone al modelo propietario (Claude, GPT, Gemini) accesible únicamente vía API. La elección compromete soberanía, coste y flexibilidad a largo plazo.

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 modelos de código abierto dominantes en mayo de 2026 son DeepSeek V4 Pro (MIT, China), Llama 4 Scout y Maverick (Meta custom license, 10M tokens de contexto), Qwen 3.5 (Apache 2.0, Alibaba, 201 lenguas), Mistral Large 3 y Medium 3.5 (Apache 2.0, Francia), y Gemma 4 (Apache 2.0, Google). La arquitectura dominante es el MoE sparse: todos los flagships tienen entre 397 y 1 600 mil millones de parámetros totales, pero solo 17 a 49 mil millones están activos por token. Apache 2.0 y MIT son las licencias más permisivas; la Meta custom license impone una cláusula de umbral de usuarios (700M MAU) y restricciones UE.

Ejemplo concreto

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 4.6 vía API Anthropic, alojamiento europeo Frankfurt, 2 100 $/mes, datos transitando por los servidores Anthropic. Opción B: Mistral Large 3 self-hosted sobre cluster GPU alquilado en Scaleway, 4 800 $/mes (4 GPUs H200 y almacenamiento), datos 100 % Francia. Opción C: Mistral Medium 3.5 (24B) sobre 2 GPUs A100 self-hosted en el datacenter del despacho, 1 200 $/mes tras amortización de material a 24 meses, soberanía completa. El despacho elige la opción C por la confidencialidad fiscal y un TCO inferior a las otras dos.

Buen reflejo vs mal reflejo

MAL REFLEJO

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 (un modelo Mistral Medium 3.5 self-hosted cuesta de 3 a 5 veces menos que un Claude Sonnet 4.6 en volumen elevado) 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.

BUEN REFLEJO

Realizar el arbitraje sobre tres ejes operativos y un eje estratégico. Ejes operativos: volumen de inferencia esperado (por encima de 50 millones de tokens al mes, el self-hosting se vuelve rentable), 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.

Ver también

Para profundizar

Open-Source LLMs Landscape 2026, Codersera (recurso externo)

Fuentes

Open-Source LLMs Landscape 2026, Codersera, actualizado el 1 de mayo de 2026 (benchmarks comparados DeepSeek V4 Pro, Llama 4, Qwen 3.5, Mistral Large 3, Gemma 4). https://codersera.com/blog/open-source-llms-landscape-2026/ (consultado el 2026-05-25)
Mistral AI documentación oficial, modelos Large 3 y Medium 3.5, Apache 2.0, 2026. https://mistral.ai/ (consultado el 2026-05-25)

← Volver al glosario