Los modelos open-weight occidentales se ofrecen a las empresas como alternativa a la IA china y a la cerrada

Los desarrolladores occidentales impulsan una nueva oleada de modelos con pesos abiertos. Su objetivo es ofrecer a las empresas una alternativa a dos bandos a la vez: las redes neuronales abiertas chinas y las API cerradas de los laboratorios estadounidenses. Así plantea la idea AI Business, que también advierte de que un mayor control sobre la IA trae consigo nuevas obligaciones. El artículo no menciona nombres concretos de modelos, tamaños ni resultados de pruebas, por lo que a continuación se analiza qué hay detrás de la propuesta y qué significa para el cliente.

Por qué la pregunta surge ahora

Durante los últimos dos años, los pesos abiertos más potentes han llegado cada vez más de China: las familias Qwen, DeepSeek y Kimi. Son baratas de ejecutar, se reentrenan bien y se descargan libremente. Para una parte de las empresas occidentales, eso no basta. Los equipos de seguridad y los abogados preguntan por el origen del modelo, por los datos de entrenamiento y por cómo justificar la elección ante un auditor o un regulador.

Los modelos abiertos occidentales ya existían: Llama de Meta, Mistral, Gemma de Google. En agosto de 2025 se sumó gpt-oss de OpenAI, con versiones de 120 y 20 mil millones de parámetros bajo licencia Apache 2.0. La nueva campaña, a juzgar por su descripción, intenta convertir lanzamientos dispersos en un conjunto claro de opciones para el negocio.

Qué obtiene la empresa

La principal ventaja es la capacidad de gestión. Un modelo que puede ejecutarse en el perímetro propio no envía consultas a un proveedor externo. Esto importa para la banca, la medicina, el sector público y cualquier industria con datos sensibles. También forman parte de esa ventaja el reentrenamiento con la terminología propia, la fijación de la versión y la independencia frente a los cambios de precios y de condiciones de acceso que decidan otros.

Las API cerradas siguen otra lógica. El proveedor puede actualizar el modelo, cambiar su comportamiento o retirar una versión del soporte, y el cliente se entera después. Con los pesos abiertos, el archivo sigue en sus manos.

Qué recae sobre el cliente

El control no es gratis. En cuanto el modelo funciona en su perímetro, usted responde de su funcionamiento:

• infraestructura: compra o alquiler de GPU, stack de inferencia, escalado y monitorización de la latencia;
• seguridad: protección frente a prompt injection, filtrado de la salida, red teaming, registro de actividad;
• actualizaciones: pruebas propias de las nuevas versiones y control de regresiones;
• licencia: Apache 2.0 y MIT dan libertad, mientras que las licencias personalizadas pueden limitar la escala o el ámbito de uso;
• transparencia: los pesos abiertos no implican datos ni código de entrenamiento abiertos y, por tanto, no hay reproducibilidad completa.

Este último punto suele pasarse por alto. El término open-weight es más honesto que open-source precisamente porque describe solo la disponibilidad de los parámetros. La historia del modelo se sigue aceptando por fe, aunque sea en una jurisdicción más cómoda.

Cómo empezar en la práctica

Empiece con un piloto en una sola tarea, no con la migración de todo el stack. Prepare su propio conjunto de pruebas con documentos y consultas reales: los rankings públicos predicen mal el comportamiento en su ámbito concreto. Compare el coste total de propiedad, incluidas las personas que harán guardias sobre la inferencia, y no solo el precio del token de la API.

Construya una capa de abstracción sobre el proveedor para poder cambiar de modelo sin reescribir las aplicaciones. Pida a los abogados que lean la licencia completa y que dejen constancia de la procedencia de los pesos. Y decida de antemano quién en la empresa se encarga de la seguridad del modelo tras el lanzamiento. Si no hay respuesta, una API cerrada con un SLA claro puede resultar, por ahora, más sensata que los pesos abiertos.