IAs abiertas vs cerradas: la batalla silenciosa por el control del futuro de la inteligencia artificial

OPINIÓN & FUTURO · INTELIGENCIA ARTIFICIAL

No es una discusión académica. Las decisiones que se tomen ahora sobre cómo se diseña, licencian y regulan estos modelos condicionarán si dentro de diez años trabajamos con una IA plural, con muchos actores y enfoques, o con unas pocas plataformas que concentran la mayoría del poder.

1. Qué significa que una IA sea abierta o cerrada (sin marketing de por medio)

Empecemos por lo básico. Llamar “abierto” a un modelo de IA puede significar cosas muy distintas, desde “tenemos un paper en arXiv” hasta “puedes descargar los pesos y usarlos en tu portátil sin pedir permiso”. Para aclararnos, pensemos en tres niveles.

• Código abierto clásico. Se publica el código, la arquitectura y, a veces, los scripts de entrenamiento. Cualquiera puede ver cómo funciona el modelo y proponer mejoras.
• Pesos abiertos. Puedes descargar el modelo ya entrenado (los pesos) y usarlo en tus propios servidores o dispositivos, a veces incluso modificarlo y reentrenarlo.
• Datos y proceso abiertos. El nivel “full open”: se documentan datasets, procesos de filtrado, métricas, benchmarks y limitaciones conocidas.

En el otro extremo están los modelos cerrados, donde solo ves la interfaz: una API o una app. No sabes con qué datos se ha entrenado, ni puedes inspeccionar qué partes del modelo generan qué efectos. Solo puedes consumir la funcionalidad bajo los términos de servicio de la empresa.

Entre medias hay muchos grises: licencias “abiertas pero no tanto”, pesos descargables con restricciones comerciales, código accesible pero datasets opacos. Es menos una dicotomía que un espectro. Pero como simplificación, nos vale: abierto es aquello que puedes auditar, estudiar, adaptar y ejecutar por tu cuenta; cerrado es aquello a lo que accedes como servicio, sin ver las tripas.

2. Cómo hemos llegado aquí: de papers abiertos a cajas negras gigantes

Lo curioso es que buena parte de los avances que han hecho posibles los modelos actuales salieron de una cultura bastante abierta. Los papers que definieron la era moderna del deep learning, explicados en artículos como “Attention is All You Need” y los transformers o el histórico AlexNet e ImageNet, se publicaron con bastante detalle técnico y, en muchos casos, con código de referencia.

Con la llegada de los grandes modelos de lenguaje y visión, el entrenamiento se volvió tan caro que muchos actores optaron por cerrarse. Tiene sentido: si gastar cientos de millones en cómputo se convierte en tu apuesta estratégica, quieres proteger el resultado. A la vez, otros actores (universidades, consorcios, empresas como Meta o Mistral) han decidido abrir parte de sus modelos para ganar comunidad, influencia y adopción.

Ese equilibrio frágil entre lo abierto y lo cerrado ya lo hemos visto en otras revoluciones tecnológicas, desde internet hasta el móvil. La diferencia es que, esta vez, la tecnología en juego no es solo una infraestructura de comunicación, sino sistemas que pueden tomar decisiones con impacto directo en la economía, la política o la seguridad.

3. Argumentos a favor de las IAs abiertas

Las defensas de los modelos abiertos suelen apoyarse en cuatro pilares: transparencia, innovación, soberanía y costes.

Transparencia y auditabilidad

Si puedes inspeccionar el modelo, analizar qué datos se han usado (al menos en parte) y reproducir resultados, es más fácil detectar sesgos, fallos de seguridad o comportamientos peligrosos. No dependes solo del “confía en mí” de una empresa. Para gobiernos o instituciones que se juegan mucho usando IA en sanidad, justicia o educación, esto no es un lujo, es casi un requisito democrático.

Innovación distribuida

Un modelo abierto es una plataforma sobre la que pueden innovar miles de equipos. Pequeñas empresas, labs académicos, desarrolladores indie o países con menos recursos pueden adaptar el modelo a su idioma, su dominio o su hardware. Eso hace que el ecosistema sea más diverso y que aparezcan usos que quizás el creador original nunca habría imaginado.

Soberanía tecnológica y privacidad

Si puedes ejecutar un modelo en tus propios servidores o dispositivos, reduces dependencia de terceros. Para empresas con datos sensibles o para gobiernos, esto se mezcla con la idea de “computación privada” y control de la cadena de valor tecnológica, muy en la línea de lo que comentaba en el artículo sobre infraestructuras de IA privadas: no todo puede ni debe pasar por una nube ajena.

Costes y flexibilidad

Poder desplegar un modelo abierto en tu infraestructura te evita pagar cada llamada a una API y te da más control sobre latencias, escalado y personalización. Para algunos casos de uso intensivo (por ejemplo, un buscador interno o un sistema de soporte masivo), esto puede marcar la diferencia entre un proyecto viable y uno prohibitivo.

4. Argumentos a favor de las IAs cerradas

Las defensas de los modelos cerrados no son solo “queremos ganar dinero”. También hay razones técnicas, de seguridad y de responsabilidad que conviene tomar en serio.

Rendimiento puntero y velocidad de mejora

Entrenar modelos gigantes con datos cuidadosamente curados, refinar su comportamiento con miles de anotadores humanos y desplegarlos en infraestructuras masivas cuesta muchísimo. Las empresas que apuestan por modelos cerrados suelen ofrecer, a cambio, un rendimiento muy alto, una cadencia rápida de mejoras y un ecosistema de productos alrededor (editores, asistentes especializados, herramientas para empresas) difícil de replicar solo con comunidad abierta.

Seguridad y mitigación de abusos

Cuando controlas el modelo en tus servidores, puedes poner muchas capas de seguridad, monitorización y mitigación de riesgos. Puedes limitar ciertos usos, bloquear patrones peligrosos, registrar actividad y responder si algo se desmadra. Con modelos abiertos, una vez que los pesos están fuera, cualquiera puede afinarlos para usos menos éticos, desde deepfakes hasta ataques automatizados.

Responsabilidad y cumplimiento legal

Si eres un proveedor de IA cerrada que firma contratos empresariales, aceptas una parte de responsabilidad: uptime, SLA, cumplimiento de normas, soporte, auditorías. Eso da tranquilidad a muchos CIO que no quieren tener que montar su propia infraestructura de entrenamiento, ni asumir solos el riesgo de un modelo abierto mal gobernado. No es casualidad que estén apareciendo ofertas específicas como plataformas empresariales de IA, de las que hablo en este artículo sobre IA para negocio.

En resumen: la narrativa de “lo abierto es bueno, lo cerrado es malo” se queda corta. Hay trade-offs reales que dependen del contexto, los riesgos y los recursos de cada actor.

5. Qué se está jugando de verdad: poder económico y geopolítica

Detrás del debate técnico hay algo mucho más grande: quién manda en la próxima infraestructura básica del planeta. Igual que los sistemas operativos móviles, los navegadores o las nubes públicas se convirtieron en posiciones estratégicas, los modelos de IA generalistas son la nueva capa de poder.

Si solo unas pocas empresas controlan los modelos cerrados más potentes, controlan también:

• Qué es técnicamente fácil o difícil de hacer.
• Qué usos se consideran aceptables y cuáles se bloquean.
• Quién accede a precios razonables y quién no.
• Qué datos se acumulan para entrenar las siguientes generaciones de modelos.

A escala de países, esto se mezcla con la “nueva guerra fría de la IA” entre EEUU, China y Europa. No es solo una cuestión de quién tiene más talento o startups, sino de quién controla los modelos fundacionales, el cómputo, las cadenas de chips y los datos. El movimiento hacia modelos abiertos también se puede leer como un intento de algunos actores por evitar quedarse atrapados en plataformas ajenas.

Mientras tanto, vemos una carrera de inversiones monstruosas en centros de datos y energía para IA, como comento en el análisis de inversiones en centros de datos para IA. La pregunta es quién se beneficia del valor generado por esa capacidad: ¿solo quienes controlan las APIs cerradas o también quienes construyen sobre modelos abiertos?

6. Cómo te afecta como usuario: lock-in, privacidad y pluralidad

Si solo usas IA como “chatbot para preguntarle cosas”, quizá pienses que esto te pilla lejos. En realidad, te toca en varios frentes.

• Lock-in suave. Cuanto más acostumbras tu flujo de trabajo a un asistente concreto (su formato de notas, sus integraciones, su memoria), más difícil es cambiar si mañana sube precios o cambia de política.
• Privacidad y trazabilidad. Usar modelos cerrados suele implicar enviar datos a servidores externos. En algunos casos, prometen no entrenar con tu contenido; en otros, no está tan claro. Con modelos abiertos que corren en tu dispositivo, reduces esta exposición, aunque a costa de potencia.
• Pluralidad de voces. Si tu “ventana al mundo” pasa cada vez más por una o dos IAs cerradas, estás filtrando tu realidad a través de sus entrenamientos, políticas y sesgos. La existencia de modelos abiertos y diversidad de proveedores ayuda a evitar que una sola narrativa técnica se convierta en la única.

En el límite, podríamos llegar a un futuro en el que una IA dominante actúe como capa intermedia entre tú y casi todo: noticias, trabajo, ocio, decisiones. Que esa capa sea plural y auditable o cerrada y monocorde no es un detalle menor.

7. Cómo te afecta si eres empresa: riesgo, coste y estrategia

Si estás montando productos o procesos sobre IA, la elección entre abierto y cerrado es parte de tu estrategia, no solo de tu stack técnico.

Casos donde suele ganar lo cerrado

• Proyectos que necesitan el máximo rendimiento posible ya mismo (agentes complejos, razonamiento profundo, multimodal avanzado).
• Entornos regulados donde prefieres que un proveedor asuma parte de la responsabilidad y ofrezca certificaciones, auditorías y soporte.
• Equipos pequeños sin músculo para administrar infraestructuras propias de IA ni para entrenar modelos.

Casos donde lo abierto tiene más sentido

• Sistemas internos con muchos tokens al día donde el coste por uso de una API sería brutal.
• Casos con datos muy sensibles donde quieres garantizar que nada sale de tu perímetro.
• Productos donde el modelo forma parte de tu ventaja competitiva y quieres poder modificarlo a fondo.

En la práctica, muchas empresas acabarán en un modelo híbrido: cerrados para ciertas tareas clave y abiertos para otras. Lo importante es no caer en el piloto bonito que luego no escala, algo que ya he visto y analizado en el artículo sobre por qué tantos pilotos de IA fracasan: falta de visión estratégica y dependencia excesiva de una única tecnología o proveedor.

8. Cómo te afecta si eres desarrollador: carrera profesional y libertad creativa

Para desarrolladores, la elección abierta vs cerrada no es solo “qué SDK uso”, es también una decisión de carrera.

• Si apuestas solo por ecosistemas cerrados, te vuelves experto en una plataforma concreta (sus APIs, sus trucos, sus herramientas). Muy valioso a corto plazo, pero más vulnerable si el proveedor cambia de rumbo.
• Si te sumerges en modelos abiertos, aprendes más sobre arquitectura, fine-tuning, despliegue en hardware real, control de costes. Es más duro, pero te da habilidades que transfieren mejor entre plataformas.

Lo ideal, como casi siempre, es un equilibrio: entender bien al menos un proveedor cerrado grande y, a la vez, mancharte las manos con modelos abiertos, desde pequeños modelos locales hasta arquitecturas más grandes. Así, si mañana cambia la marea, no descubres que todo tu conocimiento vive en un solo ecosistema.

9. Falsos debates: no es una guerra de buenos contra malos

Parte del ruido en esta discusión viene de tratarla como una guerra de religión: si apoyas modelos abiertos, “estás con la libertad”; si apoyas cerrados, “estás con el capitalismo oscuro”. La realidad es menos épica y más complicada.

• Hay modelos abiertos con licencias tan restrictivas que son “open-ish”, pero poco útiles para ciertos negocios.
• Hay modelos cerrados con programas de acceso para investigadores, auditorías externas y documentación bastante decente.
• Hay actores que combinan ambos mundos: liberan versiones abiertas recortadas mientras venden versiones cerradas más potentes.

Tampoco tiene sentido idealizar lo abierto sin mirar quién paga la fiesta. Un ecosistema open source fuerte necesita recursos: fundaciones, consorcios, financiación pública o modelos de negocio que lo sostengan. Si solo esperamos que grandes empresas liberen cosas “por amor al arte”, nos arriesgamos a depender de su estrategia de turno.

10. Cómo decidir en la práctica: una guía rápida

Si tienes que tomar decisiones hoy mismo, puedes hacerte estas preguntas:

• ¿Qué priorizas ahora mismo: velocidad o control? Si necesitas sacar algo en semanas y no tienes equipo de MLOps, probablemente empezar con un modelo cerrado sea más sensato.
• ¿Qué pasaría si tu proveedor actual duplicara precios o cambiara de política? Si la respuesta es “nos hundimos”, necesitas plan B con modelos abiertos o al menos portabilidad.
• ¿Qué sensibilidad tienen los datos que manejarás? Cuanto más delicados, más argumentos a favor de soluciones on-prem o en dispositivos propios con modelos abiertos.
• ¿En qué consiste tu ventaja competitiva? Si tu “producto” es básicamente una fina capa sobre una API de IA cerrada, estás construyendo sobre terreno que no controlas. Quizá necesites más propiedad sobre la parte inteligente del sistema.

Y, sobre todo, no te quedes en el piloto bonito. Alinea la elección abierta vs cerrada con tu estrategia de negocio, tu mercado y tus capacidades, algo de lo que hablo extensamente cuando trato el tema del encaje producto-mercado en productos de IA.

11. Opinión: el futuro será híbrido (pero la gobernanza importa)

Mi apuesta personal es que no ganará ni el “todo abierto” ni el “todo cerrado”. Viviremos en un ecosistema híbrido donde:

• Un puñado de modelos cerrados punteros marcarán el techo de capacidad general.
• Habrá una constelación de modelos abiertos medianos y pequeños adaptados a dominios, idiomas y dispositivos concretos.
• La mayoría de productos combinarán ambos según necesidad: potencia de nube y cómputo privado local.

Lo verdaderamente importante no será si una IA concreta es abierta o cerrada, sino qué arreglos de gobernanza construimos alrededor: cómo se auditan, quién puede cuestionarlas, cómo se reparten los beneficios, qué papel juegan los reguladores y la sociedad civil.

Si dejamos que esta discusión se quede solo en parámetros, benchmarks y licencias, perderemos de vista la pregunta central: ¿qué tipo de ecosistema de IA queremos como sociedad? Uno dominado por unas pocas superplataformas opacas o uno donde existan alternativas, capacidad de réplica y espacios comunes de conocimiento compartido.

La batalla entre IAs abiertas y cerradas no se decide en una release ni en un post de blog. Se decide en cientos de decisiones pequeñas: qué eliges para tu próximo proyecto, qué apoyan los reguladores, qué financian los inversores, qué enseñamos a la próxima generación de desarrolladores. Y ahí sí, aunque no entrenes modelos gigantes, tienes algo que decir.