El Shock de DeepSeek
El 20 de enero de 2025, un laboratorio de IA chino llamado DeepSeek lanzó R1, un modelo de razonamiento de código abierto. En cuestión de horas, la suposición fundamental de la industria de IA (que la IA frontera requiere miles de millones en inversión computacional) estaba en entredicho.
DeepSeek R1 fue entrenado por aproximadamente $294,000 utilizando 512 chips H800 compatibles con Huawei. Eso es todo. No $100 millones. No mil millones. $294K. El costo de entrenamiento fue posteriormente revisado por pares y publicado en Nature, confirmando que no era exageración de marketing.
El modelo alcanzó rendimiento de razonamiento frontera. Igualó o superó a GPT-4 en múltiples benchmarks. Utilizó un enfoque novedoso: aprendizaje por refuerzo puro para razonamiento, sin la costosa fase de ajuste fino supervisado en la que los laboratorios occidentales dependían. La técnica (que DeepSeek publicó abiertamente) se llamó "razonamiento vía RL", y demostró que la innovación algorítmica cuidadosa podía sustituir la computación por fuerza bruta.
La reacción del mercado fue instantánea. NVIDIA perdió más de $600 mil millones en capitalización bursátil en un solo día de cotización, la mayor caída en un día en la historia del mercado de valores de EE.UU. La lógica era simple: si la IA frontera no requiere clústeres masivos de GPU, la demanda de los chips más caros de NVIDIA podría ser menor de lo proyectado.
Para los constructores, el shock de DeepSeek significó algo más práctico: el piso de costos para IA competitiva cayó en órdenes de magnitud. Si un laboratorio de investigación en China podía entrenar un modelo frontera por $294K, las barreras de entrada para productos impulsados por IA se derrumbaron. Ya no necesitabas recaudar $100M para acceder a IA frontera. Necesitabas buenas ideas, buenos datos y buena ingeniería.
DeepSeek R1 está disponible bajo la licencia MIT, lo que significa que cualquiera puede usarlo, modificarlo y desplegarlo comercialmente sin restricción. Costo de tokens de entrada: $0.07 por millón, aproximadamente 27 veces más barato que alternativas equivalentes de modelos cerrados.
Dónde Ganan los Modelos Abiertos
La convergencia de benchmarks entre modelos abiertos y cerrados ocurrió más rápido de lo que casi todos predijeron. El AI Index Report 2025 de Stanford lo documentó: los modelos abiertos ahora igualan o superan a los modelos cerrados en MMLU, MATH-500, AIME y GPQA Diamond.
Cinco familias de modelos de pesos abiertos independientes alcanzaron calidad frontera dentro del mismo período de 12 meses:
| Familia de Modelos | Origen | Logro Clave |
|---|---|---|
| DeepSeek (R1, V3) | China (DeepSeek) | Razonamiento frontera con costo de entrenamiento de $294K |
| Qwen (2.5, QwQ) | China (Alibaba) | Fuerte rendimiento multilingüe, pesos abiertos |
| Llama (4 Scout, Maverick, Behemoth) | EE.UU. (Meta) | Mayor ecosistema de modelos abiertos, 3 niveles |
| Mistral (Large, Medium) | Francia (Mistral AI) | Alternativa europea, fuerte eficiencia |
| GLM (4 series) | China (Zhipu AI) | Competitivo en benchmarks de idioma chino |
La adopción empresarial cuenta la historia de la difusión. El despliegue de IA de código abierto en empresas se disparó del 23% al 67%, casi triplicándose en menos de dos años. Las empresas reportaron ahorros de costos del 70-90% en comparación con alternativas de modelos cerrados. El mercado general de IA de código abierto creció un 340% interanual.
Las ventajas de los modelos abiertos son estructurales, no temporales:
Costo. Los tokens de entrada de DeepSeek R1 cuestan $0.07/M. Compara eso con GPT-5.2 a $1.75/M (entrada) o Claude Opus 4.6 a $5/M. Para cargas de trabajo de inferencia de alto volumen, esta diferencia es la diferencia entre un negocio viable y una operación que quema efectivo.
Control. Los modelos abiertos pueden ser auto-alojados, ajustados y modificados. Tú controlas el pipeline de datos, la infraestructura de inferencia y el comportamiento del modelo. Ningún proveedor puede cambiar precios, descontinuar el modelo o alterar capacidades sin tu consentimiento.
Privacidad. Los modelos abiertos auto-alojados mantienen los datos en tu infraestructura. Para salud, finanzas, gobierno y cualquier dominio con requisitos estrictos de residencia de datos, esto es a menudo un requisito obligatorio. Enviar datos de pacientes a una API de terceros puede violar HIPAA. Ejecutar inferencia en tu propia infraestructura no.
Personalización. Los modelos abiertos pueden ser ajustados con datos específicos del dominio. Una empresa de IA legal puede ajustar Llama 4 con millones de documentos legales para crear un modelo que supere a GPT-5 en tareas legales, incluso cuando GPT-5 es "mejor" en benchmarks generales. El ajuste fino de dominio es el gran igualador.
Sin dependencia de proveedores. Con múltiples familias de modelos abiertos competitivos, nunca dependes de los precios, disponibilidad o decisiones comerciales de un único proveedor. Si DeepSeek sube precios, cambia a Llama. Si la próxima versión de Llama decepciona, cambia a Qwen.
Dónde los Modelos Cerrados Siguen Dominando
La narrativa de convergencia de benchmarks tiene una salvedad importante: los modelos abiertos igualan a los cerrados en benchmarks, pero no en todas las tareas de producción. La brecha persiste exactamente en las áreas que más importan para aplicaciones de IA sofisticadas.
SWE-bench Verified. El estándar de oro para la capacidad de codificación de IA. Claude Opus 4.5 lidera con 80.9%. Los modelos abiertos quedan significativamente atrás. Para codificación de IA en producción (el tipo del que dependen Claude Code y Cursor), los modelos cerrados siguen siendo materialmente mejores.
Chatbot Arena / LMArena Elo. Los rankings de preferencia humana muestran a Gemini 3 Pro liderando con 1501 Elo. Los primeros puestos son todos modelos cerrados. En calidad subjetiva (cuán útiles, matizadas y precisas son las respuestas), los modelos cerrados mantienen una ventaja.
Tareas agénticas complejas. Flujos de trabajo de múltiples pasos que requieren planificación, uso de herramientas, recuperación de errores y gestión de contexto a lo largo de muchos turnos. Los modelos cerrados manejan esto mejor porque están específicamente entrenados y optimizados para comportamiento tipo agente. La función Agent Teams de Anthropic (coordinación multi-agente) funciona mejor con Opus 4.6. Las capacidades de uso de computadora de OpenAI requieren modelos de clase GPT-5.
Fiabilidad de contexto largo. Gemini 3 Pro ofrece una ventana de contexto de 1M tokens con buena recuperación. Claude Opus 4.6 maneja 1M tokens efectivamente. Los modelos abiertos han expandido sus ventanas de contexto pero a menudo muestran rendimiento degradado en los extremos.
Seguridad y alineación. Los proveedores de modelos cerrados invierten fuertemente en RLHF, IA constitucional y ajuste fino de seguridad. El comportamiento de seguridad de los modelos cerrados es generalmente más fiable y consistente que el de los modelos abiertos, que pueden ser ajustados para eludir medidas de seguridad. Para aplicaciones orientadas al cliente donde outputs inapropiados podrían crear responsabilidad, esto importa.
El resumen práctico:
| Capacidad | Modelos Abiertos | Modelos Cerrados | Ganador |
|---|---|---|---|
| Benchmarks estándar (MMLU, MATH) | Frontera | Frontera | Empate |
| Codificación en producción (SWE-bench) | Bueno | Significativamente mejor | Cerrado |
| Preferencia humana (Arena) | Bueno | Mejor | Cerrado |
| Flujos agénticos complejos | Funcional | Significativamente mejor | Cerrado |
| Fiabilidad de contexto largo | Mejorando | Más fiable | Cerrado |
| Seguridad/alineación | Variable | Más consistente | Cerrado |
| Costo | 10-70x más barato | Premium | Abierto |
| Privacidad/control | Total | Limitado | Abierto |
| Personalización | Total | Limitada | Abierto |
La conclusión no es "lo abierto es mejor" ni "lo cerrado es mejor". Es que los modelos abiertos son suficientes para muchas cargas de trabajo (especialmente las de alto volumen y sensibles al costo) mientras que los modelos cerrados son necesarios para las tareas más exigentes (especialmente codificación, flujos de trabajo agénticos y aplicaciones críticas en seguridad).
La Bifurcación de Infraestructura
La capa de hardware se está dividiendo en dos, y esta bifurcación refleja la división abierto/cerrado de maneras interesantes.
El gran acuerdo: NVIDIA adquirió Groq por $20 mil millones a finales de 2025. Los chips LPU (Language Processing Unit) de Groq entregan 877 tokens por segundo en Llama 3 8B, aproximadamente 2 veces más rápido que las alternativas GPU más veloces y 10-30 veces más rápido que el rendimiento típico de GPU. Con un costo por token 30-50% menor.
Cerebras, otra empresa de silicio personalizado, entrega inferencia 20 veces más rápida que los sistemas basados en GPU en ciertas cargas de trabajo. Together AI y Fireworks AI tienen cada una aproximadamente el 10% del gasto total en infraestructura de IA.
El mercado se está dividiendo en dos segmentos distintos:
Silicio personalizado para velocidad. El LPU de Groq y los chips a escala de oblea de Cerebras se optimizan para el rendimiento de inferencia. Son ideales para aplicaciones sensibles a la latencia: chat en tiempo real, flujos de trabajo agénticos donde la velocidad de respuesta afecta directamente la experiencia del usuario e inferencia de producción de alto volumen. Tienden a funcionar mejor con modelos abiertos (que pueden desplegarse en cualquier hardware) que con modelos cerrados (que se sirven desde la infraestructura del proveedor del modelo).
GPUs para flexibilidad. Las GPUs H100/B200 de NVIDIA siguen siendo la opción predeterminada para entrenamiento, ajuste fino y tareas de inferencia que requieren flexibilidad. Pueden ejecutar cualquier modelo, soportar arquitecturas personalizadas y escalar entre cargas de trabajo de entrenamiento e inferencia. Las nubes de GPU (CoreWeave, Lambda, Nebius) sirven a este segmento.
Evolución de precios. Los precios por hora de H100 en la nube cayeron un 64-75% desde el pico, estabilizándose alrededor de $2.85-$3.50/hora. La trayectoria general de costos de inferencia (según Epoch AI) muestra costos reduciéndose a la mitad cada 2 meses a un nivel de rendimiento fijo. La tasa mediana de reducción de costos aumentó de 50x/año a 200x/año después de enero de 2024.
Para los constructores, la elección de infraestructura se mapea directamente a la estrategia de modelos:
| Estrategia | Infraestructura de Inferencia | Tipo de Modelo | Mejor Para |
|---|---|---|---|
| Menor latencia | Groq LPU / Cerebras | Abierto (auto-alojado) | Chat en tiempo real, acciones de agentes |
| Menor costo | Nubes GPU (spot/reservadas) | Abierto (auto-alojado) | Procesamiento por lotes, tareas masivas |
| Mayor calidad | API del proveedor (Anthropic, OpenAI) | Cerrado | Razonamiento complejo, codificación |
| Máxima flexibilidad | Enrutamiento multi-proveedor | Híbrido | Sistemas de producción con necesidades variadas |
La jugada inteligente no es elegir una infraestructura. Es construir una capa de abstracción que enrute diferentes tareas a diferentes infraestructuras basándose en requisitos de latencia, costo y calidad.
La Lógica Estratégica de la IA de Código Abierto
¿Por qué Google, Meta y otros invierten miles de millones en modelos que regalan? La lógica estratégica difiere por empresa, pero los patrones son consistentes.
La estrategia Llama de Meta. Meta lanzó Llama 4 como modelos de pesos abiertos en tres niveles (Scout, Maverick, Behemoth). La lógica: Meta no vende modelos de IA. Vende publicidad. Si toda la industria construye sobre Llama, los costos de investigación en IA de Meta se amortizan a través del ecosistema mientras su negocio principal de publicidad se beneficia del avance de la IA. El código abierto también recluta talento (los investigadores quieren trabajar en modelos que el mundo usa) y crea un ecosistema que refuerza las inversiones en infraestructura de Meta.
La adopción de Llama creó algo sin precedentes: naciones usando Llama para iniciativas de "IA Soberana". Los países que no quieren depender de proveedores comerciales de IA de EE.UU. pueden desplegar Llama en su propia infraestructura. Esta dimensión geopolítica consolida aún más la estrategia de código abierto de Meta.
La cobertura de Google. Google mantiene tanto modelos cerrados (Gemini, con $185 mil millones en capex para 2026) como contribuciones abiertas. Gemini 2.5 Pro lidera la tabla de clasificación de LMArena. Pero Google también contribuye a la investigación abierta y lanzó modelos abiertos más pequeños. La estrategia: ganar el segmento premium con Gemini mientras se asegura de que el ecosistema de código abierto no se mueva en una dirección que perjudique el negocio de nube de Google.
La apertura impulsada por necesidad de China. DeepSeek, Qwen y GLM son abiertos en parte porque los laboratorios de IA chinos tienen un panorama competitivo diferente. Los controles de exportación de EE.UU. limitan su acceso a los chips más avanzados de NVIDIA (de ahí el uso de H800 por parte de DeepSeek, la variante compatible con exportación). Abrir el código de sus modelos construye influencia global, atrae contribuciones de investigación internacionales y posiciona la IA china como una alternativa viable a los proveedores comerciales de EE.UU.
El posicionamiento europeo de Mistral. Mistral aprovecha su sede en París y sus modelos abiertos para posicionarse como la "alternativa europea de IA" que cumple con los requisitos del EU AI Act por diseño. Para las empresas europeas preocupadas por la soberanía de datos y el cumplimiento regulatorio, un modelo francés de pesos abiertos es estratégicamente atractivo.
El efecto neto: la IA de código abierto está financiada por empresas con motivaciones diversas, asegurando que incluso si un actor reduce su inversión, otros continúan. Esto hace que el ecosistema de IA de código abierto sea más duradero de lo que podría parecer desde las finanzas de cualquier empresa individual.
Implicaciones Regulatorias
El panorama regulatorio para la IA diverge dramáticamente entre jurisdicciones, y esta divergencia afecta directamente la estrategia de modelos abiertos vs. cerrados.
EU AI Act. La regulación de IA más completa a nivel mundial. Se convirtió en ley en agosto de 2024. Las prácticas prohibidas entraron en vigor en febrero de 2025. Las reglas de IA de propósito general entraron en vigor en agosto de 2025. Las reglas de sistemas de alto riesgo están programadas para agosto de 2026 (posiblemente extendidas a diciembre de 2027). Cada Estado Miembro debe establecer un sandbox regulatorio de IA para agosto de 2026. Las multas alcanzan hasta el 7% de la facturación anual global.
Para la selección de modelos, el EU AI Act importa porque los proveedores de IA de propósito general deben documentar los procesos de entrenamiento, evaluar riesgos y cumplir con requisitos de transparencia. Usar modelos abiertos que auto-alojas puede darte más control sobre la documentación de cumplimiento. Usar modelos cerrados significa depender de la postura de cumplimiento del proveedor.
Estados Unidos. Divergencia marcada respecto a la UE. La Orden Ejecutiva 14179 (enero de 2025) enfatizó "Eliminar Barreras al Liderazgo Americano en IA". La orden ejecutiva de diciembre de 2025 pidió un marco nacional "mínimamente oneroso" que busca prevalecer sobre la regulación estatal más estricta. No existe una ley federal integral de IA. El enfoque de EE.UU. favorece la autorregulación de la industria y la innovación sobre el cumplimiento prescriptivo.
China. La Ley de Ciberseguridad enmendada (vigente desde enero de 2026) aborda explícitamente la IA con requisitos de revisión de seguridad y localización de datos. Existen pistas regulatorias separadas para IA generativa, deepfakes y recomendación algorítmica. Los requisitos de China son distintos y a menudo más prescriptivos que las reglas de EE.UU., particularmente en torno al manejo de datos.
Implicaciones para startups. La mayoría de las startups no activarán umbrales regulatorios directamente (las reglas de IA de propósito general del EU AI Act apuntan a proveedores, no usuarios, de modelos fundacionales). Pero estas regulaciones están remodelando:
- Contratación con proveedores: Los clientes empresariales exigen cada vez más adendas de contrato específicas de IA que cubren el manejo de datos, la transparencia del modelo y la responsabilidad
- Arquitectura de producto: El registro, las pistas de auditoría, los mecanismos de supervisión humana y el seguimiento de procedencia de datos se están convirtiendo en requisitos, no en lujos
- Acceso al mercado internacional: Una startup de EE.UU. que use solo modelos cerrados basados en EE.UU. puede enfrentar barreras al servir a clientes de la UE preocupados por la soberanía de datos. Ofrecer una opción de despliegue de modelo abierto en infraestructura de la UE lo resuelve.
Para la estrategia de modelos, la regulación empuja hacia la flexibilidad. Las empresas que pueden desplegar modelos abiertos on-premises para cargas de trabajo reguladas mientras usan modelos cerrados para máxima calidad en tareas menos sensibles están mejor posicionadas en todas las jurisdicciones.
Un Marco de Decisión
En lugar de debatir abierto vs. cerrado en abstracto, aquí hay un marco práctico para tomar la decisión basada en tu situación específica.
Elige Modelos Abiertos Cuando:
Tu volumen de inferencia es alto. Si procesas millones de solicitudes diariamente, la diferencia de costo de 10-70x entre modelos abiertos y cerrados es la diferencia entre una economía unitaria viable y una inviable. A $0.07/M tokens (DeepSeek R1) vs. $5/M tokens (Claude Opus 4.6), una carga de trabajo que cuesta $150K/mes en Opus cuesta $2.1K en DeepSeek.
Tus datos son sensibles. Salud, finanzas, gobierno, legal. Auto-alojar modelos abiertos mantiene los datos en tu infraestructura, simplificando el cumplimiento con HIPAA, SOC 2, GDPR y regulaciones sectoriales.
Necesitas rendimiento específico de dominio. Si tu caso de uso es estrecho y bien definido (codificación médica, análisis de documentos legales, generación de informes financieros), ajustar un modelo abierto con tus datos de dominio probablemente superará a un modelo cerrado de propósito general. El modelo no necesita ser bueno en todo; necesita ser excelente en tu tarea específica.
La latencia es crítica. Desplegar modelos abiertos en silicio personalizado (Groq LPU, Cerebras) te da tiempos de respuesta de menos de 100ms que los modelos cerrados basados en API no pueden igualar. Para aplicaciones en tiempo real (trading, soporte al cliente en vivo, agentes interactivos), esto importa.
Quieres independencia de infraestructura. Si tu negocio depende de IA, depender de la API de un único proveedor (que puede cambiar precios, límites de tasa o disponibilidad en cualquier momento) es un riesgo estratégico. Los modelos abiertos en tu infraestructura te dan control.
Elige Modelos Cerrados Cuando:
La complejidad de la tarea es alta. Razonamiento de múltiples pasos, generación de código complejo, análisis de contexto largo, flujos de trabajo agénticos sofisticados. Los modelos cerrados mantienen una ventaja de calidad significativa en las tareas más difíciles. Si la diferencia de calidad afecta directamente la propuesta de valor de tu producto, paga el premium.
No tienes experiencia en infraestructura ML. Auto-alojar, ajustar y optimizar modelos abiertos requiere habilidades de ingeniería ML que no todos los equipos tienen. Si tu equipo es de 3 personas y ninguna es ingeniero ML, usar Claude o GPT vía API es la elección racional. El premium de costo te compra simplicidad operativa.
La seguridad es crítica. Chatbots orientados al cliente, consejos de salud, recomendaciones financieras. Los modelos cerrados con entrenamiento de seguridad robusto y alineación son más predecibles que los modelos abiertos (que pueden ajustarse para eludir medidas de seguridad, pero también pueden exhibir comportamiento inesperado en casos extremos).
Necesitas capacidades multimodales o de vanguardia. Las capacidades más nuevas (uso de computadora, visión avanzada, habla en tiempo real) típicamente aparecen primero en modelos cerrados. Si tu producto depende de capacidades en la frontera, los modelos cerrados te dan acceso meses antes de que las alternativas abiertas alcancen.
La Ruta Híbrida (Recomendada para la Mayoría)
La mayoría de los sistemas de producción deberían usar ambos:
| Carga de Trabajo | Elección de Modelo | Razonamiento |
|---|---|---|
| Procesamiento masivo de texto | Abierto (DeepSeek/Llama) | Sensible al costo, alto volumen |
| Chat orientado al cliente | Cerrado (Claude/GPT) | Calidad y seguridad críticas |
| Tareas específicas de dominio | Modelo abierto ajustado | Mejor rendimiento de dominio |
| Tareas de codificación complejas | Cerrado (Claude Code) | Ventaja de calidad significativa |
| Acciones de agentes en tiempo real | Abierto en Groq/Cerebras | Latencia crítica |
| Herramientas internas | Abierto (auto-alojado) | Costo + privacidad |
El requisito arquitectónico clave: construir una capa de abstracción que enrute las solicitudes basándose en tipo de tarea, calidad requerida, necesidades de latencia y restricciones de costo. Esto te da la calidad de los modelos cerrados donde la necesitas y la eficiencia de costos de los modelos abiertos en todo lo demás.
Construyendo Arquitecturas Híbridas
Así es como implementar realmente una arquitectura híbrida de modelos abiertos/cerrados en producción.
1. Define Tu Taxonomía de Tareas
Antes de elegir modelos, categoriza cada carga de trabajo de IA en tu aplicación:
- Tier 1 (Calidad crítica): Tareas donde la calidad del output afecta directamente los ingresos o la confianza del usuario. Usa el mejor modelo disponible sin importar el costo.
- Tier 2 (Suficientemente bueno): Tareas donde un rendimiento competente es suficiente. Modelos abiertos a un costo mucho menor.
- Tier 3 (Procesamiento masivo): Tareas de alto volumen donde el costo domina. El modelo más barato que cumple los umbrales mínimos de calidad.
2. Construye la Capa de Enrutamiento
Tu enrutador de modelos debería considerar:
- Tipo de tarea: Las tareas de codificación van a Claude. La sumarización va a modelos abiertos. La clasificación va a modelos ajustados.
- Requisito de latencia: Las interacciones en tiempo real van a inferencia rápida (Groq). El procesamiento por lotes va a nubes GPU optimizadas en costo.
- Umbral de calidad: Las tareas que requieren calidad frontera van a modelos cerrados. Las tareas que requieren "suficientemente bueno" van a modelos abiertos.
- Lógica de fallback: Si el modelo primario no está disponible o es lento, recurre a una alternativa. No construyas un punto único de fallo.
3. Invierte en Evaluación
La parte más difícil de las arquitecturas híbridas no es construirlas. Es saber qué modelo funciona mejor en qué tareas. Esto requiere:
- Benchmarking en tus datos: Los benchmarks estándar no te dicen qué modelo es mejor para tus casos de uso específicos. Ejecuta evaluaciones en muestras representativas de tus cargas de trabajo reales.
- Pruebas A/B en producción: Enruta un porcentaje de tráfico a diferentes modelos y mide la calidad del resultado (satisfacción del usuario, tasa de completación de tareas, tasa de errores).
- Monitoreo de costo-calidad: Rastrea el costo por unidad de calidad para cada combinación de modelo-tarea. A medida que los modelos se actualizan y los precios cambian, el enrutamiento óptimo también cambia.
4. Planifica para Actualizaciones de Modelos
Tanto los modelos abiertos como los cerrados se actualizan frecuentemente. Tu arquitectura debería manejar:
- Fijación de versión de modelo: No actualices automáticamente a nuevas versiones de modelo en producción. Prueba primero.
- Despliegue gradual: Al cambiar modelos, aumenta el tráfico gradualmente y monitorea las métricas de calidad.
- Capacidad de rollback: Si una nueva versión del modelo degrada la calidad en tareas específicas, revierte rápidamente.
5. Gestiona el Pipeline de Datos
Los modelos abiertos ajustados son tan buenos como tu pipeline de datos de entrenamiento:
- Recopila datos de interacción: Cada interacción de usuario es datos de entrenamiento potenciales para ajuste fino específico de dominio.
- Mantén la calidad de datos: Basura entra, basura sale. Invierte en limpieza, etiquetado y curación de datos.
- Reentrena periódicamente: A medida que tu dominio evoluciona (nuevos precedentes legales, nuevas directrices médicas, nuevos instrumentos financieros), tus modelos ajustados necesitan datos de entrenamiento actualizados.
- Privacidad por diseño: Asegúrate de que tu pipeline de datos cumple con las regulaciones aplicables antes de entrenar con datos de usuarios.
Preguntas Frecuentes
¿Es la IA de código abierto realmente "código abierto"?
Es complicado. La mayoría de los modelos de IA "abiertos" son de "pesos abiertos" en lugar de verdaderamente de código abierto. Liberan los pesos del modelo (para que puedas ejecutar inferencia y ajustar fino) pero no los datos completos de entrenamiento, el código de entrenamiento o los detalles de infraestructura. DeepSeek R1 es una excepción: lanzado bajo licencia MIT con metodología de entrenamiento publicada. La Open Source Initiative está trabajando en una definición formal de "IA de código abierto", pero el uso en la industria es impreciso.
¿Pueden los modelos abiertos realmente igualar a GPT-5 y Claude Opus?
En benchmarks estándar, sí. En las tareas prácticas más difíciles (codificación compleja, razonamiento de múltiples pasos, flujos de trabajo agénticos sofisticados), todavía no. La brecha se reduce en benchmarks pero persiste en la cola larga de tareas difíciles del mundo real. Para la mayoría de los casos de uso en producción, los modelos abiertos son suficientes. Para el 10-20% más difícil de las tareas, los modelos cerrados mantienen una ventaja significativa.
¿Cuánto cuesta auto-alojar un modelo abierto?
Depende del tamaño del modelo y tu tráfico. Ejecutar Llama 4 Maverick (el modelo de nivel medio) en una instancia de GPU en la nube cuesta aproximadamente $3-5/hora para inferencia. Para una startup procesando 100K solicitudes/día, eso es aproximadamente $2-5K/mes, comparado con $10-50K/mes para volumen equivalente en APIs de modelos cerrados. El punto de equilibrio para auto-alojamiento vs. uso de API está típicamente alrededor de 50-100K solicitudes/mes, dependiendo del tamaño del modelo y la complejidad de la tarea.
¿Deberían las startups empezar con modelos abiertos o cerrados?
Empieza con modelos cerrados para velocidad, luego migra cargas de trabajo sensibles al costo a modelos abiertos a medida que escales. En etapa temprana, la simplicidad de la API de los modelos cerrados te permite enfocarte en el product-market fit. Una vez que tengas tráfico y entiendas tus cargas de trabajo, mueve selectivamente tareas de alto volumen y bien definidas a modelos abiertos ajustados para ahorros de costos del 70-90%.
¿Qué hay de las preocupaciones de seguridad de DeepSeek?
El origen chino de DeepSeek plantea preocupaciones legítimas para algunas organizaciones, particularmente en gobierno, defensa e infraestructura crítica. Los pesos del modelo en sí son inspeccionables (a diferencia de las APIs de modelos cerrados), así que las auditorías de seguridad son posibles. Para organizaciones con requisitos estrictos de cadena de suministro, los modelos abiertos de origen estadounidense (Llama) o alternativas europeas (Mistral) proporcionan beneficios de costo similares sin el riesgo geopolítico.
¿Qué tan rápido están alcanzando los modelos abiertos en codificación?
Rápido, pero desde lejos. Los modelos abiertos mejoraron significativamente en benchmarks de codificación en 2025, pero la brecha en SWE-bench Verified (el benchmark de codificación más representativo de producción) sigue siendo sustancial. Claude Opus 4.5 lidera con 80.9%. Los mejores modelos abiertos están en el rango del 50-65%. Para codificación de IA en producción (la que impulsa Claude Code), los modelos cerrados siguen siendo la elección clara. Para tareas de codificación más simples (boilerplate, documentación, funciones básicas), los modelos abiertos son adecuados.
Conclusión: Más Allá de lo Binario
El debate de IA abierta vs. cerrada es una falsa dicotomía que oscurece la verdadera pregunta estratégica: ¿cómo construyes sistemas que usen el modelo correcto para cada tarea?
DeepSeek demostró que la IA frontera no requiere presupuestos de miles de millones de dólares. Los datos de adopción empresarial prueban que los modelos abiertos están listos para producción en la mayoría de las cargas de trabajo. Pero SWE-bench, LMArena y el rendimiento de agentes en el mundo real prueban que los modelos cerrados mantienen una ventaja en las tareas más difíciles y de mayor valor.
Los ganadores no serán las empresas que eligieron el "lado correcto" de abierto vs. cerrado. Serán las empresas que construyeron arquitecturas flexibles, invirtieron en evaluación y optimizaron su portafolio de modelos para su mezcla específica de tareas, requisitos de calidad y restricciones de costo.
Para los CTOs tomando decisiones hoy:
- No apuestes por un solo modelo o proveedor. Construye abstracciones que te permitan intercambiar modelos a medida que el panorama cambia.
- Empieza con cerrado para calidad, migra a abierto para costo. Usa la simplicidad de API de los modelos cerrados durante el desarrollo de producto, luego traslada cargas de trabajo sensibles al costo a modelos abiertos ajustados a escala.
- Invierte en infraestructura de evaluación. La capacidad de hacer benchmarks rápidos de nuevos modelos en tus tareas específicas es la meta-habilidad que mejora todas las demás decisiones de modelos.
- Ajusta para tu dominio. La inversión en IA de mayor ROI para la mayoría de las empresas no es un modelo más caro. Es un modelo abierto ajustado entrenado en tus datos propietarios.
- Planifica para la divergencia regulatoria. Si sirves a clientes internacionales, tener opciones de modelos tanto auto-alojados como basados en API te da flexibilidad a través de los regímenes regulatorios de la UE, EE.UU. y otros.
La pregunta de $600 mil millones no es realmente sobre abierto vs. cerrado. Es sobre si tu infraestructura de IA es lo suficientemente flexible para adaptarse mientras el panorama continúa cambiando a una velocidad sin precedentes. En seis meses, los líderes de benchmarks, las estructuras de costos y las capacidades de los modelos se verán diferentes. Tu arquitectura debería estar lista.