smart_toy Inteligencia Artificial › Article

Modelos abiertos vs. cerrados: qué significa y qué te cambia

Un modelo abierto publica sus pesos para descargarlo y ejecutarlo; uno cerrado se usa por API. Qué cambia en control, costo, privacidad y licencias.

info Definición Rápida

Un modelo abierto (en la práctica, de pesos abiertos) publica sus parámetros entrenados para que cualquiera los descargue y ejecute. Un modelo cerrado mantiene sus pesos privados y se usa a través de una API o de un producto. La diferencia define quién controla el modelo, dónde corre y cómo se paga.

¿Qué significa “abierto” en IA?

El término se usa con menos precisión de la que parece. Los pesos son los parámetros que el modelo aprendió al entrenarse; con ellos y el software adecuado puedes ejecutarlo. Un modelo de pesos abiertos publica solo eso. La Open Source Initiative (OSI) pide más para hablar de IA de código abierto. Su definición 1.0 exige cuatro libertades (usar, estudiar, modificar y compartir el sistema para cualquier propósito) y tres componentes: información suficientemente detallada sobre los datos de entrenamiento para que una persona experta pueda construir un sistema sustancialmente equivalente, el código completo de entrenamiento y ejecución, y los parámetros del modelo.

Por eso un modelo puede ser “abierto” en el sentido de pesos descargables sin cumplir la definición completa. Mira qué publica realmente y bajo qué licencia.

Tipo	Qué obtienes	Ejemplo
Cerrado	Acceso por API o producto; sin pesos	Los modelos de Claude, accesibles por la API de Anthropic
Pesos abiertos con licencia permisiva	Pesos descargables, uso comercial sin trabas mayores	gpt-oss de OpenAI, bajo licencia Apache 2.0
Pesos abiertos con licencia propia	Pesos descargables con condiciones	Llama de Meta, con su licencia comunitaria
Código abierto según la OSI	Pesos, código de entrenamiento e información suficiente sobre los datos	Cada modelo debe comprobarse contra la definición 1.0

¿Qué licencias vas a encontrar?

La licencia manda más que la etiqueta “abierto”. Dos casos reales:

gpt-oss. OpenAI publicó gpt-oss-120b y gpt-oss-20b bajo Apache 2.0, una licencia permisiva. Según su ficha en Hugging Face, el de 120b corre en una sola GPU de 80 GB y el de 20b en 16 GB de memoria.
Llama 4. Su licencia comunitaria exige mostrar “Built with Llama” en un sitio relacionado si distribuyes el material o un producto que lo contiene, y empezar con “Llama” el nombre de cualquier modelo que entrenes o ajustes con sus materiales o salidas. Si tu producto supera los 700 millones de usuarios activos mensuales, debes pedirle una licencia a Meta, que puede negarla.

La OSI sostiene que la licencia de Llama 3.x sigue sin ser de código abierto, porque restringe el uso para ciertos fines y discrimina a algunos usuarios. Para ti la consecuencia práctica es leer la licencia antes de construir sobre el modelo, no confiar en el nombre de la categoría.

¿Qué cambia para un producto?

Control. Con pesos descargados puedes fijar la versión y afinar el modelo. Con un modelo cerrado dependes del ciclo del proveedor: Anthropic, por ejemplo, retira modelos antiguos y se compromete a avisar al menos 60 días antes en los modelos públicos. Es un plazo razonable, pero igual obliga a migrar y a volver a probar.
Privacidad. Un modelo abierto puede correr sin enviar datos a terceros. Aun así, la seguridad depende de tu despliegue, no solo del modelo. Para el panorama de datos, revisa privacidad en productos de IA.
Costo. Una API cobra por uso (ver costo por token). Un modelo abierto cobra en infraestructura y en personas, o por token si lo usas a través de un proveedor de inferencia.
Capacidad. Epoch AI estimó en mayo de 2026 que, desde enero, los modelos de pesos abiertos más capaces iban unos cuatro meses por detrás de los cerrados de frontera en su Epoch Capabilities Index (ECI). Es un promedio de un índice compuesto, no una garantía para tu tarea. Compara con tus casos reales, y recuerda que un modelo más pequeño puede bastar (ver modelos pequeños vs. grandes).
Seguridad. El informe de la NTIA de 2024 señala que publicar pesos amplía la participación y reduce la dependencia de pocos desarrolladores, pero también puede generar riesgos de seguridad, privacidad y derechos civiles. Y los pesos ampliamente distribuidos no se pueden retirar ni impedir que alguien les quite las salvaguardas. Si tu producto depende de comportamientos de seguridad, no los des por hechos.

¿Cuándo NO conviene un modelo abierto?

Cuando no tienes quién lo opere. Servir un modelo con buena latencia requiere GPU, monitoreo, actualizaciones y pruebas. Si ese trabajo no es parte de tu negocio, una API cerrada puede ser la decisión más sensata, aunque cueste más por token.

Tampoco conviene si no has leído la licencia: algunas imponen condiciones de atribución, de nombre o de escala, como las de Llama. Y si tu volumen es bajo, el costo fijo de una GPU rara vez se compensa. Build vs. buy desarrolla esa cuenta.

¿Cómo decidir?

Pregúntate en este orden:

¿Los datos pueden salir de mi infraestructura?
¿Necesito una versión fija del comportamiento durante años, no meses?
¿Tengo un equipo que pueda operar el modelo?
¿Cuánto cuesta a mi volumen real?
¿La licencia permite mi uso?

La respuesta suele apuntar a una de tres opciones: una API cerrada, un modelo abierto alojado por un proveedor o un modelo abierto en infraestructura propia. La opción intermedia es más fácil de lo que parece: Hugging Face Inference Providers ofrece modelos abiertos, como gpt-oss-120b, detrás de una API compatible con la de OpenAI, con pago por uso y sin recargo propio sobre la tarifa del proveedor. Para correrlo en tu equipo, mira correr IA localmente.

Esta decisión es de arquitectura, pero el diseñador la siente: un cambio de modelo puede cambiar el tono, el formato o la velocidad de la interfaz. Por eso conviene que diseño participe en la evaluación, con un set de casos de prueba como los de golden datasets.

Ejemplo

Ejemplo ilustrativo: una clínica quiere que un asistente resuma notas internas sin que salgan de su red. El equipo evalúa un modelo abierto en su propio servidor. La calidad del resumen es buena para notas cortas, pero las notas largas pierden detalles. Decide dividir las notas en secciones antes de resumirlas y mantener el modelo abierto, porque la privacidad es el requisito principal. La interfaz muestra cada sección por separado para que el personal verifique el resultado.

Errores comunes

Llamar “abierto” a cualquier modelo descargable sin leer la licencia.
Elegir un modelo abierto sin contar el costo de operarlo.
Asumir que ejecutar localmente garantiza privacidad sin revisar el resto del sistema.
Cambiar de modelo sin volver a evaluar el producto.
Comparar el costo por token de una API con el costo por hora de una GPU sin normalizar el volumen.
Decidir con un ranking general en lugar de probar con tus propias tareas.

Fuentes

Preguntas frecuentes

¿Qué es un modelo abierto de IA?

Es un modelo cuyos pesos están publicados para que se descarguen y ejecuten. Que sea abierto en el sentido de código abierto depende de la licencia y de si se publican también el código de entrenamiento y información suficiente sobre los datos.

¿Qué es un modelo cerrado?

Es un modelo cuyos pesos son privados y se usa a través de la API o el producto del desarrollador. No puedes descargarlo ni ejecutarlo en tu infraestructura.

¿Un modelo abierto es siempre gratis?

No. Puedes no pagar licencia, pero pagas la infraestructura, el mantenimiento y el tiempo de tu equipo, o pagas por uso a un proveedor que lo aloja. Para volúmenes bajos, una API suele ser más simple.

¿Qué ventaja tiene un modelo abierto para la privacidad?

Puedes ejecutarlo en tu propio entorno, de modo que los datos no tengan que salir de tu infraestructura. Eso no garantiza seguridad por sí solo; depende de cómo lo despliegues.