Por qué los modelos abiertos de IA siguen siendo imprescindibles frente a OpenAI y Anthropic
Por qué los modelos abiertos siguen siendo imprescindibles frente a OpenAI, Anthropic y los demás gigantes de la IA
Para su primera publicación en X, Jensen Huang no anunció una nueva tarjeta gráfica, una alianza multimillonaria ni otro récord de rendimiento de NVIDIA.
Compartió una carta en defensa de los modelos abiertos de inteligencia artificial.
La elección no es casual.
NVIDIA vende los chips que permiten entrenar y ejecutar buena parte de los modelos actuales. Cuantas más empresas, investigadores y desarrolladores puedan descargar un modelo, instalarlo en sus propias máquinas y adaptarlo a sus necesidades, mayor será la importancia del ecosistema construido alrededor del hardware de NVIDIA.
Pero reducir esta carta a una simple operación comercial sería quedarse en la superficie, porque el debate va mucho más allá de los intereses del fabricante.
La pregunta es bastante sencilla: ¿queremos que los mejores modelos de inteligencia artificial solo estén disponibles a través de los servidores de unas pocas empresas o queremos también poder descargarlos, estudiarlos, modificarlos y ejecutarlos en otro lugar?
La respuesta de Jensen Huang es bastante razonable: necesitamos ambas cosas.
Los modelos cerrados avanzan rápido, pero apenas tenemos control sobre ellos
Los modelos ofrecidos por OpenAI, Anthropic o Google suelen estar entre los más potentes del mercado.
Utilizarlos no tiene demasiado misterio. Creas una cuenta, obtienes una clave de API y empiezas a enviar peticiones. No necesitas comprar un servidor lleno de GPU, elegir un motor de inferencia ni averiguar cómo meter un modelo de decenas de miles de millones de parámetros en la memoria disponible.
Esa sencillez supone una enorme ventaja.
Para añadir rápidamente generación de texto, un asistente o análisis de documentos a una aplicación web, utilizar una API suele ser la opción más práctica.
Pero esa facilidad tiene una contrapartida: el proveedor conserva el control.
Puede cambiar sus tarifas, sustituir un modelo, modificar los límites de uso o retirar una versión de la que depende tu aplicación. Los datos también se procesan en una infraestructura externa, algo que puede plantear problemas dependiendo de su sensibilidad, su ubicación o los compromisos asumidos con el cliente.
Y, sobre todo, no sabemos realmente qué sucede dentro del modelo.
Podemos leer su documentación técnica, consultar algunas evaluaciones y probar su comportamiento. Sin embargo, no podemos descargar Claude o GPT-5.6 para analizarlos tranquilamente en nuestro propio servidor.
OpenAI ha dado un paso, Anthropic todavía no
OpenAI publicó gpt-oss-20b y gpt-oss-120b en agosto de 2025. Estos dos modelos pueden descargarse, adaptarse y ejecutarse en local o en una infraestructura privada. El más pequeño puede funcionar con unos 16 GB de memoria, mientras que el modelo de mayor tamaño está más orientado a equipos con una GPU de 80 GB.
Fue una buena noticia, especialmente viniendo de una empresa que todavía lleva la palabra «Open» en su nombre.
El problema es que los dos modelos base no han recibido una verdadera nueva generación desde entonces. Mientras tanto, OpenAI ha seguido haciendo evolucionar mucho más rápidamente su catálogo de modelos cerrados. Su página dedicada a los modelos abiertos continúa mostrando principalmente gpt-oss-20b, gpt-oss-120b y algunas variantes orientadas a la seguridad.
Anthropic va todavía menos lejos.
La empresa publica investigaciones, herramientas, estudios sobre el funcionamiento interno de Claude y documentos en los que explica sus decisiones en materia de seguridad. Sin embargo, no ofrece ningún modelo Claude que se pueda descargar y ejecutar libremente en casa o en un servidor propio.
Es una pena, porque Anthropic es actualmente uno de los laboratorios más interesantes del sector, especialmente en todo lo relacionado con la programación y los agentes autónomos.
Los investigadores pueden leer sus publicaciones. Los desarrolladores pueden utilizar su API. Pero nadie fuera de la empresa puede descargar realmente Claude para desmontarlo, estudiarlo o adaptarlo en profundidad.
Mientras tanto, los laboratorios chinos no paran de publicar modelos
DeepSeek, Qwen, Kimi y GLM ocupan hoy un lugar enorme dentro del ecosistema de los modelos abiertos.
Publican nuevas versiones con frecuencia, modelos especializados en programación, razonamiento o uso de herramientas, y permiten que toda una comunidad pueda probar rápidamente sus avances.
DeepSeek, por ejemplo, ha seguido desarrollando su familia V3 con modelos capaces de razonar mientras utilizan herramientas, algo esencial para crear agentes que puedan actuar realmente dentro de una aplicación.
Esto está generando una situación bastante llamativa.
Las empresas estadounidenses siguen dominando buena parte del mercado comercial de la inteligencia artificial, pero una parte importante de la experimentación abierta depende ahora de modelos procedentes de China.
Para un desarrollador, el origen del modelo no tiene por qué ser el primer criterio. Lo importante es poder probarlo, comparar sus resultados, leer su licencia y comprobar si responde a las necesidades del proyecto.
Para Estados Unidos, en cambio, el problema es evidentemente más estratégico. Eso es precisamente lo que intenta destacar la carta compartida por Jensen Huang.
Lo que defiende realmente la carta
El documento compara la llegada de los modelos abiertos con la del software libre en los años ochenta.
En aquella época, muchas empresas todavía consideraban que mantener su código en secreto era la mejor forma de proteger su ventaja competitiva. La historia demostró que un ecosistema abierto podía convertirse, por el contrario, en la base de una enorme parte de Internet, los servidores, las herramientas de desarrollo y las infraestructuras modernas.
La carta considera que la inteligencia artificial se encuentra hoy ante una decisión parecida.
Un modelo abierto permite que una empresa, una universidad o un equipo de investigación parta de una base existente en lugar de entrenar un modelo desde cero. Después puede probarlo, adaptarlo a su sector y decidir dónde quiere ejecutarlo.
El documento insiste también en varios puntos:
-
evitar depender por completo de un único proveedor
-
mantener el control sobre los datos y la infraestructura
-
permitir que los investigadores estudien el comportamiento de los modelos
-
facilitar la creación de modelos especializados
-
fomentar la competencia en lugar de concentrar la IA en unas pocas manos
La carta está firmada, entre otros, por NVIDIA, Microsoft, Meta, Dell, IBM, Mistral, Hugging Face, Mozilla, GitHub, Palantir, Perplexity, Replit y Y Combinator. OpenAI también aparece entre los firmantes, lo que hace todavía más interesante observar la falta de una verdadera nueva generación de gpt-oss.
Para un desarrollador, la diferencia es muy concreta
Pongamos el ejemplo de un comercio electrónico que quiere añadir un asistente a su panel de administración desarrollado con Symfony.
El objetivo sería permitir que su equipo hiciera preguntas sobre el catálogo, los pedidos, los procedimientos internos o la documentación de los productos.
Con una API externa, la implementación puede ser rápida.
La aplicación recupera la información necesaria, se la envía al modelo y muestra su respuesta. El proveedor se ocupa del hardware, las actualizaciones y la capacidad necesaria para atender las peticiones.
A cambio, hay que aceptar que cierta información salga de la infraestructura de la empresa. También hay que controlar el coste de cada llamada y seguir dependiendo de los modelos que decida ofrecer el proveedor.
Con un modelo abierto instalado en un servidor privado, los datos pueden permanecer dentro de la infraestructura del cliente.
Se puede decidir exactamente qué información tiene permitido consultar el modelo, adaptarlo al vocabulario de la empresa e integrarlo en el sistema existente sin enviar cada pregunta a un servicio externo.
También se puede experimentar con mucha más libertad durante el desarrollo. No hay una factura de API por cada token generado, aunque el procesamiento, evidentemente, tampoco es gratis: hay que pagar la máquina, la electricidad, el alojamiento y el tiempo necesario para mantener todo el sistema.
Es ahí donde el discurso de hacerlo «todo en local» se encuentra con la realidad.
Abierto no significa gratis ni sencillo
Descargar un modelo puede llevar unos minutos. Conseguir que funcione correctamente en producción es otra historia.
Hay que elegir el formato adecuado, cuantizar el modelo cuando no cabe en la memoria disponible, instalar un motor como llama.cpp o vLLM, gestionar las actualizaciones, supervisar los tiempos de respuesta y proteger el acceso al servidor.
También hay que revisar la licencia.
Que un modelo esté disponible en Hugging Face no significa automáticamente que pueda utilizarse comercialmente sin restricciones. Las condiciones varían de un editor a otro y algunos modelos imponen requisitos específicos.
Además, el rendimiento no siempre está al nivel de los mejores modelos cerrados.
Un modelo local más pequeño puede ser suficiente para clasificar documentos, extraer datos, resumir fichas de producto o responder preguntas bien delimitadas. Sin embargo, puede rendir mucho peor cuando se enfrenta a un problema complejo, un repositorio de código muy grande o una tarea que exige un razonamiento prolongado.
La mejor decisión, por tanto, no consiste necesariamente en alojarlo todo por cuenta propia.
Se trata más bien de utilizar el modelo adecuado para cada tarea.
Un modelo local pequeño puede encargarse de las operaciones repetitivas y de la información sensible. Una API más potente puede reservarse para las peticiones difíciles, después de anonimizar o filtrar los datos enviados.
Este enfoque híbrido me parece a menudo mucho más realista que el debate simplista que enfrenta sistemáticamente los modelos abiertos con los cerrados.
Los modelos abiertos también plantean problemas reales de seguridad
La carta no oculta del todo este aspecto.
Una vez publicado un modelo, su creador ya no puede decidir quién lo utiliza ni impedir que alguien produzca una versión modificada. También resulta muy difícil retirar el modelo o corregir todas las copias que ya se han descargado.
Un modelo cerrado permite que el proveedor bloquee determinados usos, supervise los abusos y modifique rápidamente sus protecciones.
Con un modelo abierto, esas barreras pueden eliminarse.
Pero lo contrario también es cierto: un modelo cerrado no es automáticamente seguro por el simple hecho de que su funcionamiento permanezca oculto.
Puede contener vulnerabilidades, comportarse de forma inesperada o utilizarse de manera maliciosa sin que los investigadores independientes puedan estudiarlo de verdad.
Los modelos abiertos permiten precisamente que más equipos puedan probarlos, buscar sus puntos débiles y crear sus propias medidas de protección. Es el mismo debate que lleva años produciéndose en el ámbito de la ciberseguridad: ocultar cómo funciona un sistema no basta para hacerlo seguro.
Necesitamos los dos
En este punto, Jensen Huang tiene razón. Los modelos cerrados son útiles. Permiten acceder inmediatamente a un gran nivel de rendimiento sin tener que construir toda la infraestructura necesaria.
Los modelos abiertos son igual de importantes. Evitan que la investigación, la experimentación y parte de la economía de la inteligencia artificial dependan exclusivamente de unas pocas API privadas.
También permiten que los desarrolladores aprendan de otra manera.
Ejecutar un modelo en local, probar distintas cuantizaciones, modificar su comportamiento o adaptarlo a un ámbito concreto permite comprender muchas más cosas que limitarse a enviar una petición HTTP a una caja negra.
OpenAI dio un primer paso con gpt-oss, pero ahora debería ir más allá y publicar una nueva generación que esté realmente a la altura de sus avances más recientes.
Anthropic también saldría ganando si ofreciera un Claude abierto, aunque fuera más pequeño que sus modelos comerciales. Sería útil para investigadores, desarrolladores y para todo el ecosistema construido alrededor de Claude Code.
El futuro de la inteligencia artificial no debería reducirse a elegir entre tres suscripciones y cuatro API.
También debería seguir siendo posible descargar un modelo, ejecutarlo en una máquina propia, comprender sus limitaciones y construir algo que no dependa por completo de la próxima decisión de un proveedor.
Por eso, los modelos abiertos no son un pequeño extra reservado a los entusiastas.
Son imprescindibles.
Documento completo:
https://images.nvidia.com/pdf/Open-Weights-and-American-AI-Leadership.pdf
Publicación original de Jensen Huang:
https://x.com/JensenHuang/status/2080643682408321103