Modelos de IA abiertos o cerrados: qué significa cada uno y cuál te conviene

Cuando usas ChatGPT, Claude o Gemini en su web, estás usando un modelo que vive en los servidores de la empresa que lo creó. No puedes descargarlo ni ver cómo está hecho por dentro: solo le envías texto y recibes respuestas. Pero hay otra categoría de modelos que sí puedes descargar, ejecutar en tu propio equipo e incluso adaptar. Entender la diferencia te ayuda a decidir mejor qué usar, sobre todo si trabajas con datos sensibles o con mucho volumen.

Qué es un modelo cerrado

Un modelo cerrado (o propietario) solo está disponible como servicio. Accedes a él a través de una aplicación o de una API, pagas por suscripción o por uso, y la empresa controla todo lo demás: en qué servidores se ejecuta, qué versión usas, cuándo cambia y qué hace con tus datos según sus condiciones.

Sus ventajas son claras: suelen ser los modelos más capaces del momento, no necesitas ningún hardware especial y empiezas a usarlos en un minuto. Sus inconvenientes también: dependes de un proveedor, tus textos salen de tu equipo y el coste crece con el uso.

Qué es un modelo de pesos abiertos

Un modelo de lenguaje es, en esencia, un archivo enorme con miles de millones de números (los «pesos») que se ajustaron durante el entrenamiento. Cuando una empresa publica ese archivo para que cualquiera lo descargue, se habla de un modelo de pesos abiertos (open weights). Con él puedes ejecutar el modelo en tu ordenador o en tu servidor, sin pasar por la empresa que lo entrenó.

Familias conocidas de pesos abiertos son Llama de Meta, Mistral, Gemma de Google, Qwen de Alibaba o DeepSeek. Se descargan normalmente desde Hugging Face, el repositorio de modelos más usado.

Pesos abiertos no es lo mismo que código abierto

Aquí está la confusión más habitual. Que puedas descargar los pesos no significa que el modelo sea de código abierto en sentido estricto.

• La licencia puede imponer condiciones. La licencia comunitaria de Llama, por ejemplo, permite el uso comercial, pero exige a las empresas con más de 700 millones de usuarios activos mensuales pedir una licencia aparte a Meta, e incluye una política de usos prohibidos. Otros modelos se publican con licencias permisivas como Apache 2.0, que apenas ponen restricciones.
• Falta lo que hay detrás. Casi nunca se publican los datos de entrenamiento completos ni todo el código usado para entrenar. Puedes usar el modelo, pero no reproducirlo desde cero.

Por eso la Open Source Initiative, la organización que mantiene la definición de código abierto en software, publicó en octubre de 2024 su Open Source AI Definition 1.0. Según ella, un sistema de IA de código abierto debe permitir usarlo, estudiarlo, modificarlo y compartirlo, y eso exige dar acceso a los pesos, al código y a información suficiente sobre los datos de entrenamiento. Muchos modelos que se anuncian como «abiertos» no cumplen esa definición.

La regla práctica: antes de usar un modelo de pesos abiertos en un producto o un negocio, lee su licencia. Es un documento corto y dice qué puedes y qué no puedes hacer.

Qué hace falta para ejecutar un modelo en local

Ejecutar un modelo en tu equipo ya no exige conocimientos de sistemas. Herramientas como Ollama o LM Studio permiten descargar un modelo y conversar con él en pocos minutos, sin programar. Lo que sí importa es el hardware:

• Memoria. El modelo tiene que caber en la memoria de la tarjeta gráfica o en la memoria unificada del equipo. Como orientación, un modelo de 7 u 8 mil millones de parámetros cuantizado a 4 bits ocupa unos 4 o 5 GB, y funciona en muchos portátiles recientes con 16 GB. Los modelos de 70 mil millones de parámetros necesitan bastante más, y quedan fuera del alcance de un portátil normal.
• Cuantización. Es la técnica que reduce el tamaño del modelo guardando cada peso con menos precisión (por ejemplo, 4 bits en lugar de 16). El modelo ocupa menos y va más rápido, a cambio de perder algo de calidad. Los archivos GGUF, el formato que usa llama.cpp y que Ollama aprovecha por debajo, son la forma más común de distribuir modelos cuantizados.
• Modelos pequeños. Los modelos de lenguaje pequeños (SLM) están pensados precisamente para equipos modestos. No compiten con los grandes en razonamiento complejo, pero resuelven bien tareas acotadas como clasificar, resumir o extraer datos.

Comparación en lo que importa

• Privacidad. Un modelo en local no envía tu texto a ningún sitio. En un servicio cerrado, tus datos se procesan en servidores ajenos y dependes de sus condiciones (lo explicamos en Qué no pegar nunca en un chatbot de IA).
• Calidad. Los modelos cerrados más avanzados suelen ir por delante en tareas difíciles. La distancia con los mejores modelos abiertos se ha reducido, pero los modelos que caben en un portátil siguen estando por detrás.
• Coste. En la nube pagas por token o por suscripción. En local pagas el hardware y la electricidad, pero cada consulta adicional no cuesta nada. Para volúmenes altos y tareas repetitivas, lo local puede salir más barato; para uso ocasional, casi nunca.
• Control. Un modelo descargado no cambia sin que lo decidas. Un servicio cerrado puede actualizar o retirar un modelo y alterar resultados que dabas por estables.
• Esfuerzo. Un servicio cerrado funciona sin mantenimiento. Uno propio requiere instalar, actualizar y vigilar.

Cómo decidir

Hazte tres preguntas, en este orden:

1. ¿Los datos pueden salir de tu equipo? Si trabajas con información que no debe salir (datos de salud, de clientes, documentos confidenciales), un modelo en local, o un servicio empresarial con garantías contractuales, es la opción razonable.
2. ¿Cuánto vas a usarlo? Para uso ocasional, un servicio cerrado es más cómodo y barato. Si vas a procesar miles de documentos cada mes con una tarea repetitiva, vale la pena calcular el coste de hacerlo en local.
3. ¿Qué calidad necesitas? Para razonamiento complejo, programación avanzada o textos delicados, los modelos grandes siguen marcando la diferencia. Para clasificar o resumir, un modelo pequeño bien elegido suele bastar.

No es una decisión excluyente: mucha gente usa un modelo cerrado para el trabajo exigente y uno local para las tareas sensibles o repetitivas. Para comparar candidatos concretos sin dejarte llevar por rankings, sigue el método de Cómo elegir un modelo de IA sin mirar el ranking, y si quieres ordenar la decisión por escrito, la plantilla Decidir con criterios te ayuda.

Sigue leyendo

• Cómo elegir un modelo de IA sin mirar el ranking: pruebas propias con tus tareas reales.
• Qué es un modelo de lenguaje (LLM): qué son los parámetros y los pesos.
• Qué no pegar nunca en un chatbot de IA: qué datos conviene proteger.
• Tokens y ventana de contexto: cómo se mide el uso y el coste.
• En el glosario: pesos abiertos, cuantización, GGUF y SLM.

Fuentes

• Open Source Initiative (2024). The Open Source AI Definition 1.0.
• Meta. Llama 3.2 Community License Agreement. Hugging Face.
• llama.cpp. Repositorio y documentación del formato GGUF.
• Ollama. Documentación de Ollama.