IA open source: el movimiento que democratiza la tecnología

Un modelo de IA de pesos abiertos es aquel cuyos parámetros puedes descargar y ejecutar en tu propia máquina o en tu servidor, sin pasar por la API de nadie. Llama, Mistral, DeepSeek, Qwen o MiniMax son los nombres que dominan hoy esa categoría.

Y aquí viene la frase que más dinero puede ahorrarte de todo el artículo: "pesos abiertos" no significa "código abierto", y desde luego no significa que puedas usarlo. En 2026 hay modelos punteros cuya licencia excluye expresamente a la Unión Europea del territorio autorizado. Abrir el fichero LICENSE antes que el README ha dejado de ser una manía de abogados.

Qué significa realmente "IA open source"

Aclaremos términos, porque hay muchísima confusión y ahora tiene consecuencias legales.

Open source estricto: el código, los datos de entrenamiento, los pesos y la metodología están disponibles. Cualquiera puede reproducir, modificar y distribuir sin restricciones. Son muy pocos modelos.

Pesos abiertos (open weights): es lo que en realidad son casi todos los llamados "modelos open source". Publican los pesos —lo que necesitas para ejecutarlo— pero no los datos ni todo el código de entrenamiento. Puedes usarlo; no puedes reproducir exactamente cómo se hizo.

Acceso abierto con restricciones: los pesos están disponibles pero la licencia limita el uso comercial, exige autorización por encima de cierto tamaño, o restringe territorios.

Nivel	Pesos	Código de entrenamiento	Datos	Uso comercial	Ejemplo típico
Open source estricto	Sí	Sí	Sí	Sí	Muy pocos modelos
Pesos abiertos	Sí	Parcial	No	Normalmente sí, con condiciones	Llama, Mistral, Qwen, DeepSeek
Acceso restringido	Sí	No	No	Limitado por territorio o facturación	MiniMax H3
Cerrado	No	No	No	Solo vía API	GPT-5.x, Claude, Gemini

Pragmáticamente, la pregunta no es si el modelo es "de verdad" open source. Es doble: ¿puedes descargarlo? y ¿te deja la licencia usarlo desde donde estás? Hasta 2025 la segunda pregunta era retórica. Ya no lo es.

Las licencias: lo que hay que mirar antes de descargar nada

Esto es nuevo en la conversación y es lo más importante que ha pasado este año en el mundo de los modelos abiertos.

El 31 de julio de 2026, MiniMax presentó H3 y publicó los pesos en Hugging Face pocos días después. Es el mejor modelo de vídeo de pesos abiertos del año. Su licencia, fechada el 2 de agosto, define el territorio aplicable como el mundo entero excluyendo la Unión Europea, el Reino Unido, Corea del Sur y Estados Unidos. No es una zona gris ni una cláusula ambigua: es el ámbito territorial del contrato. Si tu empresa está en España, esa licencia no te ampara para usarlo, ejecutarlo, modificarlo ni explotar comercialmente sus salidas, aunque el fichero se descargue sin pedirte permiso y el vídeo se genere entero dentro de tu ordenador. Y hay una segunda capa: incluso dentro del territorio permitido, quien facture por encima de cierto umbral necesita autorización escrita aparte. Lo analicé entero en la licencia de MiniMax H3 que excluye a la UE.

No es un caso aislado en su lógica: las licencias de la familia Llama llevan años incluyendo condiciones de uso y un umbral de usuarios activos por encima del cual hace falta permiso expreso de Meta. La diferencia es que ahora esas condiciones han empezado a excluir mercados enteros.

Lo que tienes que comprobar antes de construir sobre un modelo abierto, en este orden:

1. Ámbito territorial. ¿Está tu país incluido?
2. Uso comercial. ¿Permite explotar comercialmente las salidas del modelo?
3. Umbral de facturación o de usuarios. ¿Hay un límite a partir del cual necesitas autorización?
4. Uso de las salidas para entrenar. Algunas licencias lo prohíben expresamente.
5. Atribución y redistribución. Qué tienes que incluir si distribuyes algo construido encima.

Los modelos abiertos que importan hoy

Los números de versión cambian cada pocos meses, así que voy por familias.

Llama (Meta)

Sigue siendo la familia más influyente del ecosistema occidental y la referencia contra la que se miden las demás, con un ecosistema enorme de adaptaciones y variantes especializadas. Su licencia es permisiva para la mayoría de usos comerciales, con las condiciones de umbral que comentaba arriba.

Mistral (Mistral AI)

La apuesta europea, y la única con peso real en esta lista. Modelos eficientes que rinden por encima de su tamaño, buen soporte multilingüe en idiomas europeos y —dato nada menor para una empresa española— alojamiento en Europa disponible.

DeepSeek

La startup china que sacudió el mercado demostrando que la eficiencia algorítmica puede compensar la falta de acceso a los mejores chips. Sus modelos siguen siendo de los mejores que puedes descargar.

Con una novedad de agosto de 2026 que afecta a quien los consume por API en lugar de ejecutarlos: DeepSeek anunció una subida "significativa" de precios, sin cifras ni fecha, después de haber introducido tarifas por franja horaria en julio. Si tu proyecto salía adelante gracias a ese precio, tienes el coste unitario indeterminado. Y si lo ejecutas tú en tu propia infraestructura, esto no te afecta: es exactamente el argumento a favor del autoalojamiento.

Qwen (Alibaba)

Familia amplia y consistente, con variantes de visión, de código y de embeddings. Buen soporte multilingüe, incluido el español. Es probablemente la familia abierta más completa en número de tallas y especializaciones.

MiniMax

El nombre nuevo y el más discutido. Su modelo omnimodal H3 genera vídeo con audio nativo y se ejecuta en local con pesos cuantizados en una GPU de gama media, con el cuello de botella en la memoria del sistema más que en la VRAM. Técnicamente, notable. Legalmente, ya sabes.

Abierto o cerrado: la comparación real

Cuándo usar modelos abiertos

1. Privacidad y control de datos. Si trabajas con datos médicos, financieros o legales, ejecutar el modelo en tu infraestructura significa que esos datos no salen de ahí. En sectores regulados no es una comodidad, es un requisito, y lo desarrollo en RGPD e inteligencia artificial en la empresa.

2. Coste a escala. Con millones de llamadas, la factura de API se dispara. Con modelo propio pagas infraestructura fija y el coste por consulta baja mucho.

3. Independencia de proveedor. Si tu proveedor sube precios, cambia condiciones o retira el modelo, tú sigues. Esto ha pasado de argumento teórico a argumento con ejemplos: OpenAI cerró Sora en 2026 —web y aplicación el 26 de abril, API el 24 de septiembre— y DeepSeek anunció subidas sin concretar. Un modelo descargado no se te muere.

4. Personalización profunda. Puedes hacer fine-tuning con tus datos y quedarte con el modelo resultante. Cómo y cuándo merece la pena, en fine-tuning de modelos de IA.

5. Latencia. Un modelo en tu servidor responde sin depender de la red ni de la carga de un tercero.

Cuándo usar modelos cerrados

1. Rendimiento máximo. En razonamiento complejo, código difícil y seguimiento de instrucciones detalladas, los modelos de frontera cerrados siguen por delante.

2. Sin infraestructura propia. Servir un modelo grande requiere GPU y alguien que las administre.

3. Funcionalidades integradas. Búsqueda web, ejecución de código, visión, llamadas a herramientas afinadas. Con modelos abiertos, eso lo montas tú.

4. Prototipar rápido. Para explorar una idea, una API es siempre más rápida.

Factor	Pesos abiertos	Cerrado (API)
Privacidad	Control total	Los datos van al proveedor
Coste inicial	Alto (hardware)	Bajo (pago por uso)
Coste a escala	Bajo	Alto
Rendimiento máximo	Muy bueno	El mejor
Personalización	Total	Limitada
Mantenimiento	Tuyo	Del proveedor
Dependencia	Ninguna	Total
Riesgo legal	La licencia, y es real	Contractual, más previsible

Esa última fila es la que he tenido que añadir este año, y no estaba en ninguna comparativa de hace dos.

Autoalojamiento: ejecutar IA en tu propia máquina

En tu PC o portátil

Ollama, LM Studio y llama.cpp permiten ejecutar modelos en local. Como orientación:

• Modelos de 7-8B parámetros: van razonablemente bien con 16 GB de RAM y una GPU reciente
• Modelos de en torno a 13B: 32 GB de RAM o una GPU con 12 GB de VRAM o más
• Modelos grandes: varias GPU o cuantización agresiva, y mucha RAM de sistema

Un detalle que sorprende a mucha gente: en los modelos grandes cuantizados, el cuello de botella real suele ser la RAM del sistema y la velocidad del disco, no la VRAM.

Ollama es la forma más rápida de empezar. Un comando y tienes un modelo corriendo:

ollama run <nombre-del-modelo>

Sin configuración, sin claves de API, sin costes recurrentes.

En la nube, gestionándolo tú

• RunPod, Vast.ai, Lambda: GPU por horas a precios razonables
• AWS, Google Cloud, Azure: más caro, con soporte y cumplimiento empresarial
• Scaleway y OVHcloud: opción europea si el dato no puede salir de la UE

La opción intermedia: APIs de modelos abiertos

Si quieres modelos abiertos sin gestionar GPU, Together AI, Groq, Fireworks o Replicate los sirven por API. Tienes precio reducido y velocidad sin el dolor de la infraestructura, a cambio de volver a depender de un tercero. Contexto sobre precios y elección de proveedor, en APIs de IA.

El impacto del open source en la innovación

La velocidad de la comunidad. Cuando se publica un modelo relevante, en horas aparecen versiones cuantizadas, adaptaciones especializadas, integraciones en herramientas existentes y comparativas independientes. Ninguna empresa sola se mueve a esa velocidad.

Investigación acelerada. Con los pesos públicos, los investigadores pueden estudiar el funcionamiento interno de los modelos, probar mejoras sin entrenar desde cero y reproducir resultados. Esto último es lo que separa la ciencia de las notas de prensa.

Especialización por dominio. Los modelos abiertos permiten crear versiones afinadas —jurisprudencia española, literatura clínica, un lenguaje de programación concreto— que en su terreno superan a modelos generales mucho mayores. Es donde mejor relación coste/resultado he visto en proyectos reales.

Los riesgos del open source en IA

Uso malicioso. Un modelo publicado no se puede retirar. Puede usarse para desinformación, deepfakes o asistencia en actividades ilícitas. La regulación europea ha empezado a responder por la vía del etiquetado: desde el 2 de agosto de 2026 hay obligaciones de transparencia sobre contenido generado, y lo explico en deepfakes y etiquetado de contenido con IA.

Seguridad. Sin un equipo dedicado detrás, las vulnerabilidades tardan más en parchearse. Y hay un tipo de riesgo específico que en 2026 dejó de ser hipotético: en las evaluaciones del AI Security Institute británico, un agente basado en un modelo de frontera intentó introducir código malicioso en un proyecto de software libre fabricando identidades falsas para que un mantenedor humano lo aprobara. Ocurrió en un laboratorio y no hubo daño, pero apunta a un vector que afecta directamente a la cadena de suministro del software abierto.

Calidad desigual. No todas las adaptaciones publicadas por la comunidad son buenas. Hay modelos con sesgos, errores o simplemente peores que el original, sin ningún control de calidad.

El riesgo legal, que es el nuevo. Ejecutar un modelo cuya licencia no te ampara territorialmente es un incumplimiento contractual, por mucho que técnicamente funcione. Y no lo detecta nadie hasta que importa.

El debate ético. ¿Deberían ser abiertos los modelos más potentes? Hay argumentos sólidos en las dos direcciones. Anthropic, por ejemplo, no publica sus modelos abiertamente por precaución. Mi posición sigue siendo que los beneficios de la democratización superan a los riesgos, porque la alternativa —que tres o cuatro empresas controlen toda la capacidad— me parece peor. Pero es una posición, no una certeza.

Cómo empezar con IA de pesos abiertos

Nivel principiante

1. Instala Ollama en tu ordenador. Gratuito, minutos.
2. Descarga un modelo pequeño de 7-8B y prueba.
3. Experimenta con prompts en tu terminal.
4. Prueba LM Studio si prefieres interfaz gráfica.

Nivel intermedio

1. Usa Open WebUI como interfaz tipo chat sobre tus modelos locales.
2. Compara modelos con tus propias tareas, no con rankings genéricos.
3. Explora Hugging Face para encontrar variantes especializadas, leyendo la licencia de cada una.
4. Intégralos en tus aplicaciones usando las APIs compatibles que exponen Ollama y LM Studio.

Nivel avanzado

1. Haz fine-tuning con Unsloth o Axolotl.
2. Despliega en producción con vLLM o TGI.
3. Combínalos con RAG para que respondan con tus documentos: qué es RAG.
4. Contribuye publicando tus adaptaciones y tus evaluaciones.

Mi visión: el futuro es híbrido, y ahora también jurídico

No creo que el open source vaya a matar a los modelos cerrados ni al revés. El reparto que veo:

• Cerrados para lo mejor de lo mejor, cuando necesitas rendimiento máximo y el coste no es el problema.
• Abiertos para todo lo demás, que es la mayor parte del trabajo real.
• Autoalojamiento cuando la privacidad no se negocia.
• APIs de modelos abiertos cuando quieres precio bajo sin gestionar hardware.

Lo que ha cambiado respecto a lo que escribí hace unos meses es que hay que añadir un filtro más, y va antes que todos los técnicos: comprueba si la licencia te incluye. El open source rompió el oligopolio de tres empresas de San Francisco, y eso sigue siendo bueno para todos. Lo que no anticipó casi nadie es que el control se reconstruiría por la vía del contrato en lugar de por la del acceso.

Preguntas frecuentes

¿Qué es un modelo de IA open source?

Es un modelo cuyos parámetros puedes descargar y ejecutar por tu cuenta, sin pasar por la API de un proveedor. En sentido estricto, open source exigiría también publicar los datos y el código de entrenamiento, y eso lo cumplen muy pocos: lo habitual es que sean modelos de "pesos abiertos", que es una cosa parecida pero no igual.

¿Cuál es el mejor modelo de IA open source?

Depende de la tarea y de la talla que puedas ejecutar. Para uso general, las familias Llama, Qwen y DeepSeek están muy igualadas en lo alto. Para eficiencia y alojamiento europeo, Mistral. Para vídeo, los modelos chinos son hoy los mejores y son justamente los que tienen las licencias más restrictivas. Compara siempre con tus propias tareas: los rankings genéricos engañan.

¿Es gratis usar un modelo de IA open source?

No hay cuota de suscripción, pero hay coste: la GPU o el servidor, la electricidad y el tiempo de quien lo mantiene. Sale rentable cuando el volumen es alto o cuando la privacidad es innegociable. Para un uso ocasional, una API comercial es más barata y bastante menos trabajo.

¿Puedo usar modelos open source comercialmente?

Depende de la licencia de cada modelo, y esto es exactamente lo que hay que comprobar antes de empezar. Muchas licencias permiten uso comercial con condiciones, algunas exigen autorización expresa por encima de cierto tamaño o facturación, y desde 2026 hay modelos cuya licencia excluye territorios completos, incluida la Unión Europea. Lee el fichero LICENSE, no el README.

¿Qué significa que la licencia de un modelo excluye a la Unión Europea?

Que el contrato bajo el que se publica el modelo no te autoriza a usarlo si estás en ese territorio, ni a explotar comercialmente lo que genera. El caso de referencia es MiniMax H3, publicado en agosto de 2026 con la UE, el Reino Unido, Corea del Sur y Estados Unidos como territorios excluidos. Que puedas descargar el fichero no cambia nada: la posibilidad técnica no crea el derecho de uso.

¿Qué necesito para ejecutar un modelo de IA en mi ordenador?

Para modelos de 7-8B parámetros, 16 GB de RAM y una GPU reciente bastan. Para tallas intermedias, 32 GB de RAM o una GPU de 12 GB de VRAM en adelante. Para modelos grandes cuantizados, el límite suele ser la RAM del sistema y la velocidad del disco más que la tarjeta gráfica. Con Ollama o LM Studio lo tienes funcionando en minutos.

¿Son los modelos abiertos tan buenos como GPT o Claude?

En la mayoría de tareas cotidianas, sí, y esa es la noticia de los últimos dos años. En razonamiento complejo, código difícil y seguimiento de instrucciones muy detalladas, los modelos de frontera cerrados siguen por delante. La pregunta útil no es cuál es mejor en abstracto, sino si el abierto es suficientemente bueno para tu caso, porque si lo es, el resto de ventajas pesan mucho.

¿Es más seguro usar un modelo open source con datos confidenciales?

Sí, si lo ejecutas en tu propia infraestructura: los datos no salen de ahí y eso resuelve de raíz el problema de la transferencia a terceros. Lo que no resuelve es la seguridad de tu propio sistema, que pasa a ser responsabilidad tuya: accesos, registros, actualizaciones y copias. Se cambia un riesgo por otro, pero para datos regulados suele ser el cambio correcto.

¿Qué diferencia hay entre open source y open weights?

Open source estricto implica publicar pesos, código de entrenamiento y datos, de forma que cualquiera pueda reproducir el modelo desde cero. Pesos abiertos significa que solo publican los parámetros: puedes ejecutarlo y adaptarlo, pero no reproducir cómo se hizo ni auditar con qué se entrenó. Casi todo lo que se llama "IA open source" es en realidad lo segundo.

¿Merece la pena montar mi propio modelo en una pyme?

Solo en tres escenarios: datos que legalmente no pueden salir de tu infraestructura, volumen tan alto que la factura de API supera el coste del hardware, o necesidad de latencia que ninguna API te da. Para todo lo demás, una API comercial sale más barata y te quita el mantenimiento de encima. Y si te decides, revisa la licencia primero y presupuesta a quién vas a pagar para que lo mantenga.