La brecha de capacidad entre modelos abiertos y cerrados nunca ha sido tan pequeña, y sin embargo la decisión de cuál usar rara vez se reduce a una tabla de benchmarks.
A mediados de 2026, la frontera de modelos open-weight está ocupada por DeepSeek V3.2, Qwen 3.5 (Alibaba), Llama 4.2 (Meta) y Kimi K2.5 (Moonshot AI), todos con arquitecturas de mezcla de expertos (MoE) que activan solo una fracción de sus parámetros totales por token, permitiendo modelos de cientos de miles de millones de parámetros con costos de inferencia comparables a modelos densos mucho más pequeños. En benchmarks de código como LiveCodeBench, la brecha entre el mejor modelo abierto (DeepSeek V3.2) y el mejor cerrado (GPT-5.5 Thinking) es de aproximadamente 6-8 puntos porcentuales, frente a los 20+ puntos de diferencia que existían en 2024.
El movimiento más significativo del año no vino de un laboratorio chino sino de OpenAI: gpt-oss-120b y gpt-oss-20b, lanzados bajo licencia Apache 2.0 en agosto de 2025, marcaron el regreso de OpenAI al terreno de los pesos abiertos por primera vez desde GPT-2. La motivación estratégica es clara: capturar a desarrolladores y gobiernos que exigen control total sobre el despliegue (on-premise, air-gapped) sin ceder terreno permanentemente a DeepSeek y Meta en ese segmento.
El impacto de DeepSeek R1 en enero de 2025 no fue un evento aislado: la serie continuó con V3.1, V3.2 y una línea de razonamiento (R2) que mantiene costos de entrenamiento reportados sustancialmente menores a los de los laboratorios occidentales, aunque las cifras exactas de costo de entrenamiento siguen siendo objeto de debate y difíciles de verificar de forma independiente. Lo que sí es verificable es el efecto en precios: la sola existencia de alternativas open-weight competitivas ha sido citada por analistas como uno de los factores detrás de las bajadas de precio de GPT-5.1, GPT-5.5 y Claude Haiku 4.5 durante el último año.
En las tareas más exigentes —razonamiento matemático de nivel de investigación, agentes autónomos de larga duración con cientos de pasos, seguimiento de instrucciones complejas con restricciones múltiples— los modelos cerrados (GPT-5.5 Pro, Claude Opus 4.5, Gemini 3 Ultra) mantienen una ventaja consistente. Esa ventaja se explica en parte por acceso a más cómputo de entrenamiento, pero también por post-entrenamiento más sofisticado (RLHF y variantes con jueces automatizados) que los laboratorios abiertos no siempre replican al mismo nivel por restricciones de presupuesto o de datos de preferencia humana.
Para cargas de trabajo de alto volumen, el costo de inferencia self-hosted de un modelo open-weight en infraestructura propia (o alquilada en proveedores especializados como Together AI o Fireworks) puede ser 3-5 veces menor que el equivalente vía API de un modelo cerrado comparable, especialmente cuando se aplican técnicas de cuantización (FP8, INT4) que estos modelos soportan de forma nativa. La contrapartida es el costo operativo de mantener esa infraestructura: equipos de plataforma dedicados, gestión de GPUs y actualizaciones de modelo que la API de un proveedor cerrado abstrae por completo.
Open-weight es la decisión correcta cuando existen requisitos de residencia de datos estrictos que impiden enviar información a un proveedor externo (defensa, salud pública, ciertos sectores financieros regulados), cuando el volumen de solicitudes es lo suficientemente alto como para justificar la inversión en infraestructura propia, o cuando se necesita hacer fine-tuning profundo del modelo con datos propietarios sensibles que la empresa no quiere compartir ni siquiera bajo acuerdo de confidencialidad con un proveedor de API.
La decisión no debería partir de una preferencia ideológica por "abierto" o "cerrado", sino de tres preguntas concretas: ¿el volumen de uso justifica la inversión en infraestructura propia?, ¿existe un requisito regulatorio o contractual que obligue a mantener los pesos del modelo bajo control directo?, y ¿la tarea específica está dentro del rango donde la brecha de capacidad entre abierto y cerrado es irrelevante (la mayoría de las tareas empresariales de 2026 lo están) o dentro del rango donde todavía importa (razonamiento de frontera, agentes muy autónomos)? La respuesta a esas tres preguntas, no el hype de un lanzamiento, debería guiar la arquitectura.
Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.
Contactar a Carlos Montiel