IA de código abierto frente a laboratorios propietarios: por qué uno no está matando al otro

Durante los últimos dos años ha circulado una predicción confiada en la industria tecnológica: a medida que proliferen modelos de IA de código abierto capaces y gratuitos de descargar, vaciarán el negocio de los laboratorios cerrados que cobran por el acceso a sus sistemas. Un análisis reciente de TechCrunch cuestiona esa narrativa, sosteniendo que hasta ahora el auge de los modelos abiertos no se produce a costa de los laboratorios de vanguardia, y que ambos podrían capturar fases distintas del mismo ciclo de vida.

Para entender el argumento, conviene definir los dos bandos. Los modelos propietarios o cerrados los desarrollan empresas que mantienen privado el sistema subyacente y venden el acceso, normalmente a través de una interfaz que permite a otro software enviar solicitudes y recibir respuestas. Los modelos de código abierto o de pesos abiertos, en cambio, se publican para que cualquiera los descargue, ejecute y modifique, a menudo con poco o ningún coste.

El argumento intuitivo de que los modelos abiertos desplazan a los cerrados es sencillo. Si un modelo gratuito es lo bastante bueno para una tarea, ¿por qué pagar por uno propietario? Esa lógica se ha cumplido en muchas partes de la historia del software, donde las alternativas abiertas acabaron por convertir en producto básico lo que antes era premium. Aplicada a la IA, sugería que los laboratorios cerrados vendían algo que pronto estaría disponible gratis.

Lo que ese razonamiento pasa por alto, según el análisis, es que los modelos abiertos y cerrados tienden a usarse en etapas distintas de la vida de un proyecto. Los modelos propietarios de vanguardia suelen ser el punto de partida de los equipos, porque ofrecen la mayor capacidad y la menor fricción: nada de infraestructura que gestionar, acceso inmediato a los sistemas más avanzados e iteración rápida. Es la fase de exploración, donde la capacidad importa más que el coste.

Los modelos abiertos, en cambio, brillan más tarde. Una vez que una empresa sabe exactamente qué necesita, un modelo abierto que puede alojar ella misma, ajustar con sus propios datos y ejecutar a un coste predecible se vuelve atractivo. Es la fase de optimización, donde el control, la privacidad y la economía por unidad importan más que la capacidad de vanguardia bruta, y donde un modelo autoalojado más barato suele ganar.

Vistos así, ambos son menos rivales que complementos. Un equipo puede prototipar en un modelo propietario de primer nivel, demostrar que una idea funciona y luego trasladar una carga madura y de alto volumen a un modelo abierto para recortar costes, mientras vuelve a la vanguardia para el siguiente problema difícil. La misma organización puede ser a la vez cliente de pago de un laboratorio cerrado y gran usuaria de modelos abiertos.

Hay además un blanco móvil que protege a los laboratorios de vanguardia. Los sistemas propietarios más avanzados siguen mejorando, de modo que la brecha de capacidad entre los modelos cerrados más nuevos y los mejores abiertos tiende a persistir, aun cuando los modelos abiertos alcanzan el nivel que la vanguardia tenía un año antes. Para los clientes que necesitan el sistema más capaz disponible hoy, esa brecha es precisamente lo que pagan.

Nada de esto significa que los modelos abiertos no sean una fuerza competitiva. Ejercen una presión real sobre los precios, obligan a los laboratorios cerrados a justificar su prima y dan a las empresas apalancamiento y alternativas que antes no tenían. El análisis enmarca la situación como "aún no perjudica", un matiz deliberado que reconoce que la dinámica podría cambiar si los modelos abiertos cerraran la brecha de capacidad más rápido de lo que avanza la vanguardia.

La economía subyacente explica por qué los laboratorios no cunden en pánico. Construir un modelo de vanguardia exige una inversión enorme en potencia de cálculo y talento de investigación, costes que las publicaciones abiertas no eliminan sino que redistribuyen. Alguien todavía tiene que financiar el entrenamiento de los sistemas más capaces, y los laboratorios cerrados sostienen que los ingresos por acceso son lo que hace posible esa inversión continua, que a su vez produce los avances sobre los que luego se apoyan los modelos abiertos.

Para las empresas que eligen entre ambos, la lección práctica es que no tiene por qué ser una decisión binaria. Los adoptantes de IA más sofisticados usan cada vez más los dos, ajustando la herramienta a la fase: modelos propietarios para la capacidad puntera y la experimentación rápida, modelos abiertos para el control y el coste a escala. En vez de que uno mate al otro, el mercado parece asentarse en una división del trabajo y, al menos por ahora, ambos bandos crecen.