Modelos de pesos abiertos: cuándo conviene usarlos (y cuándo no)

Tener los parámetros no es lo mismo que tener el código, ni que llamar a una API. Qué son los modelos de pesos abiertos, qué obliga de verdad la licencia, y cómo decide una empresa si conviene correrlos.

Un modelo de pesos abiertos te deja descargar y correr los parámetros en tu infraestructura; no por eso es software de código abierto ni un reemplazo automático de una API cerrada. La decisión es de arquitectura y de gobierno: soberanía de datos, costo, latencia y ajuste fino, contra operación, seguridad, evaluaciones y cumplimiento de la licencia de esa versión.

Qué es un modelo de pesos abiertos (y qué no es)

Un modelo de pesos abiertos (open-weight) publica sus parámetros: se pueden descargar y correr en un entorno que la empresa controla, o entregar a un proveedor para que los sirva como servicio. Eso cambia el perímetro del dato y el control sobre la versión. No alcanza para llamarlo código abierto.

Categoría Qué entregás Qué no entregás
API cerrada Un endpoint y un contrato de uso Los pesos, el serving y, en general, el control fino de la versión
Pesos abiertos Los parámetros y, casi siempre, código para inferencia No necesariamente los datos ni el código de entrenamiento, ni una licencia permisiva
Código abierto (definición de la OSI) Libertades de uso, modificación y redistribución sin discriminar usuarios ni campos de uso —

Un modelo puede ser excelente, descargable y útil, y aun así no ser código abierto si la licencia restringe a una clase de usuarios o un campo de uso. El error no es usarlo: es etiquetarlo mal y descubrir la condición cuando el caso ya está en producción. Tampoco hay que forzar una falsa oposición: los pesos abiertos se pueden correr en un clúster propio, en una nube privada o como servicio gestionado en Azure, AWS u otro proveedor. Tenerlos disponibles no obliga a armar un equipo de GPU desde el día uno.

La licencia es de la versión, no de la marca

Ninguna tabla reemplaza leer el texto de la versión que vas a bajar.

Familia Licencia típica (verificar siempre la versión) Qué mirar antes de aprobar
Llama (Meta) Llama 4 Community License: uso comercial con condiciones; no es código abierto Umbral de 700 millones de usuarios activos mensuales a la fecha de release; aviso «Built with Llama»; nombres de derivadas; política de uso aceptable, que incluye no eludir medidas de seguridad
Mistral Varias familias bajo Apache 2.0; ha habido versiones con licencia de investigación o condiciones comerciales La ficha de esa versión, no el nombre de la marca
Qwen (Alibaba) Varias versiones bajo Apache 2.0; otras con licencia comunitaria o condiciones adicionales según el tamaño Condiciones si se ofrece como servicio y cualquier umbral de la variante
DeepSeek Varias versiones publicadas bajo licencia MIT Conservar el aviso; una destilación puede heredar la licencia del modelo base
Gemma (Google) Gemma 4 bajo Apache 2.0. Gemma 1 a 3 siguen bajo los Gemma Terms of Use No asumir que «Gemma» es una sola licencia
gpt-oss (OpenAI) Apache 2.0 La política de uso publicada junto a los pesos

La licencia vive en el repositorio de esa versión, no en un slide. Una política de uso aceptable forma parte del contrato aunque el archivo se titule «License». En Llama 4 esa política prohíbe eludir o quitar medidas de seguridad, un punto crítico cuando aparecen derivadas abliteradas. Algunas licencias también traen cláusulas territoriales o de uso multimodal: legal las lee antes de que arquitectura elija el checkpoint.

Cuándo tiene sentido correrlos

  • Soberanía del dato. Si el caso toca información que no puede salir del perímetro —legajos, carpetas de crédito, contratos, datos con obligación de residencia—, inferir dentro de una VPC, un datacenter o un entorno aislado pasa a ser requisito. Una API puede ser aceptable con contrato y controles; no lo es cuando la política o el regulador piden que el dato no viaje.
  • Costo a cierto volumen. El costo de una API no es la tarifa de lista: es el resultado de cómo está armado el sistema, como desarrollamos en tokenomics. A volumen alto y utilización previsible, un modelo propio puede bajar el costo por resultado. A volumen bajo, o con GPUs ociosas y un equipo que todavía no opera inferencia, el costo total suele perder contra la API. Sin línea base por request, la comparación es una opinión con formato de planilla.
  • Latencia. Un asistente que consulta sistemas internos o un clasificador en un flujo transaccional se benefician de inferir cerca de la carga. La latencia se diseña; no se espera que mejore sola.
  • Ajuste fino y control de la versión. Tener los pesos permite adaptar el modelo a un dominio o a un corpus interno, pinnear la versión y ensayar un rollback. Ese control es una de las razones más sólidas para elegirlos, y no elimina las evaluaciones ni el gobierno.

Lo que se intercambia: operación, seguridad, evaluaciones y gobierno

Correr el modelo es el comienzo del trabajo, no el final.

Operación. Hay que servirlo, escalarlo, observarlo y actualizarlo: cómputo, serving, despliegues reproducibles y rollback de la versión, con la misma disciplina de DevOps y testing que cualquier sistema crítico. Si se hospeda en nube, entra la gestión del entorno. 54cuatro implementa sobre la infraestructura del cliente y tiene acuerdo de reventa con Microsoft y AWS, declarado: el negocio no es la licencia del modelo, es el resultado.

Seguridad. Un archivo de pesos es un artefacto de la cadena de suministro, comparable a un binario. Se baja de un origen verificado, se controla el hash y se restringe quién puede registrarlo en el catálogo interno. El prompt injection, la exfiltración por herramientas y el acceso a datos no desaparecen porque el modelo «sea nuestro». El monitoreo de seguridad y un perímetro de inferencia bien definido son parte del diseño.

Evaluaciones y roles. Al dejar de delegar la calidad en el proveedor de la API, la empresa mide tarea, alucinación, sesgo y regresión entre versiones, con un umbral de salida del piloto. Un modelo en producción necesita identidad, alcance, responsable humano y ciclo de vida: el mismo criterio con el que se gobierna la IA y, en entornos exigentes, el machine learning regulado.

Rol Decide
Dueño de negocio del caso Si el problema vale la pena y qué es un resultado aceptable
Arquitectura / responsable de IA El patrón (API, servicio gestionado o inferencia propia) y la versión candidata
Seguridad (CISO o equivalente) El perímetro, la procedencia de los pesos y las herramientas conectadas
Legal y cumplimiento Licencia de esa versión, datos, obligaciones de sector
Finanzas El costo total frente a la API, con supuestos explícitos
Dueño del modelo en producción Operación, evaluaciones, cambio de versión y retiro

Si un rol no tiene nombre, la decisión no está tomada.

Aplicabilidad en la empresa: cuándo sí, cuándo no

La pregunta útil no es «¿debemos pasarnos a pesos abiertos?». Es «¿para qué caso, con qué datos y con quién operándolo?».

Tiene sentido, por ejemplo, cuando un asistente trabaja sobre documentación interna confidencial; un flujo de clasificación o resumen tiene volumen alto y estable, con utilización de cómputo previsible; la inferencia debe vivir junto a un sistema operativo y cumplir un presupuesto de latencia; se necesita ajuste fino con corpus propio; el entorno está aislado o hay obligación de residencia; se quiere pinnear la versión y volver atrás sin depender del calendario de un proveedor.

No tiene sentido, o no todavía, cuando el uso es esporádico y no hay quien opere GPUs, evaluaciones ni parches; el caso necesita una capacidad que hoy solo cubre de forma honesta un modelo cerrado, y la clasificación del dato permite una API con contrato; la licencia de la versión candidata choca con el uso previsto; el único argumento es que «abierto suena mejor». Empezar por una API o por un servicio gestionado no es una derrota: es proporcionalidad.

Quién decide. El dueño de negocio propone el caso. Arquitectura o el responsable de IA eligen el patrón y la versión. Seguridad y legal pueden vetar por procedencia, perímetro o licencia. Finanzas valida el costo total. Un comité de gobierno de IA o de riesgo de modelos, cuando existe, aprueba la entrada a producción. El dueño del modelo queda nombrado antes del piloto, no después del incidente. Una prueba de concepto con caso acotado, criterio de salida y registro de la versión es el camino más honesto.

Cómo decidir, en la práctica

  1. Nombrar el caso, el dato y la clasificación. Si no se puede decir qué información entra al prompt, no se puede elegir el perímetro.
  2. Leer la licencia y la política de uso de la versión concreta, con legal.
  3. Comparar costo total —infraestructura, personas, evaluaciones— contra una API, con línea base por request.
  4. Definir evaluaciones y umbral de salida del piloto antes de escribir una línea de serving.
  5. Decidir el modo de despliegue: inferencia propia, servicio gestionado o un híbrido por caso.
  6. Asignar los roles de la tabla anterior y el plan de rollback de la versión.
  7. Recién entonces, escalar.

Preguntas frecuentes

¿Qué es un modelo de pesos abiertos?

Es un modelo cuyos parámetros se pueden descargar y correr en infraestructura propia o en una nube que controles. Tener los pesos no implica tener el código de entrenamiento, los datos ni una licencia de código abierto. Tampoco obliga a operarlo internamente: se puede consumir como servicio gestionado.

¿Pesos abiertos es lo mismo que código abierto?

No. Código abierto, en el sentido de la Open Source Initiative, exige libertades de uso, modificación y redistribución sin discriminar usuarios ni campos de uso. Muchas licencias de modelos —la Llama Community License es el caso más citado— permiten uso comercial con condiciones y no cumplen esa definición.

¿Cuándo conviene correr un modelo de pesos abiertos en la empresa?

Cuando hay un caso con volumen o sensibilidad que justifica operarlo: datos que no deben salir del perímetro, latencia junto a sistemas internos, ajuste fino con información propia, o control de la versión. Si el uso es ocasional, no hay capacidad para operar ni evaluar, o la licencia no encaja, una API cerrada suele ser la opción más honesta.

¿Se puede hacer ajuste fino de un modelo de pesos abiertos con datos internos?

Sí, y es una de las razones para elegirlos, siempre que la licencia de esa versión lo permita y los datos estén clasificados y controlados. El ajuste fino no elimina la necesidad de evaluaciones, de un dueño del modelo ni de un plan de rollback de la versión.

¿Quién debería aprobar el uso de un modelo de pesos abiertos?

El dueño de negocio del caso, arquitectura o el responsable de IA, seguridad, legal y finanzas, con un dueño nombrado del modelo en producción. En entornos regulados entra además el comité o la función de riesgo de modelos. Nadie aprueba solo un archivo de pesos.

Siguiente paso

Si estás evaluando un caso concreto, el siguiente paso es un diagnóstico de aplicabilidad: dato y clasificación, licencia de la versión candidata, costo total frente a una API, y si conviene un servicio gestionado o inferencia propia. De ahí sale, cuando corresponde, un piloto con evaluaciones y criterio de salida, y después la implementación y el gobierno del modelo en producción.

54cuatro es una firma de servicios, no un vendedor de modelos: proyectos llave en mano y squads tipo pods. Implementamos sobre la infraestructura del cliente y revendemos Microsoft y AWS de forma declarada; lo que se contrata es el trabajo, no una licencia de pesos. Si querés revisar un caso, escribinos en contacto.

Anterior
Anterior

Modelos abliterados: qué son, qué riesgos traen y cómo gobernarlos

Siguiente
Siguiente

Proveedores de modernización de software crítico: cómo se evalúa uno de verdad