Modelos abiertos de IA: licencias, datos y el costo del conocimiento

¿Puedes cobrar por usar modelos abiertos?

En general, los modelos abiertos pueden ser usados por cualquiera, instalados y modificados, e incluso puedes cobrar por su uso. Pero hay una condición fundamental: que un modelo tenga sus pesos disponibles no significa que su licencia permita hacer cualquier cosa con él.

Diagrama que muestra cómo los modelos de IA abiertos con licencias permisivas pueden ejecutarse en hardware propio
Los modelos abiertos permiten instalarlos localmente, modificarlos e incluso ofrecer servicios comerciales sin pagar regalías al desarrollador original.

Tres conceptos que no son equivalentes

  1. Pesos abiertos (Open Weights): puedes descargar los archivos del modelo y ejecutarlo localmente.
  2. Código abierto (Open Source): además del acceso al modelo, existe acceso al código y a otros componentes relevantes, sujeto a su licencia.
  3. Uso comercial permitido: puedes utilizarlo para generar ingresos, pero depende de las condiciones específicas de su licencia.

Apache 2.0 y MIT suelen permitir explotación comercial, modificación y redistribución, mientras que otras licencias pueden exigir atribución, imponer límites de uso o prohibir actividades comerciales.

Ejemplos de modelos y sus licencias

Familia de modelosSituación general
Qwen (Alibaba)Muchos modelos bajo Apache 2.0, que permite uso comercial.
DeepSeekMuchos modelos bajo MIT, muy permisiva.
MistralVarios modelos bajo Apache 2.0; otros tienen licencias distintas.
Llama (Meta)Licencia comunitaria propia, con condiciones adicionales.
FLUX (Black Forest Labs)Hay versiones abiertas con condiciones no comerciales, como FLUX.1 [dev].

Las trampas que conviene conocer

Hay cinco cosas que revisaría antes de montar un negocio:

  1. Uso comercial: que la licencia permita expresamente ganar dinero con el modelo.
  2. Redistribución: algunas licencias permiten ofrecer el modelo como servicio, pero ponen condiciones adicionales para distribuir sus pesos.
  3. Fine-tuning: una versión modificada puede quedar sujeta a obligaciones de la licencia original.
  4. Atribución y marca: puede que debas reconocer al desarrollador o respetar determinadas reglas de marca.
  5. Componentes adicionales: los VAE, LoRA, encoders, datasets y otros elementos pueden tener licencias independientes.

La definición de Open Source AI de la Open Source Initiative precisamente intenta establecer criterios más exigentes que simplemente publicar los pesos.

Una oportunidad de negocio interesante

El ecosistema abierto permite algo que hace unos años habría sido impensable para un pequeño operador: competir ofreciendo servicios de IA sin tener que desarrollar un modelo fundacional desde cero.

Pero hay una pregunta estratégica todavía más interesante: ¿quieres vender acceso a modelos ajenos o construir un servicio cuyo valor sea la especialización, la infraestructura y la privacidad?

Estabilidad: el verdadero obstáculo

Una cosa es conseguir que un modelo funcione. Otra muy distinta es garantizar que funcione todos los días, que responda correctamente, que no pierda información y que el cliente pueda confiar en él.

Hay varias capas de estabilidad:

  • Estabilidad técnica: Que el modelo no se caiga por falta de VRAM. Que las actualizaciones no rompan dependencias. Que CUDA, PyTorch, drivers y cuantizaciones sean compatibles.
  • Estabilidad operativa: Disponibilidad del servicio, copias de seguridad, monitorización, balanceo de carga, capacidad de atender varios clientes simultáneamente.
  • Estabilidad de resultados: Un modelo puede inventar información, responder de manera diferente ante preguntas similares, perder instrucciones durante conversaciones largas.
  • Estabilidad comercial: El cliente no quiere saber si utilizas Qwen, DeepSeek, Llama o algún modelo que acaba de aparecer en Hugging Face. Quiere que el servicio funcione.

LatamGPT: un caso regional interesante

Fue presentado oficialmente el 10 de febrero de 2026, impulsado por el Centro Nacional de Inteligencia Artificial (CENIA), con colaboración de instituciones de distintos países latinoamericanos.

No es simplemente un chatbot chileno ni una versión latinoamericana de ChatGPT. Es un modelo de lenguaje cuyos datos de entrenamiento fueron seleccionados para representar mejor la realidad cultural, histórica y lingüística de América Latina.

¿Cómo lo construyeron realmente?

No construyeron un modelo fundacional desde cero. Tomaron uno de los grandes modelos existentes y lo especializaron:

  1. Modelo base: utilizaron Llama 3.1 70B de Meta.
  2. Preentrenamiento continuo (CPT): lo especializaron utilizando información latinoamericana.
  3. Ajuste supervisado (SFT): lo adaptaron para mejorar conversación, instrucciones y tareas lingüísticas.

Reunieron aproximadamente 300.000 millones de tokens de información regional, con participación de más de 60 instituciones de 15 países.

Modelo LatamGPT especializado en datos y cultura de América Latina
LatamGPT utiliza Llama 3.1 como base pero se especializa con corpus latinoamericano de aproximadamente 296.500 millones de tokens.

¿Cómo alimentaron el modelo?

No lo alimentaron simplemente haciéndole leer libros sobre América Latina. Construyeron una enorme colección de textos regionales:

  • Historia y cultura: Libros, investigaciones, documentos históricos y literatura.
  • Instituciones: Leyes, normativas, informes y documentos públicos.
  • Lenguas y pueblos originarios: Materiales lingüísticos y culturales.
  • Conocimiento científico: Publicaciones académicas, salud, educación y economía.

Después limpiaron y organizaron los datos: extraer el texto de documentos, eliminar duplicados, detectar errores, clasificar por país, idioma y temática, anonimizar información personal, revisar licencias y permisos.

El corpus final de entrenamiento llegó aproximadamente a 296.500 millones de tokens, procedentes de 20 países.

Evaluaciones específicas

Crearon evaluaciones para medir cuánto conocen realmente sobre la región:

  • Trueque: 500 preguntas sobre historia, cultura, geografía y gastronomía de 20 países.
  • CHOCLO: más de 104.000 preguntas y registros sobre cultura, flora, fauna, geografía y otros aspectos de 18 países.

Escala: tu biblioteca vs modelos fundacionales

Si escaneas toda tu biblioteca de libros y revistas, ¿a cuánto material equivaldría? Nueve estanterías Billy llenas pueden representar una cantidad considerable de información. Pero hay una distinción importante: cantidad de páginas, cantidad de texto extraído y cantidad de tokens útiles para entrenar una IA son tres medidas diferentes.

Estimación razonable

Para un escenario intermedio con bibliotecas mixtas:

  • Páginas totales: aproximadamente 175.000
  • Palabras aproximadas: 40 millones
  • Tokens aproximados: 55 millones

Comparado con LatamGPT (296.500 millones de tokens), tu biblioteca física representa aproximadamente el 0,019 % del corpus.

¿Cuánto necesitarías para un modelo fundacional?

Para reunir 300.000 millones de tokens necesitarías unas 42 bibliotecas de ese tamaño. Y para reunir varios billones, cientos de ellas.

Biblioteca con libros y revistas que ilustran la escala de datos para entrenamiento de IA
Una biblioteca física puede representar decenas de millones de tokens, pero los modelos necesitan cientos de miles de millones para entrenamiento generalista.

Los modelos no se entrenan solo con libros

Su dieta puede incluir:

  • Páginas web y documentación.
  • Libros y publicaciones académicas.
  • Código fuente.
  • Conversaciones y ejemplos de instrucciones.
  • Enciclopedias y bases de conocimiento.
  • Documentación técnica.
  • Datos sintéticos generados por otros modelos.

Además, no todos los tokens tienen el mismo valor. Un libro técnico especializado, un artículo científico y una página web repetida miles de veces no aportan lo mismo.

Una paradoja interesante

La humanidad ha producido una cantidad extraordinaria de conocimiento escrito durante siglos. Sin embargo, para construir una IA generalista moderna necesitamos convertir una porción gigantesca de ese conocimiento en datos procesables, depurados y estadísticamente útiles.

Esa diferencia es fundamental para entender tanto sus capacidades como sus limitaciones.

¿Puede tu escritura estar en un modelo de IA?

Sí. Y no es solamente una analogía bonita: es perfectamente posible que textos escritos por ti hayan terminado formando parte de los datos de entrenamiento de algún modelo de IA.

Possibilidad 1: Si alguna vez publicaste artículos, comentarios, blogs, intervenciones en foros, documentación técnica o páginas web accesibles públicamente, existe la posibilidad de que hayan sido recopilados por rastreadores web y posteriormente incorporados a conjuntos de entrenamiento.

Possibilidad 2: Un modelo pudo haber procesado ese texto junto con millones de otros documentos. Quizás aprendió una expresión, una explicación o una asociación conceptual presente en tu artículo. Pero no necesariamente conserva el texto original ni puede identificarte como su autor.

Possibilidad 3: Los modelos pueden memorizar fragmentos de sus datos de entrenamiento, especialmente cuando son repetidos, infrecuentes o suficientemente distintivos.

Ilustración sobre cómo el contenido humano escrito puede formar parte del entrenamiento de modelos de IA
Los modelos de IA pueden contener fragmentos de textos humanos publicados públicamente, creando una forma curiosa de permanencia intelectual.

Una forma curiosa de permanencia intelectual

Imagina que dentro de 20 años alguien pregunta a una IA por un problema que tú explicaste en un artículo publicado en 2015. La IA responde utilizando una explicación que, al menos parcialmente, procede de tus palabras. Esa persona nunca conocerá tu nombre.

Quizás parte de lo que escribimos en Internet ya no está solamente en servidores, archivos o bibliotecas. Puede haber pasado a formar parte de los parámetros de sistemas que utilizan millones de personas.

No es inmortalidad, desde luego. Pero es una manera curiosa de dejar pequeñas huellas en algo que seguirá produciendo conocimiento mucho después de que hayamos dejado de escribir.

Conclusión

Los modelos abiertos representan una oportunidad extraordinaria para competir sin desarrollar modelos fundacionales desde cero. Pero la estabilidad técnica, operativa y comercial sigue siendo el verdadero obstáculo. Y lo más fascinante es que cada vez más de nuestro conocimiento humano se convierte en parámetros de sistemas que utilizan millones de personas.

La pregunta final es: ¿qué tipo de IA construimos? ¿Herramientas probabilísticas o sistemas que realmente comprenden y respetan la complejidad del conocimiento humano?