Modelos de IA de código abierto vs. cerrados: ¿quién gana en 2026?

Pregunta a diez personas que trabajan con IA en 2026 si están ganando los modelos abiertos o los cerrados, y obtendrás diez respuestas distintas según qué estén construyendo y qué entiendan por “abierto”. No es evasiva, es simplemente el estado real del sector. En vídeo, imagen y texto, el bando de los modelos de pesos abiertos ha cerrado suficiente brecha de capacidad como para que “usa directamente el modelo cerrado, obviamente es mejor” haya dejado de ser una suposición segura desde hace más o menos año y medio. Pero los laboratorios cerrados tampoco se han quedado quietos, y la propia palabra “abierto” se ha vuelto tan disputada que dos personas pueden usarla para describir productos con derechos realmente distintos. Antes de tomar partido, conviene precisar qué se está comparando en realidad.

El debate de definición que casi nadie fuera del sector de IA sigue de cerca

La Open Source Initiative finalizó su definición formal de IA de código abierto en octubre de 2024, y fijó un listón más alto del que la mayoría de los lanzamientos “abiertos” alcanza en la práctica: para calificar, un modelo debe ofrecer no solo pesos descargables, sino también el código de entrenamiento y documentación suficiente sobre los datos de entrenamiento como para que alguien pudiera reproducirlo de forma plausible. Con ese criterio, la mayoría de los modelos que se llaman coloquialmente “código abierto” —Llama, Wan, incluso DeepSeek— son en realidad “de pesos abiertos” (open weight): se obtienen los parámetros ya entrenados, listos para ejecutar y ajustar, pero no la receta que los produjo. Esa distinción suena a tecnicismo hasta que hay que decidir si un proveedor permite auditar de verdad con qué se entrenó un modelo, algo que importa mucho para quien va a lanzar un producto regulado. En la práctica, “pesos abiertos” se ha convertido en 2026 en el término técnico de referencia, y la pregunta más útil para quien construye productos no es “¿es de código abierto?” sino “¿qué me permite hacer realmente la licencia?”.

Vídeo: la brecha que se cerró más rápido

La generación de vídeo es donde la división entre abierto y cerrado se ve con más claridad, porque construir un modelo de vídeo capaz desde cero es tan caro que solo un puñado de laboratorios se atreve a intentarlo. Wan 2.2, de Alibaba, publicado bajo licencia Apache 2.0 con los pesos disponibles en GitHub, Hugging Face y ModelScope, es el buque insignia más claro de pesos abiertos en esta categoría: una licencia permisiva que autoriza el uso comercial, la modificación y la redistribución, con una variante más pequeña de 5.000 millones de parámetros lo bastante ligera como para correr en una sola GPU de consumo, y variantes más grandes de mezcla de expertos que necesitan infraestructura real para servir a gran escala. Kling, de Kuaishou, se sitúa en el lado contrario: sin pesos publicados, sin repositorio de modelo, y con un acceso controlado por completo mediante una API para desarrolladores que funciona con paquetes de créditos prepagados independientes de sus planes de suscripción para consumidores, una barrera real para experimentar de forma casual, aunque no algo inusual en un modelo cerrado de vanguardia. Lo interesante no es que uno sea abierto y el otro cerrado, sino que la consistencia de movimiento y la fidelidad visual de Wan han reducido tanto la distancia que muchos equipos ahora lo usan por defecto y solo recurren a un modelo cerrado cuando una tarea concreta lo exige, algo que no ocurría hace dos años.

Imagen: la disputa más antigua de la IA generativa, todavía sin resolver

La generación de imágenes es donde este experimento lleva más tiempo corriendo, y el resultado está realmente repartido en lugar de ser una victoria clara de un bando. Midjourney sigue siendo cerrado y propietario, con un estilo de casa fuerte y muy cuidado que, sin ningún ajuste por parte del usuario, supera de entrada a la mayoría de los modelos abiertos en acabado estético. Los descendientes de Stable Diffusion y competidores abiertos como Flux han reducido esa distancia de forma considerable: según la mayoría de las comparativas informales que circulan en 2026, herramientas como Flux y checkpoints de SDXL afinados como Juggernaut XL igualan o superan a Midjourney en fidelidad al prompt y fotorrealismo, y funcionan gratis en hardware propio una vez que se tiene la GPU. Lo que Midjourney vende en realidad ya no es calidad de imagen, sino la ausencia de configuración: sin grafo de ComfyUI que montar, sin LoRA que buscar, una suscripción de diez dólares al mes y un campo de texto. El ecosistema de Stable Diffusion —LoRAs, ControlNet, samplers personalizados, una biblioteca enorme de ajustes hechos por la comunidad— ofrece una profundidad que un sistema cerrado simplemente no puede igualar por diseño, porque esa profundidad exige dejar que la gente meta las manos en la maquinaria. Quién “gana” aquí depende por completo de si se valora más la curaduría o el control, y ambos bandos han convertido esa elección en algo permanente, no provisional.

Texto: la arena más ruidosa y de mayores consecuencias

En los modelos de lenguaje es donde el debate abierto/cerrado atrae más atención, y 2026 ha traído un giro genuinamente peculiar: OpenAI, la empresa más asociada con mantener sus modelos de vanguardia encerrados detrás de una API, lanzó sus propios modelos de pesos abiertos, gpt-oss-120b y gpt-oss-20b, bajo licencia Apache 2.0 en agosto de 2025 —su primer lanzamiento de pesos abiertos desde GPT-2—. No están disponibles ni en ChatGPT ni en la propia API de OpenAI; existen solo para quien quiera ejecutar la inferencia en su propia infraestructura, y se ha informado de que gpt-oss-120b rinde de forma cercana al propio modelo de razonamiento o4-mini de OpenAI en los benchmarks centrales. Ese único lanzamiento hizo más por legitimar los modelos de texto de pesos abiertos que cualquier anuncio de Meta o Mistral, porque venía de un laboratorio con todos los incentivos comerciales para defender que lo cerrado siempre sería mejor. Mientras tanto, los modelos V4 de DeepSeek se publican bajo la sencilla licencia MIT —probablemente la más permisiva de uso amplio en el sector—, que permite a cualquiera construir y vender productos basados en ellos sin pagar regalías. La Community License propia de Llama 4, de Meta, en cambio, parece abierta hasta que una empresa supera los 700 millones de usuarios activos mensuales, momento en el que debe negociar condiciones separadas con Meta, a discreción exclusiva de Meta. Esa cláusula es precisamente la razón por la que la Open Source Initiative no reconoce a Llama como código abierto en sentido estricto, aunque la mayoría de la gente lo llame así por costumbre; es más bien “código disponible con techo” que acceso sin restricciones. Mistral ocupa un terreno intermedio propio, combinando lanzamientos más permisivos para sus modelos pequeños con condiciones más estrictas para sus sistemas insignia de mayor tamaño. Nada de este matiz de licencias aparece en una gráfica de benchmarks, pero es justo lo que determina en la práctica si una empresa puede construir un negocio sobre un modelo determinado sin necesitar el visto bueno de un abogado.

Entonces, ¿quién gana de verdad?

La respuesta honesta es que “ganar” no es una sola competición, sino al menos tres, y cada bando va por delante en una distinta. En capacidad pura de vanguardia —las tareas más exigentes de razonamiento, programación y generación— los laboratorios cerrados mantienen una ventaja real, aunque cada vez menor, y el seguimiento independiente de grupos como Epoch AI ha mostrado de forma constante que los mejores modelos cerrados van varios meses por delante de los mejores modelos de pesos abiertos en cualquier momento dado, no porque los laboratorios abiertos no puedan competir, sino porque los entrenamientos de vanguardia son tan intensivos en capital que favorecen a quien puede gastar más. En coste y acceso, los pesos abiertos ganan con claridad: DeepSeek y modelos abiertos comparables suelen abaratar el precio por token de las API cerradas entre cuatro y diez veces, y ejecutar un modelo en local significa no pagar por cada solicitud y no depender de que un proveedor mantenga un endpoint activo, un riesgo real dado lo a menudo que las políticas de acceso de los modelos cerrados han cambiado con poco aviso previo, a medida que los proveedores renegocian condiciones o responden a disputas. En experiencia de producto para quienes no quieren pensar en infraestructura en absoluto, las plataformas cerradas siguen ganando por defecto, porque una aplicación cuidada y sin configuración siempre vencerá a un modelo superior que exige montar tu propia infraestructura de servicio.

Ninguno de estos tres ejes va a desaparecer, y por eso el sector sigue organizándose en torno a los tres a la vez en lugar de converger en un único ganador. Cabe esperar más lanzamientos como el gpt-oss de OpenAI —laboratorios cerrados que se cubren publicando una capa de pesos abiertos capaz de captar la atención de los desarrolladores sin canibalizar su API insignia—. Y cabe esperar que no sea la puntuación de un benchmark, sino la letra pequeña de la licencia, lo que siga decidiendo sobre qué modelo construye realmente un equipo serio.