La diferencia en una frase
A un modelo cerrado solo llegas por una API o una aplicación. Corre en los servidores del fabricante, y lo que compras es el servicio.
Un modelo open-weight tiene pesos que puedes descargar y ejecutar donde quieras: en un servidor de la empresa, en una máquina alquilada o incluso en tu propio portátil.
Lo que aquí no significa «open»
Conviene aclararlo, porque la palabra despista.
Open-weight no es lo mismo que código abierto. Los pesos se pueden descargar, pero los datos de entrenamiento casi nunca, y el procedimiento completo tampoco. No puedes reproducir el modelo, solo ejecutarlo.
Y no es necesariamente de uso libre. Las licencias varían: unas restringen el uso comercial, otras cobran por encima de cierto umbral de facturación. Las restricciones son más frecuentes en los modelos open-weight más grandes y potentes que en los pequeños. Hay que leer la licencia antes de usar uno — esto no es una formalidad.
Los tres criterios que de verdad deciden
1. ¿Dónde están tus datos?
Este es el motivo real más frecuente para irse a open-weight.
Con un modelo cerrado el dato sale de la empresa. Los planes de empresa de los proveedores serios sí incluyen por contrato que no entrenan con él, y existe la opción de alojamiento en la UE — en muchos casos eso basta de sobra.
Pero hay sitios donde no basta: datos de salud, secreto profesional, una obligación contractual que prohíbe ceder datos a terceros. En esos casos el open-weight no es la mejor opción, es la única opción.
Eso sí, un matiz: ejecutarlo en tu propio servidor no es protección de datos por sí solo. Si lo configuras mal, estás peor que con un proveedor serio.
2. ¿Cuánto cuesta?
Aquí hay que deshacer un error muy extendido: el open-weight no es gratis. El modelo es gratis; ejecutarlo, no.
Con un modelo cerrado pagas por token. No hay cuota base, no hay explotación que mantener, y cero peticiones cuestan cero.
Con open-weight pagas hardware — comprado o alquilado — más la explotación. Eso es un coste fijo, y corre aunque ese día no lo use nadie.
La cuenta sale sola: con volumen bajo o medio, el modelo cerrado sale más barato. Con volumen muy alto y sostenido la balanza se invierte, porque el coste fijo se reparte. El punto de cruce varía por empresa, pero para la mayoría de las pymes queda muy lejos.
3. ¿Qué pasa si el fabricante cambia algo?
Este criterio es el menos vistoso y, visto en retrospectiva, el más doloroso.
Con un modelo cerrado el fabricante puede retirar el modelo, alterar su comportamiento o subir el precio en cualquier momento. No es teórico: la retirada de modelos es un suceso habitual, y cuando pasa, los prompts que ajustaste para él se comportan de otra manera.
Un modelo open-weight descargado, en cambio, sigue siendo exactamente el mismo. Si hoy funciona, dentro de cinco años funcionará igual. En un entorno regulado, donde un proceso validado no se puede cambiar sin más, ese es un argumento decisivo.
En cuanto a la capacidad
Antes era simple: los modelos cerrados eran más potentes. Hoy tiene más matices.
Los modelos más potentes siguen siendo cerrados, pero la distancia se ha estrechado de forma apreciable, y los mejores modelos open-weight están hoy en el nivel donde estaba la primera línea cerrada no hace tanto. Para la mayoría de las tareas eso sobra.
La pregunta práctica no es cuál es más potente, sino si te basta para tu tarea. Eso lo resuelves en media jornada con un juego de pruebas de veinte ejemplos reales — mucho más fiable que cualquier ranking. De eso trata Cómo leer benchmarks de IA .
Un orden de decisión
No empieces por qué bando te cae mejor. Pregunta en este orden:
- ¿Hay datos que legal o contractualmente no pueden salir de la empresa? Si sí, open-weight, con explotación propia. El resto de preguntas ya son de implementación.
- ¿Habrá un volumen muy alto y previsible? Si sí, calcula el coste de las dos opciones. Puede que el alojamiento propio compense.
- ¿Ninguna de las dos? Empieza con un modelo cerrado. Llegas antes a una solución que funciona y siempre puedes cambiar después.
El tercer caso es el más frecuente, y no es ninguna vergüenza. El peor desenlace es pasarse medio año montando infraestructura antes de descubrir si la tarea se puede resolver con IA siquiera.
Qué llevarte
La elección no es un credo, son tres preguntas: dónde pueden estar los datos, qué volumen hay y cuánto duele que el fabricante cambie algo. Si tienes respuesta a las tres, la decisión sale sola.