Decisiones de IA Arquitectura y tecnología
LLM open source vs propietarios: ¿cómo debe elegir una empresa?
Elige por caso de uso, no por bando. Los modelos propietarios vía API suelen ser la vía más rápida a una gran capacidad general con poca carga operativa; los modelos de pesos abiertos ganan cuando necesitas control total de datos y despliegue, personalización profunda o coste predecible a gran volumen, y tienes equipo para operarlos. La mayoría de empresas acaba con ambos, detrás de una capa de abstracción que permite cambiar.
Las opciones
LLM open source / de pesos abiertos
Modelos cuyos pesos puedes descargar y ejecutar en tu infraestructura o en una nube que controlas, según los términos de su licencia.
LLM propietarios
Modelos a los que accedes como servicio mediante la API del proveedor o un marketplace cloud, sin acceso a los pesos.
Comparativa
| Criterio | LLM open source / de pesos abiertos | LLM propietarios |
|---|---|---|
| Control de datos y despliegue | Total: decides dónde corre la inferencia y qué se registra. | Sujeto a los términos, regiones y opciones de tratamiento del proveedor. |
| Capacidad en tareas difíciles y generales | La distancia se reduce, pero es irregular de una tarea a otra; prueba con tus casos. | Suelen ser los más fuertes en razonamiento complejo en cada momento. |
| Personalización | Profunda: fine-tuning, destilación, cuantización, pila de inferencia propia. | Limitada a lo que expone el proveedor (prompting, algunas opciones de ajuste). |
| Carga operativa | Tuya: infraestructura, escalado, parches, monitorización, seguridad. | Sobre todo del proveedor; tú gestionas integración y uso. |
| Perfil de coste | Infraestructura y equipo fijos; interesante con volumen alto y estable. | Pago por uso; interesante con volumen variable o bajo, más difícil de prever a escala. |
| Control de cambios | Decides cuándo actualizar; el modelo no cambia sin que lo sepas. | Las versiones se actualizan o retiran según el calendario del proveedor. |
| Licencias | Muy variables: algunas limitan usos, escala o sectores. Léelas. | Contrato comercial; revisa uso de datos, responsabilidad y condiciones de salida. |
| Posición ante el AI Act | Si modificas sustancialmente o ajustas el modelo, puedes asumir obligaciones de proveedor (provider). | El proveedor del modelo asume las obligaciones GPAI; tú sigues respondiendo como implantador (deployer) de tu sistema. |
Elige LLM open source / de pesos abiertos cuando…
- Los datos no pueden salir de una infraestructura que controlas, por norma, contrato o política interna.
- La tarea es acotada, de alto volumen y bien definida (clasificación, extracción, enrutado), y un modelo pequeño ajustado rinde bien.
- Necesitas una versión de modelo fija por motivos de auditoría o validación.
- Tienes, o puedes construir, la capacidad de MLOps y seguridad para operar modelos en producción.
Elige LLM propietarios cuando…
- Necesitas la máxima capacidad disponible para razonamiento o generación complejos.
- El volumen es incierto o bajo, y pagar por uso sale más barato que mantener infraestructura.
- Importa más la velocidad que el control, y los datos pueden tratarse bajo los términos del proveedor.
- Tu equipo es pequeño y rinde más dedicado al caso de uso que a operar modelos.
Cuándo combinarlas
La respuesta práctica es una cartera. Envía el razonamiento complejo y de bajo volumen a modelos propietarios, y las tareas de alto volumen, bien acotadas o sensibles a modelos abiertos que alojas tú. La condición es una capa de abstracción entre aplicaciones y modelos, más tu propio conjunto de evaluación, para que cada cambio sea una decisión de configuración respaldada por datos y no una reescritura.
Errores típicos
- Tratar el open source como gratis: el coste real está en hardware, equipo, seguridad y monitorización.
- Elegir por rankings públicos en lugar de probar con tus datos y tus casos límite.
- Dar por hecho que «abierto» significa sin restricciones; algunas licencias limitan el uso comercial o la escala.
- Programar las aplicaciones directamente contra la API de un proveedor, lo que convierte la elección de modelo en dependencia.
- Olvidar que ajustar o comercializar con tu marca un modelo puede cambiar tus obligaciones según el AI Act.
Cómo lo enfoca Thinkia
No tomamos partido. Ayudamos a construir la capacidad de elegir: un conjunto de evaluación con casos propios, criterios claros por caso de uso (sensibilidad del dato, volumen, latencia, capacidad necesaria, control de cambios) y una visión de coste total que incluye infraestructura y personas, no solo tokens.
En arquitectura, ponemos una capa agnóstica de modelo entre aplicaciones y modelos. Synapse lo hace: su gateway exige SSO corporativo y límites de uso, y su enrutado puede enviar las cargas confidenciales a modelos locales antes que a endpoints comerciales. Cambiar de modelo no obliga a tocar la interfaz ni la lógica de negocio. Trabajamos con proveedores propietarios y con modelos abiertos a través de Hugging Face, y la elección la marca el caso de uso.
En lo regulatorio, mapeamos quién es proveedor y quién implantador en cada sistema. El Reglamento (UE) 2024/1689 aplica las obligaciones de los proveedores de modelos de uso general desde el 2 de agosto de 2025, con una exención parcial para modelos publicados con licencia libre y de código abierto que no alcanza a los modelos con riesgo sistémico. Si un cliente ajusta o comercializa con su marca un modelo, revisamos si eso le traslada obligaciones de proveedor. Es orientación, no asesoramiento legal.
Productos de Thinkia implicados
- SynapsePlataforma agéntica gobernada: agentes, modelos, costes y datos en un solo sitio.
- Guía de gobierno del Reglamento Europeo de IANiveles de riesgo, calendario, roles y checklist de 20 puntos. No es asesoramiento legal.
Soluciones de IA relacionadas
- Estrategia y hoja de ruta de IADe la ambición a un plan que tus equipos puedan ejecutar
- MLOps e infraestructura de IAConvertir experimentos en producción
- Plataforma de datos lista para IAUna plataforma donde los casos de IA salen a producción
- Gobierno, riesgo y control de la IAIA que tu consejo, tu equipo legal y el regulador pueden firmar.
Preguntas frecuentes
¿Los modelos open source ya sirven para uso empresarial?
Para muchas tareas, sí, sobre todo las acotadas que se pueden ajustar. Su rendimiento suele ser irregular entre tareas parecidas, así que la única respuesta fiable sale de probarlos con tus datos, incluidos casos límite y entradas adversarias.
¿El open source es más barato que pagar una API?
Depende del volumen y del equipo. Con volumen alto y estable, alojar el modelo puede salir más barato por petición; con volumen bajo o variable, el coste fijo de infraestructura y especialistas suele hacer más barata la API. Compara el coste total durante la vida del caso de uso, no el precio por token.
¿Pesos abiertos es lo mismo que open source?
No exactamente. Muchos modelos publican los pesos pero no los datos ni el código de entrenamiento, y sus licencias van de muy permisivas a restrictivas. Lee la licencia antes de construir sobre un modelo, sobre todo para uso comercial o a gran escala.
¿El AI Act favorece a los modelos open source?
Concede a los modelos de uso general con licencia libre y de código abierto una exención parcial de algunas obligaciones documentales del proveedor, pero no si el modelo tiene riesgo sistémico. Tus obligaciones como implantador dependen del caso de uso, sea cual sea el modelo. Consulta el texto en EUR-Lex; esto no es asesoramiento legal.
¿Cómo evitamos quedar atados en cualquiera de los dos casos?
Mantén las aplicaciones independientes de la API de un único modelo mediante un gateway o capa de abstracción, conserva en tu poder los prompts, los conjuntos de evaluación y los datos, y negocia condiciones de salida con los proveedores. Así el modelo pasa a ser un componente sustituible.
Para seguir explorando
Decisiones relacionadas
- IA soberana u on-prem vs APIs de IA en la nube: ¿dónde deben correr tus modelos?
- Un único proveedor de IA vs estrategia multimodelo: ¿conviene apostar por uno solo?
- RAG o fine-tuning: ¿qué necesita tu caso de uso empresarial?
- Proveedor o implantador en el Reglamento Europeo de IA: ¿qué papel tienes y qué te toca?
Sectores donde aparece esta decisión
Términos clave
Artículos de Thinkia
- Estrategia de IA híbrida: por qué los modelos de código abierto ahora son esenciales
- Modelos de IA de código abierto: Guía para CIOs en la frontera irregular
- Regulación de la IA de código abierto: un mapa de escenarios para líderes empresariales
- Más allá de los gigantes: tu ventaja es una cartera de modelos especializados
- Cumplimiento de los modelos de frontera: la responsabilidad oculta de la Ley de IA de la UE