Modelos open source igualan a los cerrados: el nuevo riesgo para empresas

La brecha entre modelos open source y modelos cerrados de frontera se está cerrando a una velocidad que nadie había previsto hace 18 meses. El Instituto Británico de Seguridad en IA acaba de publicar un dato que debería estar en la agenda de cualquier CTO: modelos como GLM-5.2 y DeepSeek V4-Pro se encuentran solo entre cuatro y siete meses por detrás de los modelos cerrados en capacidades cibernéticas ofensivas. A principios de 2025, esa brecha era de seis a diez meses. Se está acelerando, no estabilizando.

Y encima, las medidas de seguridad en estos modelos abiertos son, según el mismo estudio, «en gran medida ineficaces».

La convergencia de rendimiento que nadie quería tan pronto

La comparativa entre Kimi K3, DeepSeek V4-Pro y GLM-5.2 —los tres grandes modelos de arquitectura MoE a escala de billones de parámetros— revela algo que va más allá de los benchmarks de razonamiento: el coste real de despliegue en producción ya es competitivo con los modelos propietarios en la mayoría de casos de uso enterprise.

La arquitectura MoE (Mixture of Experts) no es nueva, pero en 2026 se ha convertido en el estándar de facto para escalar sin que la factura de inferencia se dispare. El truco está en que solo se activan los parámetros relevantes para cada consulta, lo que reduce dramáticamente el coste computacional por token. Esto hace que el argumento de «pago por lo que uso en la API de OpenAI» sea cada vez más difícil de defender ante un CFO cuando hay alternativas desplegables en infraestructura propia.

Dicho esto, hay una trampa en las licencias que merece atención. La diferencia entre una licencia MIT pura y una «MIT modificada» —que es lo que usan algunos de estos modelos— puede ser la diferencia entre poder monetizar una aplicación derivada y estar en zona gris legal. Para cualquier empresa que esté construyendo un producto sobre estos modelos, revisar con detalle las condiciones de uso comercial no es opcional.

El problema de seguridad que los vendors no mencionan en sus decks

Aquí está el argumento que falta en casi todos los comparativos de modelos que circulan en LinkedIn: la convergencia de capacidades no es solo una buena noticia para los equipos de producto. Es una noticia mixta con una cara oscura bastante seria.

Que un modelo open source iguale el rendimiento cibernético de un modelo cerrado de hace cuatro meses significa que las herramientas de reconocimiento, explotación y evasión que antes requerían acceso a APIs propietarias ahora están disponibles sin guardianes. Sin rate limits. Sin logging obligatorio. Sin términos de servicio que se puedan invocar para desactivar un acceso.

El informe del AISI (disponible en su sitio oficial) no dice que estos modelos sean armas. Dice que los defensores tienen menos tiempo para prepararse antes de que las capacidades ofensivas se vuelvan accesibles de forma masiva. Esa distinción importa, pero no cambia el problema operativo: si tu empresa depende de modelos open source en infraestructura expuesta, necesitas una conversación seria sobre threat modeling que incluya los propios modelos como superficie de ataque.

Para las empresas que trabajan con una consultoría de IA especializada en seguridad, este es el momento de revisar los controles de acceso a los modelos desplegados en producción, no solo los controles perimetrales de red.

NVIDIA Vera Rubin y el coste real del post-entrenamiento agéntico

Paralelo a este debate de open vs. closed, NVIDIA ha presentado la arquitectura Vera Rubin con un claim concreto: el menor coste por token en cargas de trabajo de post-entrenamiento. El timing no es casual. El post-entrenamiento —fine-tuning, RLHF, alignment— es la fase donde se está concentrando la mayor parte de la inversión en 2026, porque los modelos base ya son suficientemente buenos; la diferenciación viene de adaptarlos.

El tutorial de fine-tuning de Qwen3-0.6B con LoRA en Google Colab usando una sola GPU es ilustrativo de hasta dónde ha llegado la democratización del stack técnico. Que puedas ajustar un modelo con NVIDIA NeMo AutoModel en Colab sin infraestructura dedicada es técnicamente impresionante. Pero en producción, ese «single GPU» se convierte en «cluster de GPUs» en cuanto escala el dataset o la complejidad del modelo objetivo. Vera Rubin apunta exactamente a ese cuello de botella.

Lo que no dice el blog de NVIDIA con suficiente claridad es que «maximizar la inteligencia por dólar» requiere que tu equipo sepa configurar los workflows de post-entrenamiento correctamente. La hardware está; la escasez ahora es de ingenieros que sepan explotar esa hardware para tareas específicas de dominio. El ecosistema de agencias de IA en Madrid y agencias de IA en Barcelona que están construyendo capacidades propias de fine-tuning van a tener una ventaja competitiva significativa en los próximos 12 meses, precisamente porque ese conocimiento operativo no se improvisa.

GPT-5.6 y el problema del marketing científico

La noticia de HackerNews sobre GPT-5.6 resolviendo mediante un prompt un problema abierto de optimización convexa de 30 años merece escepticismo calibrado. No porque sea imposible —los LLMs con capacidades de razonamiento extendido llevan meses sorprendiendo en matemáticas— sino porque «resolver con un prompt» necesita ser diseccionado.

¿El modelo encontró la demostración completa y verificable? ¿O generó una dirección de investigación que un matemático humano tuvo que completar? ¿El resultado ha sido revisado por pares? La diferencia entre esos escenarios es abismal en términos de lo que implica para aplicaciones empresariales reales.

Dicho esto, si el resultado resiste el escrutinio formal, es una señal de que los agentes autónomos con capacidades de razonamiento matemático están entrando en territorio donde antes solo llegaban años de trabajo doctoral. Las implicaciones para sectores como logística, finanzas cuantitativas o diseño de fármacos son reales, pero requieren una capa de validación humana experta que no desaparece por el hecho de que el modelo proponga la solución.

Las plataformas no-code y el riesgo de la deuda técnica invisible

El resumen de MarkTechPost sobre 10 plataformas open source sin código para construir con LLMs llega en un momento en que el mercado español está adoptando estas herramientas con entusiasmo, a veces sin medir las consecuencias a 18 meses vista.

El argumento «sin código» es atractivo para acelerar prototipos, pero en producción enterprise aparecen fricciones que no están en el README: rendimiento bajo carga, ausencia de SLA formal, dependencia de mantenedores de proyectos comunitarios, y —sobre todo— la dificultad de migrar flujos complejos una vez que el equipo ha construido sobre una abstracción propietaria de una plataforma open source específica.

Para empresas que están evaluando estos stacks, la pregunta correcta no es «¿funciona para mi caso de uso?» sino «¿quién mantiene esto en producción cuando el mantenedor original pierde interés?». Las empresas que trabajan con agencias especializadas en automatización con IA generalmente tienen respuestas más robustas a esa pregunta que los equipos que lo construyen internamente a partir de tutoriales de Colab.

Dónde se juega la partida en los próximos seis meses

La convergencia entre open source y modelos cerrados, acelerada por MoE y fine-tuning accesible, está comprimiendo el tiempo de ventaja competitiva de cualquier empresa que haya apostado por un modelo propietario específico. No es que los modelos cerrados vayan a desaparecer —GPT-5.6 y sus sucesores seguirán siendo relevantes en tareas de frontera— pero el argumento de «necesitamos la API de X porque los open source no llegan» ya no se sostiene para la mayoría de casos de uso enterprise.

El verdadero diferencial en 2026 no va a ser qué modelo usas. Va a ser cuánto de rápido puedes ajustarlo a tu dominio, con qué nivel de seguridad lo operas, y si tu stack de agentes es lo suficientemente flexible para cambiar el modelo base sin reescribir la lógica de negocio. Quien haya construido sobre abstracciones frágiles o dependencias únicas va a pagar esa deuda técnica en el peor momento posible: cuando necesite moverse rápido.

Temas relacionados en agentes.ai

Si quieres aplicar lo que lees en tu empresa, estos son puntos de partida útiles dentro de agentes.ai:

• Directorio de agencias de automatización con ia
• Agencias de IA en Madrid y en Sevilla
• Explora el directorio completo de agencias de IA
• Sigue las últimas noticias de IA en tiempo real