Los modelos abiertos nunca habían sido tan buenos.
Hace relativamente poco, utilizarlos para construir una aplicación implicaba aceptar que iban a estar por debajo de los modelos cerrados o propietarios. Podías ganar control sobre la tecnología, personalizar el modelo o reducir algunas dependencias, pero normalmente tenías que renunciar a parte de las capacidades que ofrecían los grandes laboratorios.
Hoy la situación es muy diferente.
Familias como DeepSeek, Qwen, GLM o Kimi han conseguido resultados extraordinarios en programación, razonamiento, comprensión de documentos y utilización de herramientas. Ya no estamos hablando únicamente de alternativas económicas para tareas sencillas. En muchos casos, son modelos perfectamente capaces de sostener aplicaciones y productos complejos.
Y, sobre todo, ya están al nivel o por encima de muchos de los modelos cerrados que las empresas usan en sus aplicaciones, como Claude Haiku, GPT-6 Luna o Gemini Flash.
Utilizar los modelos frontera para aplicaciones y agentes de mucho volumen sigue siendo matar moscas a cañonazos y también carísimo. Así que las empresas optan por modelos anteriores, más baratos.
Pero la realidad es que los modelos abiertos ya superan en capacidades a esas generaciones anteriores o a esos modelos cerrados menos inteligentes. Y cada nueva generación sigue mejorando.
Sin embargo, parece que esa evolución no termina de convencer a todas las empresas.
Hace unos días, Tomasz Tunguz publicó los resultados de la segunda encuesta anual de Theory Ventures, realizada a 455 profesionales que construyen y utilizan aplicaciones de inteligencia artificial. Entre sus resultados había uno especialmente llamativo: el porcentaje de equipos que utilizaban principalmente modelos abiertos había pasado del 66 % en la muestra de 2025 al 41 % en la de 2026.
Mi teoría es que gran parte de ese porcentaje era Gemma 4, que las empresas ven “más seguro” porque pertenece a Google. Y que, al quedarse atrás en muchas tareas agénticas, las empresas lo han sustituido por modelos cerrados.
Sin embargo, el auge de los modelos frontera abiertos ha aumentado el uso de modelos chinos. Pero no tanto como para que sean una fuerte apuesta empresarial.
Si los modelos abiertos son cada vez mejores y pueden resultar mucho más económicos, ¿por qué algunas empresas siguen sin dar el paso?
Creo que hay varias razones. Y muchas no tienen tanto que ver con la inteligencia de los modelos, sino con la sensación de seguridad que necesitan las compañías.
DeepSeek está abriendo mucho más que los pesos de sus modelos
Una de las cosas que más me interesan de DeepSeek no es únicamente la velocidad a la que están mejorando sus modelos. Es todo lo que están compartiendo con el ecosistema.
Durante mucho tiempo, la conversación sobre modelos abiertos se ha centrado casi exclusivamente en sus pesos. Un laboratorio entrena un modelo, publica sus parámetros y permite que otros lo descarguen y ejecuten bajo determinadas condiciones.
Eso ya es importante, aunque tener acceso a los pesos no significa necesariamente que el modelo tenga una licencia completamente abierta. Conviene distinguir entre *open source* y *open weights*, porque no todos los proyectos permiten los mismos usos.
Pero para construir una aplicación con IA hacen falta muchas más cosas que un modelo.
Hay que ejecutarlo de forma eficiente, gestionar memoria y concurrencia, conectarlo con herramientas y conseguir que pueda trabajar durante varios pasos sin perder el contexto o romper lo que está haciendo.
Y aquí es donde todo lo que está compartiendo DeepSeek resulta especialmente interesante.
En los últimos meses han publicado proyectos que permiten comprender y reutilizar diferentes partes de sus sistemas. Tres de ellos ayudan bastante a explicar hacia dónde está evolucionando el ecosistema.
La primera es el propio modelo. DeepSeek V4.1 Flash, por ejemplo, tiene 552.000 millones de parámetros, de los que activa aproximadamente 16.000 millones durante la inferencia, y admite contextos de hasta un millón de tokens. Su actualización 1017 mejora considerablemente los resultados en programación, razonamiento y agentes sin aumentar el tamaño del modelo.
Según Artificial Analysis, la nueva versión pasa de 39 a 45 puntos en su Intelligence Index. No significa que sea el mejor modelo del mercado para cualquier tarea, pero sí refleja cuánto pueden mejorar las capacidades de una misma arquitectura.
La segunda es el motor de inferencia. El 20 de octubre, DeepSeek publicó DeepInfer, el framework de alto rendimiento desarrollado para ejecutar sus modelos a gran escala.
Aquí entramos en una parte menos visible de la inteligencia artificial, pero fundamental para su economía.
No basta con tener un modelo capaz. También necesitas conseguir que funcione rápidamente, aproveche bien el hardware y pueda atender muchas peticiones sin desperdiciar recursos.
DeepInfer incorpora optimizaciones para operaciones sobre GPU, paralelismo, planificación asíncrona, decodificación y generación estructurada. Tecnologías que, aunque normalmente pasan desapercibidas para quienes utilizan una API, pueden tener un impacto importante en el rendimiento del sistema.
DeepSeek consigue, gracias a su inferencia, una velocidad de tokens por segundo muy alta, con una gran tasa de aciertos en caché y a unos costes muy bajos.
Hay un matiz: lo que DeepSeek ha liberado actualmente permite ejecutar inferencia offline, pero todavía no incluye todos los componentes necesarios para construir un servicio completo de inferencia en producción. Tampoco es una solución que puedas instalar sin más sobre cualquier GPU.
Aun así, que un laboratorio comparta parte de la tecnología que utiliza para ejecutar sus propios modelos es una aportación importante.
La tercera es el harness. En agosto, DeepSeek publicó DeepSeek Harness, el software que rodea a un modelo para convertirlo en un agente capaz de utilizar herramientas, trabajar con archivos, ejecutar comandos y mantener el estado de una tarea.
Hicimos un microsite interactivo para explorar su arquitectura, porque creo que es uno de esos proyectos cuyo interés va más allá de las funcionalidades que ofrece hoy.
Un harness determina qué herramientas tiene disponibles un agente, cómo se gestionan sus permisos, qué información recibe y qué ocurre después de cada acción. Dos agentes que utilizan exactamente el mismo modelo pueden comportarse de forma muy diferente dependiendo de cómo esté construido ese sistema.
DeepSeek Harness apuesta por una arquitectura modular basada en Cordis que permite sustituir y extender diferentes componentes. Sigue siendo un proyecto en desarrollo, pero resulta especialmente interesante que sus autores hayan compartido también parte de los fundamentos teóricos de su diseño.
Lo importante de estos tres proyectos es que muestran algo que a menudo olvidamos cuando hablamos de inteligencia artificial.
El resultado de una aplicación no depende únicamente del modelo. También depende de cómo lo ejecutamos y de todo el software que construimos alrededor.
Y cuando esas piezas se comparten, otras empresas y desarrolladores pueden aprender de ellas, mejorarlas e incorporarlas a sus propios sistemas. Y el sistema avanza mucho más rápido.
DeepSeek no está abriendo absolutamente toda su infraestructura ni todos sus procesos internos. Pero sus contribuciones permiten que una parte de sus avances beneficie a proyectos que no tienen por qué utilizar los servicios de DeepSeek.
Las empresas quieren optimizar el coste de la IA
Hay una razón bastante sencilla por la que los modelos abiertos resultan cada vez más atractivos: el coste.
Cuando estás haciendo pruebas, pagar unos pocos euros por utilizar una API no suele ser un gran problema. Pero cuando esa aplicación empieza a crecer, los números cambian. Y cuando empiezas a extender ese uso al resto de la organización y el consumo crece, la factura también. Y cuando los modelos mejoran y suben el precio, la factura también.
Imagina que estás procesando millones de documentos al mes, incorporando IA a un producto con miles de usuarios o ejecutando agentes que realizan decenas de llamadas para completar una sola tarea.
Cada petición cuenta. Y cada token también.
Por eso hay empresas que empiezan utilizando los modelos más potentes y terminan buscando alternativas para determinadas partes de sus aplicaciones. No porque hayan dejado de necesitar calidad, sino porque necesitan encontrar una relación entre rendimiento y coste que haga sostenible su producto.
Y muchas empiezan a interesarse por los modelos abiertos ahora porque les permiten ahorrar varios órdenes de magnitud en la factura.
Además, son muy flexibles y no te atan a un proveedor concreto. Permiten elegir entre diferentes proveedores de inferencia, contratar capacidad dedicada o desplegar los pesos directamente cuando existe el volumen y el equipo necesarios. Además, muchos modelos están optimizados para ofrecer buenos resultados utilizando menos recursos de los que esperaríamos por sus capacidades.
La actualización de DeepSeek V4.1 Flash es un buen ejemplo.
En las evaluaciones de Artificial Analysis, la versión 1017 mejora su Intelligence Index de 39 a 45 puntos y reduce el coste medio por tarea evaluada de 0,57 a 0,26 dólares. Una caída de aproximadamente el 54 %, bajo las condiciones concretas de esa evaluación.
No significa que todas las aplicaciones vayan a reducir su factura a la mitad por utilizarlo. El resultado depende de las tareas, los precios, la calidad necesaria y los recursos que consuma cada ejecución.
Pero sí demuestra que un modelo, ya de por sí barato, puede mejorar su capacidad sin aumentar el precio por token y, al mismo tiempo, necesitar menos recursos económicos para completar una batería de tareas.
Cuando hablamos de agentes, esa diferencia puede ser especialmente importante. Un agente no hace una única petición y termina. Lee archivos, utiliza herramientas, genera código, encuentra errores y vuelve a intentarlo. A veces necesita cientos de interacciones para completar un trabajo.
Si conseguimos que resuelva más tareas correctamente y necesite menos recursos para hacerlo, la economía del producto cambia. A veces, un producto inviable con modelos cerrados es rentable con modelos abiertos.
Eso sí, hay una diferencia importante entre un modelo barato y una aplicación barata.
El modelo que menos cuesta por millón de tokens puede ser peor si falla constantemente o necesita muchas correcciones. Y un modelo más caro puede terminar resultando rentable si resuelve una tarea difícil a la primera.
Por eso creo que deberíamos comparar mucho más el coste por tarea completada correctamente, en lugar de quedarnos únicamente con las tarifas de las APIs.
Los modelos abiertos no garantizan el ahorro, pero sí amplían enormemente las posibilidades de encontrar una solución más eficiente.
Aun así, para muchas empresas que no están usando Fable/Astra/Argon en producción, los modelos abiertos ya están en la frontera de sus casos de uso y el coste por tarea completada es infinitamente menor al que tienen ahora mismo con modelos cerrados.
«Ya, pero no queremos enviar nuestros datos a China»
Esta es probablemente una de las objeciones que más escuchamos cuando hablamos con empresas interesadas en modelos abiertos. Hay una falsa creencia de que usar modelos creados por empresas chinas implica mandar tus datos a esas empresas.
Les gustan los modelos. Ven los resultados, comparan los costes y entienden que pueden ser una buena alternativa para determinadas tareas.
Pero les preocupa qué pasa realmente con sus datos.
La política de privacidad del servicio oficial de DeepSeek indica que sus servidores se encuentran en China y que determinados datos personales pueden procesarse y almacenarse allí.
Para algunas empresas, especialmente cuando trabajan con información sensible, datos de clientes o determinados requisitos regulatorios, eso puede convertirse en una barrera importante.
También existen organizaciones con restricciones específicas sobre el uso de tecnología de determinados proveedores o países. En esos casos, no basta con cambiar dónde se ejecuta la inferencia: hay que comprobar qué permiten exactamente sus políticas y obligaciones.
Además, por un simple tema de soberanía y ventaja competitiva, no quieres que tus mejores investigaciones y avances acaben entrenando un modelo y que estén disponibles para todos.
Pero aquí hay una distinción que me parece fundamental y que todavía genera bastante confusión.
Utilizar un modelo desarrollado por una empresa china no significa necesariamente enviar tus datos a China.
Cuando utilizas la API oficial de DeepSeek, estás contratando un servicio de inferencia prestado por DeepSeek bajo sus condiciones.
Cuando utilizas los pesos del modelo desplegados en otra infraestructura, estás utilizando la tecnología del modelo, pero no el servicio del laboratorio que lo desarrolló.
Son cosas diferentes.
El ejemplo más similar podría ser cualquier software open-source, que tú instalas en tu máquina y controlas al 100%. En este caso, los pesos del modelo se instalan en otros servidores y DeepSeek deja de tener nada que ver con ello.
Puedes ejecutar determinados modelos de DeepSeek en infraestructura propia, contratar un entorno dedicado o recurrir a un proveedor europeo que opere los pesos de forma independiente.
En ese último caso, las peticiones pueden procesarse íntegramente en Europa, sin necesidad de enviarlas a los servidores de DeepSeek para obtener una respuesta.
El modelo sigue siendo DeepSeek. Su comportamiento y sus capacidades proceden del trabajo del laboratorio que lo entrenó. Pero el recorrido de los datos y las condiciones del servicio dependen de la infraestructura y del proveedor que realmente ejecuta la inferencia.
Esta separación es una de las grandes ventajas de los modelos de pesos abiertos.
Naturalmente, ejecutar un modelo en Europa no significa que desaparezcan todos los riesgos.
Hay que revisar las licencias, verificar la procedencia de los componentes, evaluar posibles vulnerabilidades y comprobar qué información registra el proveedor. También hay que entender qué garantías contractuales existen y qué mecanismos de seguridad protegen la infraestructura.
Además, los modelos pueden presentar problemas de comportamiento o seguridad independientemente del lugar en el que se ejecuten.
Aun así, los modelos abiertos actuales desplegados en infraestructura diferente a sus propietarios han sido ampliamente analizados por agencias y empresas en busca de vulnerabilidades o puertas traseras con nulos resultados. Simplemente es un resultado de la desconfianza.
Ahora mismo, una empresa puede querer aprovechar los avances de DeepSeek y, al mismo tiempo, exigir que sus peticiones no salgan de una infraestructura europea bajo determinadas condiciones de privacidad.
Las dos decisiones son compatibles.
Y ese es precisamente uno de los motivos por los que tiene tanto sentido que los modelos abiertos puedan ejecutarse fuera de la infraestructura de sus desarrolladores.
«Tampoco queremos gestionar nuestras propias GPUs»
Resuelta la cuestión de dónde se procesan los datos, suele aparecer otra pregunta.
¿Tenemos que desplegar nosotros el modelo? ¿Y balancearlo? ¿Y actualizarlo? ¿Y desplegar la siguiente versión?
Y aquí es donde empieza una conversación bastante diferente.
Descargar los pesos de un modelo no significa tener un servicio de inferencia preparado para producción. Hay que disponer de hardware adecuado, gestionar memoria, conseguir un buen rendimiento y resolver problemas de concurrencia, disponibilidad y mantenimiento.
Todo eso requiere tiempo, conocimientos y dinero.
Y cuanto mayor es el modelo, más exigente puede resultar la infraestructura necesaria para ejecutarlo.
DeepSeek V4.1 Flash tiene 552.000 millones de parámetros en total. Aunque su arquitectura active una parte mucho menor durante cada paso de inferencia, los pesos, la distribución del modelo y los recursos necesarios para servirlo siguen planteando retos importantes.
No estamos hablando de algo que puedas ejecutar en un portátil convencional y utilizar inmediatamente para atender a miles de usuarios.
Incluso con herramientas avanzadas como DeepInfer, necesitas resolver cuestiones adicionales para convertir un motor de inferencia en un servicio fiable.
Precisamente por eso DeepSeek advierte que la versión abierta de DeepInfer todavía no incluye todos los componentes necesarios para operar un servicio online completo.
Ahora bien, que puedas alojar tus propios modelos no significa que tengas que hacerlo.
Del mismo modo que una empresa puede utilizar PostgreSQL sin mantener sus propios servidores de bases de datos, también puede consumir modelos abiertos sin gestionar directamente la infraestructura que los ejecuta.
Y eso permite separar dos decisiones que muchas veces mezclamos: qué modelo abierto queremos utilizar y quién queremos que se encargue de ejecutarlo.
Para una empresa con un gran volumen estable de inferencia, un equipo de infraestructura especializado y requisitos muy concretos, desplegar modelos abiertos por su cuenta puede tener sentido.
Para otra, puede resultar mucho más eficiente utilizar un proveedor gestionado y dedicar sus recursos a construir el producto. Existen muchos: Baseten, OpenRouter, Bedrock, Helmcode.
La ventaja es poder elegir. Cosa que no puedes hacer con los modelos cerrados.
Cómo aprovechar los modelos abiertos sin asumir toda su complejidad
Durante años, buena parte del esfuerzo del ecosistema se ha concentrado en demostrar que podía construir modelos capaces de competir con los grandes laboratorios propietarios.
Y ese trabajo sigue siendo necesario. Los modelos cerrados continúan teniendo ventajas en determinadas tareas y no tendría sentido ignorarlas.
Pero disponer de modelos competitivos es solo una parte del problema.
También necesitamos que las empresas puedan utilizarlos con facilidad, evaluar sus resultados, controlar sus costes y decidir dónde quieren ejecutar la inferencia.
Por eso me parece tan relevante que laboratorios como DeepSeek no se limiten a compartir los pesos de sus modelos, sino que publiquen también herramientas y componentes de la infraestructura que utilizan para hacerlos funcionar.
El desarrollo de un modelo, su ejecución y el software que permite construir aplicaciones y agentes sobre él pueden evolucionar de forma independiente.
Y eso crea posibilidades que antes estaban mucho más limitadas.
Una empresa puede utilizar un modelo desarrollado en China, ejecutar su inferencia en Europa y conectarlo con un agente construido mediante herramientas abiertas. También puede cambiar de proveedor sin necesidad de cambiar el modelo, aunque tenga que comprobar las diferencias de implementación, rendimiento y comportamiento.
La apertura no elimina todos los problemas, pero evita que muchas de estas decisiones tengan que venir impuestas.
Y aquí es donde encaja lo que hacemos en Helmcode.
Nosotros no desarrollamos los modelos de DeepSeek. Aprovechamos las posibilidades que ofrecen sus pesos abiertos para ponerlos a disposición de empresas y desarrolladores mediante una API compatible con OpenAI, ejecutándolos en infraestructura europea y sin que nuestros clientes tengan que gestionar GPUs.
Eso permite beneficiarse de modelos cada vez más competitivos, con condiciones de procesamiento de datos y modelos de contratación diferentes a los del proveedor original.
No significa que todos los modelos abiertos sean mejores para cualquier tarea, ni que resulte innecesario evaluar su calidad o revisar sus garantías de seguridad.
Pero sí elimina algunas de las barreras que han dificultado su adopción.
Los modelos abiertos nunca habían sido tan buenos. Y el ecosistema que se está construyendo a su alrededor empieza a ser igual de interesante que los propios modelos.
Quizá todavía haya empresas que se lo estén pensando.
Pero, al menos, cada vez tienen más opciones para decidir cómo quieren utilizarlos.
Si tienes dudas sobre cómo incorporar modelos abiertos a tu stack de IA, puedes escribirnos a info@helmcode.com
