Modelos de IA open source: cuáles usar en una empresa en 2026

¿Podría tu empresa utilizar IA sin enviar cada consulta a una plataforma externa? Con determinados modelos abiertos es posible ejecutar el procesamiento en infraestructura propia o en un entorno contratado para ese fin. Esto puede resultar interesante para consultar documentación interna, clasificar correos o preparar borradores.

La pregunta útil es qué modelo resuelve tu tarea con una calidad, un coste y unos controles aceptables. Descargarlo es solo una parte del proyecto. En esta guía encontrarás opciones concretas y un método para decidir antes de invertir en servidores o desarrollar una solución.

Open source y pesos abiertos: qué diferencia hay

Los pesos son los parámetros aprendidos durante el entrenamiento de un modelo. Cuando se publican, puedes tener la posibilidad de ejecutarlo por tu cuenta, siempre dentro de su licencia. Eso no significa que se publiquen también todos los componentes necesarios para estudiar o reproducir su desarrollo.

La definición de IA de código abierto de la Open Source Initiative contempla las libertades de utilizar, estudiar, modificar y compartir. Exige acceso a los parámetros, al código y a información suficiente sobre los datos de entrenamiento. No exige necesariamente distribuir todos los datos originales cuando no pueden compartirse.

En este artículo usamos la expresión habitual «modelos de IA open source» para facilitar la búsqueda, pero distinguimos el grado de apertura y la licencia de cada opción. No atribuimos a todos los modelos descargables el cumplimiento de la definición de la OSI.

Cinco modelos abiertos que puedes incluir en una evaluación

Estas son versiones concretas documentadas por sus desarrolladores, no una clasificación universal ni una lista exhaustiva de los lanzamientos más recientes. Las aplicaciones sugeridas son una orientación editorial: hay que probarlas con ejemplos de tu negocio. Los enlaces llevan a las fichas oficiales para comprobar las condiciones del modelo exacto.

La licencia pertenece a la versión, no al nombre de la familia. No extrapoles las condiciones de este Mistral o este Qwen a todos los modelos del mismo desarrollador. Si eliges una conversión cuantizada publicada por otra persona, comprueba también su procedencia y su correspondencia con el original.

Para una primera selección, prepara dos o tres candidatos que puedas ejecutar en condiciones comparables. Añade una solución ya disponible en tu empresa como referencia: adoptar un modelo abierto debe aportar una mejora concreta.

¿Cuándo compensa la IA local y cuándo una API?

Un entorno propio puede encajar cuando necesitas controlar el procesamiento, trabajar con documentación interna o integrar la IA en un flujo muy específico. También exige capacidad para administrar accesos, actualizaciones, copias, disponibilidad y seguridad.

Una API puede facilitar un primer piloto si buscas empezar con poca infraestructura y ajustar el gasto al uso. A cambio, dependes de las condiciones del proveedor, del tratamiento de datos, de sus límites y de los cambios del servicio.

Una solución híbrida puede repartir tareas. Por ejemplo, clasificar documentación interna en un entorno controlado y utilizar otro servicio para redactar materiales preparados para salir de la empresa. Hay que diseñar qué información puede pasar de una parte a otra.

Si la necesidad es responder preguntas sobre procedimientos propios, no siempre hace falta entrenar de nuevo el modelo. Puedes evaluar un sistema que busque los documentos pertinentes y los aporte a la consulta, conocido como RAG. También necesita permisos, fuentes actualizadas y pruebas para detectar respuestas inventadas.

Cuánto cuesta realmente utilizar un modelo abierto

Que los pesos no tengan una tarifa de descarga no significa que el proyecto sea gratuito. Conviene presupuestar estas partidas:

• Infraestructura: equipos propios o alquiler, memoria, almacenamiento y consumo.
• Integración: conexión con documentos, CRM u otras aplicaciones y preparación de los datos.
• Operación: actualizaciones, supervisión, copias y resolución de incidencias.
• Revisión: el tiempo que las personas dedican a comprobar y corregir las respuestas.
• Formación: aprender a utilizar el sistema y reconocer sus límites.

Compara el coste por tarea aceptada, no solo el coste de generar una respuesta. Una opción barata puede salir cara si necesita muchas correcciones o no está disponible cuando el equipo la necesita.

Para comparar con una API, aplica el mismo criterio e incluye consumo, integración y supervisión. Con poco uso puede compensar pagar por consumo; con otro volumen o requisitos de control la cuenta puede cambiar. La decisión necesita tus cifras.

Hardware, contexto y usuarios: prueba antes de comprar

Los parámetros orientan sobre el tamaño del modelo, pero no bastan para decidir qué equipo necesitas. También influyen la precisión de los pesos, la memoria de la conversación, las imágenes, la longitud de la respuesta y las solicitudes simultáneas.

La documentación de Ollama sobre longitud de contexto explica que ampliar el contexto incrementa la memoria necesaria. No es lo mismo contestar una pregunta corta que analizar un expediente largo mientras varias personas utilizan el sistema.

La cuantización reduce la precisión numérica para disminuir el tamaño y el consumo de memoria. Puede facilitar el despliegue, pero debes volver a evaluar la calidad con esa versión. Una configuración que funciona en la demostración puede fallar cuando llegan documentos más largos o más usuarios.

Antes de comprar, mide al menos tiempo de respuesta, calidad tras la revisión, memoria, estabilidad y comportamiento con usuarios simultáneos. Incluye preguntas para las que el sistema no tenga información suficiente y comprueba que no invente una respuesta convincente.

Licencias, datos y responsabilidades: qué revisar

Guarda la identificación del modelo, la versión, la licencia y las condiciones aplicables. Documenta quién lo ha aprobado, qué datos puede tratar y qué acciones puede realizar. Esta ficha debe acompañar al proyecto, no quedarse en la descarga inicial.

El artículo 53 del Reglamento europeo de IA recoge una excepción a determinadas obligaciones documentales para proveedores de ciertos modelos de propósito general abiertos. No es una exención total, no cubre los modelos con riesgo sistémico y no debe confundirse con las obligaciones de la empresa que integra o utiliza un sistema.

La licencia del modelo no determina por sí sola las obligaciones del sistema final. Debes valorar el papel de la empresa, la finalidad, las personas afectadas y los datos. Ejecutar IA en tu servidor tampoco acredita automáticamente el cumplimiento del RGPD.

En usos que influyan en decisiones sobre personas o traten información sensible, incorpora a los responsables jurídicos, de seguridad y de protección de datos. Para los controles operativos, puedes empezar por nuestra guía de guardrails de IA: permisos mínimos, validaciones y aprobación humana cuando corresponda.

Cómo empezar: un piloto con una decisión al final

1. Elige una tarea acotada. Por ejemplo, proponer la categoría de una consulta y un borrador, sin enviarlo al cliente.
2. Mide cómo se hace hoy. Tiempo total, errores, coste y criterios de calidad. Incluye la revisión.
3. Prepara ejemplos autorizados. Combina casos habituales, ambiguos y difíciles. Usa datos ficticios o preparados para esa prueba.
4. Compara candidatos en las mismas condiciones. Misma tarea, documentos y criterios. Registra modelo, versión y configuración.
5. Prueba con un equipo pequeño. Define permisos, responsable, incidencias y cómo detener el sistema.
6. Decide con resultados. Continuar, ajustar o descartar también son conclusiones válidas. Deja por escrito qué falta para ampliar el uso.

Veinte o treinta ejemplos pueden servir para una primera exploración. No constituyen una validación suficiente para cualquier proceso ni sustituyen una evaluación más amplia antes de desplegar. Puedes ordenar las siguientes fases en una hoja de ruta de IA para tu empresa.

Preguntas frecuentes sobre modelos de IA abiertos