Open weight vs open source: por qué la precisión importa en tu pyme

En el mundo de la inteligencia artificial, el término open source se usa con una ligereza que preocupa a los expertos. Peter Farkas, CEO de Percona, ha lanzado una petición clara desde el Open Source Summit Europe en Praga: no usar open weight y open source como sinónimos. La distinción no es baladí, y menos para una pyme que quiere construir sobre tecnología abierta sin llevarse sorpresas.

Qué es realmente un modelo 'open weight'

Cuando un modelo se publica como open weight, lo que se liberan son los pesos: los parámetros numéricos que el modelo ha aprendido durante su entrenamiento. Eso permite descargarlo y ejecutarlo en tu propia infraestructura. Pero, como señala Farkas, no tienes el código fuente ni los datos de entrenamiento; solo el resultado de ambos. Por tanto, no puedes reproducir el modelo desde cero ni auditar completamente cómo se ha construido.

La confusión es frecuente. Modelos como los de DeepSeek se describen a menudo como open source, cuando en realidad solo publican los pesos. Farkas insiste en que esto no es malo: los pesos abiertos son valiosos porque permiten experimentar y desplegar en local. El problema surge cuando se presentan como equivalentes al open source tradicional, porque entonces se diluye el significado de las libertades que este garantiza.

La diferencia que importa: ejecutar vs. confiar y mejorar

James Landay, director del Instituto HAI de Stanford, lo resume con una pregunta: los pesos abiertos responden a «¿puedo ejecutar esto?», mientras que el open source responde a «¿puedo confiar en esto, mejorarlo y construir lo siguiente sobre ello?». Para una pyme, la diferencia es práctica. Si solo tienes los pesos, puedes usar el modelo, pero no puedes adaptarlo a fondo ni verificar su funcionamiento interno. Si además tienes el código y los datos, puedes auditar, modificar y compartir mejoras, lo que reduce la dependencia del proveedor.

Farkas advierte de que, sin una definición clara, gana el open washing: empresas que etiquetan como abierto algo que no lo es. Y eso puede afectar a la definición de open source en el software en general. Imagina que una herramienta se anuncia como Apache 2.0 pero tiene restricciones de uso en la Unión Europea. Ese tipo de ambigüedad es la que quiere evitar.

El debate sobre la definición de IA open source

La Open Source Initiative (OSI) publicó en 2024 su primera definición de IA open source, con criterios sobre las libertades de usar, estudiar, modificar y compartir sistemas de IA. Pero la definición sigue siendo objeto de debate, especialmente en lo relativo a qué información sobre los datos de entrenamiento debe revelarse. Duane O'Brien, nuevo director ejecutivo de OSI, reconoció las críticas y anunció que están reabriendo la conversación. Han lanzado una beca de dos años y planean una serie de discusiones comunitarias para revisar la definición.

Mientras tanto, algunos fabricantes van más allá. Xiaomi, por ejemplo, ha publicado no solo los pesos de sus modelos MiMo-V2.6, sino también entornos de entrenamiento por refuerzo, código y documentación. Esto muestra que hay un espectro: no todos los lanzamientos «abiertos» revelan lo mismo.

Qué significa esto para tu pyme

Si estás evaluando modelos de IA para integrar en tu negocio, no te dejes llevar por la etiqueta open source. Pregúntate qué necesitas realmente:

• ¿Solo quieres ejecutar el modelo en tus servidores? Un modelo open weight puede ser suficiente. Podrás experimentar y usarlo en producción si asumes los riesgos.
• ¿Necesitas auditarlo, modificarlo o integrarlo profundamente? Entonces busca verdadero open source: código, datos de entrenamiento y licencias que permitan esas libertades.
• ¿Te preocupa la dependencia? Un modelo solo con pesos te ata al proveedor para mejoras o correcciones. Con open source, tu equipo puede intervenir.

En ForgeNEX recomendamos leer siempre la letra pequeña de la licencia y comprobar qué se libera exactamente. No es lo mismo un modelo que puedes usar en tu pyme que uno que puedes adaptar y compartir sin restricciones. La claridad en los términos te ahorrará problemas legales y técnicos.

Además, este debate conecta con otras tendencias que ya hemos analizado, como el fin de la fidelidad a un solo modelo de IA. Las pymes están diversificando proveedores, y entender qué implica cada licencia es clave para no quedar atrapado.

Conclusión: exige claridad

La petición de Farkas no es un capricho semántico. Detrás de las palabras hay libertades concretas que afectan a tu capacidad de innovar y controlar tu tecnología. Como pyme, tienes derecho a saber si un modelo es realmente open source o solo open weight. Pregunta, lee las licencias y elige en consecuencia. La precisión en el lenguaje es el primer paso para tomar decisiones tecnológicas sólidas.

Fuente: The New Stack. Análisis y adaptación: ForgeNEX.