Pesos abiertos como estrategia de salida: no ser rehén de tu proveedor de IA

La mayoría de los debates sobre modelos de pesos abiertos son debates sobre valores. Este va de poder de negociación.

Cuando construyes una funcionalidad de producto sobre la API de un modelo cerrado, no estás comprando software. Estás alquilando un comportamiento. Ese comportamiento vive en el hardware de otro, lo definen parámetros que nunca verás, puede cambiar sin que tú intervengas, lo pone en precio una parte que no tiene obligación de consultarte y se ejecuta bajo el ordenamiento jurídico al que esa parte pertenezca.

Nada de eso es malintencionado. Es simplemente la forma del trato. La pregunta que merece la pena hacerse antes de firmarlo es sencilla: si este acuerdo deja de funcionarme, ¿qué puedo hacer exactamente al respecto?

Cuatro cosas que no controlas en una API cerrada

No puedes fijar el comportamiento. Los endpoints de modelo se deprecan y los modelos se reajustan discretamente entre versiones. Cualquiera de las dos cosas puede cambiar de la noche a la mañana la salida de tu producto — otra redacción, otros hábitos de tool-calling, otros límites de rechazo — y no puedes volver atrás, porque nunca tuviste el artefacto. Tu suite de regresión se pone en rojo y tu único recurso es abrir un ticket de soporte.

No puedes inspeccionarlo. Puedes probar las salidas de la API, que conviene hacerlo, pero no puedes examinar los pesos, hacer tu propio red team contra el modelo en sí ni reproducir un resultado de hace seis meses para explicarle a un cliente qué pasó. Para cualquier cosa que tengas que acreditar más adelante, esa carencia importa.

No puedes fijar el precio. El precio de la inferencia lo pone una sola parte. Si el precio por token se duplica, una funcionalidad que era cómodamente rentable puede dejar de serlo, y reconstruirla sobre el modelo de otro proveedor no es trabajo de un fin de semana.

No puedes elegir la jurisdicción. Una región europea es una decisión de residencia, no de soberanía. Si la empresa que opera la inferencia responde ante la ley estadounidense, también lo hacen los datos que custodia — una distinción que desarrollamos en Residencia no es soberanía.

Qué te compran realmente los pesos abiertos

Un modelo de pesos abiertos publicado bajo una licencia permisiva cambia la posición en los cuatro puntos, y lo hace por una razón nada glamurosa: el artefacto es un fichero, y puedes tener una copia.

• Fijar la versión exacta. El modelo con el que salió tu producto es el modelo que tu producto conserva, hasta que decidas lo contrario. La deriva de comportamiento pasa a ser un cambio que haces tú, no un cambio que te ocurre.
• Inspeccionarlo y hacerle red team. Puedes atacarlo, sondearlo y caracterizar sus modos de fallo tú mismo, en lugar de inferirlos desde un endpoint.
• Reproducir resultados. Mismos pesos, mismos ajustes de muestreo, mismas entradas: una evaluación que hiciste hace un año se puede repetir. Esa es la diferencia entre una traza auditable y una anécdota.
• Cambiar de host, o auto-hospedarlo. Si las condiciones, el precio, la latencia o la gobernanza de un proveedor dejan de convenirte, el modelo se va contigo.

Nuestro montaje, en concreto

Seal AI funciona sobre gpt-oss-120b: pesos abiertos bajo licencia Apache 2.0, 117B de parámetros totales con 5,1B activos por token en un esquema de mezcla de expertos, ventana de contexto de 128k y cuantización nativa MXFP4 que le permite caber en una sola GPU de 80 GB (H100 o MI300X), con soporte de primer nivel en vLLM.

Ese último detalle es el que hace el trabajo estratégico. Un modelo que necesita un rack es un modelo que solo unos pocos operadores pueden servir. Un modelo que cabe en un acelerador es un modelo que pueden servir muchos — y, en la práctica, muchos lo hacen. Además de nuestro host actual, las Generative APIs de Scaleway en París, los mismos pesos los sirven otros proveedores soberanos europeos: OVHcloud AI Endpoints, IONOS AI Model Hub con el procesamiento confinado en Alemania, y Nebius en Finlandia y Francia — aunque Nebius cotiza en Estados Unidos, así que es un caso para evaluar la gobernanza y no solo la geografía.

La consecuencia práctica para los clientes: cambiar de host es un detalle de despliegue. Mismos pesos, mismo comportamiento, mismas respuestas. No hay migración de prompts, ni reajuste del inventario de herramientas, ni «esta semana el asistente suena distinto». Compáralo con sustituir el modelo de un proveedor cerrado por el de otro, que es una reescritura disfrazada de cambio de configuración.

Esto es lo que hace sostenible la promesa de privacidad

La posición de privacidad de Seal AI es concreta: inferencia solo en París, en una empresa francesa sin matriz estadounidense, cero retención de datos por defecto, sin entrenamiento con datos de clientes y — al no cruzarse ninguna frontera — sin activar en absoluto el Capítulo V del RGPD. Ni cláusulas contractuales tipo, ni evaluación de impacto de transferencias, ni depender de que el Marco de Privacidad de Datos UE-EE. UU. sobreviva a su próxima cita en los tribunales.

Un compromiso así solo dura lo que dure tu capacidad de mantenerlo cuando cambien las circunstancias. Si el modelo fuera cerrado y estuviera atado a un proveedor, la promesa duraría exactamente lo que duraran las condiciones de ese proveedor. Como los pesos son abiertos y portables, la promesa es nuestra: si mañana cambiara la postura de un host, podríamos llevar el mismo modelo a otro proveedor soberano europeo sin pedir a nuestros clientes que acepten un producto distinto.

Los pesos abiertos también encajan bien con el Reglamento Europeo de IA (AI Act). Los modelos publicados bajo licencias libres y de código abierto reciben exenciones parciales de algunas obligaciones de los proveedores de IA de propósito general y — más útil en el día a día — los pesos abiertos mejoran materialmente la auditabilidad. La versión exacta se puede fijar, inspeccionar, someter a red team y reproducir. Una API cerrada puede cambiar bajo tus pies sin decir nada.

El contrapeso honesto

Los pesos abiertos no salen gratis, y no encabezan todas las clasificaciones.

En el uso agéntico de herramientas multivuelta más exigente, los modelos propietarios más potentes siguen por delante. En tau-bench retail, gpt-oss-120b obtiene 67,8 frente a una referencia de GPT-4o de 60,4-61,2 — respetable —, mientras que Claude Sonnet 4 reporta 80,5, medido con extended thinking más un añadido al prompt según la propia nota al pie de Anthropic. Claude Sonnet 4.5 reporta 86,2 en tau-2-bench, que es un benchmark distinto y no directamente comparable. Esas matizaciones importan, pero el titular también: en cadenas agénticas largas, los modelos cerrados de frontera van por delante.

Y la opción de salida tiene su propio precio. Auto-hospedar significa GPUs, planificación de capacidad, ciclos de actualización y alguien de guardia. La mayoría de los equipos no deberían hacerlo — pero deberían poder hacerlo, y saber lo que costaría. Una salida de emergencia que nunca has medido es decoración.

Lo que inclinó la balanza para nosotros es que esa distancia no aprieta en nuestra carga de trabajo. Un asistente de analítica responde preguntas ancladas a tus datos con un inventario de herramientas bien definido; no está ejecutando cadenas autónomas de veinte pasos. Dentro del universo serverless soberano europeo, gpt-oss-120b es el modelo más potente disponible, y los mejores modelos abiertos con tool-calling que quedan fuera de él no tienen ninguna oferta gestionada soberana europea: usarlos de forma limpia implicaría auto-hospedar modelos en el rango de 355B a 1T de parámetros.

La pregunta que hacerle a tu proveedor

No «¿tu modelo es open source?». Eso invita a una respuesta filosófica. Haz la operativa: si necesitara irme, ¿cuánto me costaría y qué notarían mis clientes?

Si la respuesta es «un redespliegue, y nada», la relación es una elección. Si es «una reescritura, y todo», es una dependencia del proveedor (lock-in) — y las dependencias acaban teniendo precio, antes o después.

El razonamiento detrás de nuestra elección de modelo está documentado en la auditoría de selección de modelo de Seal AI, y la arquitectura que lo rodea, en la documentación de arquitectura de IA privada.