IA open source en la empresa: licencias y ahorro real

IA open source en la empresa: lo que permite cada licencia de modelo abierto, cuánto ahorra frente a las API y por qué sus reglas se van a endurecer.

Conceptos
Actualizado el
11 min de lectura

El 3 de noviembre de 2026, Duolingo explicó que el coste de una videollamada con su IA había pasado de unos 0,30 $ a «well under $0.01», «mainly by moving to open-source models or open-weight models». Unos días antes, Pinterest anunciaba un coste por transacción inferior al 8 % del de los modelos cerrados comparables, y Revolut contaba que había reducido su factura de programación asistida por IA a aproximadamente una décima parte de lo que le costaban Claude Code y Codex. En los tres casos, fue un modelo de IA open source lo que bajó la factura.

Los presupuestos de IA, en cambio, se disparan. Según Menlo Ventures, las empresas han gastado en IA 4,7 veces más que en 2025, cuando preveían 1,9 veces más. En Tinder, según su director técnico, el gasto anualizado en IA pasó de 1 a 10 millones de dólares entre enero y julio. Y cada puesto equipado con Microsoft 365 Copilot Business cuesta 21 $ al mes. Un modelo abierto se descarga, se aloja donde se quiera y se paga al precio de la infraestructura. Pero lo que se tiene derecho a hacer con él lo dice su licencia, no la palabra «open source».

Para una dirección de sistemas, pasar a un modelo abierto plantea, por tanto, dos preguntas: cuánto se va a ahorrar y si la licencia ofrece el nivel de protección esperado, tanto en el plano jurídico como en el de la continuidad. Nuestra respuesta: el ahorro es real, pero se apoya en un texto que el editor puede endurecer en la versión siguiente. Varios editores ya lo hacen con sus modelos estrella, así que la licencia de un modelo debe gestionarse como un contrato.

Escribimos «IA open source» (o IA de código abierto) porque es el término que todo el mundo usa, pero es inexacto: estos modelos publican sus pesos, no sus datos ni su código de entrenamiento. «Open weight» (de pesos abiertos) es el término correcto, como explicamos en nuestro artículo sobre la diferencia entre open source y open weight.

¿Cuánto ahorran las empresas con la IA open source?

Las cifras publicadas en 2026 impresionan, pero son declaraciones: cada empresa habla de sí misma, sobre su propio perímetro, sin detallar su cálculo.

EmpresaLo que declaraPerímetro
DuolingoDe 0,30 $ a menos de 0,01 $ por llamada (3 de noviembre de 2026)Videollamadas con la IA
PinterestCoste por transacción por debajo del 8 % de los modelos cerrados (29 de octubre de 2026)IA visual, modelos abiertos postentrenados internamente
RevolutAproximadamente una décima parte del coste de Claude Code o Codex (octubre de 2026)Programación asistida para unos 2.000 ingenieros, GLM autoalojado
AT&THasta un 56 % menos, con una calidad un 2 % inferior (agosto de 2026)Código y algunas tareas avanzadas, 40 % de las peticiones hacia modelos abiertos

Pinterest es el caso más sólido: su consejero delegado mantiene el mismo discurso desde hace un año, desde la «orders of magnitude reduction in cost» de noviembre de 2025 hasta el 8 % de octubre de 2026. Revolut es el más discutible: la comparación enfrenta una factura de API a un coste de inferencia en 56 GPU B200 que el banco explota por su cuenta, y la cifra presentada no dice nada del precio del hardware ni del equipo que lo hace funcionar. AT&T, por último, habla de algunas tareas, no de toda su factura.

En Vercel, cuya pasarela canaliza las llamadas de numerosos clientes, los modelos abiertos representan el 71,5 % de los tokens pero el 22,6 % del gasto en septiembre de 2026. Menlo Ventures mide un 19 % de los tokens de las empresas para un 4 % de su gasto. Dicho de otro modo, el modelo abierto se queda con el volumen y el modelo cerrado conserva los casos difíciles. Duolingo lo dice con todas las letras: «There are some small cases where a frontier model's still needed». El ahorro viene del enrutamiento, más que de una sustitución completa.

¿Un modelo abierto cuesta realmente menos que una API cerrada?

Con un modelo bajo Apache 2.0, ningún editor se lleva su parte: varios proveedores de alojamiento en competencia lo sirven y facturan el cálculo. En octubre de 2026, el mismo Qwen 3.8 27B costaba 0,40 € por millón de tokens de entrada y 2,70 € de salida en OVHcloud, y 0,60 € / 3,30 € en Scaleway, ambos en Francia.

A igual nivel, la diferencia no es la que se imagina. En la clasificación de Artificial Analysis del 10 de noviembre (versión 5.0.1 de su índice), Qwen 3.8 27B obtiene 20 puntos. Los modelos cerrados de nivel equivalente son los modelos pequeños de los grandes editores, y se facturan más baratos:

ModeloProveedorPrecio por millón de tokens (entrada / salida)Índice Artificial Analysis v5.0.1
Qwen 3.8 27B (razonamiento máximo)OVHcloud, Francia0,40 € / 2,70 €20
GPT-6 Luna (razonamiento «high»)OpenAI0,10 $ / 0,50 $21
Claude Haiku 5.5 (razonamiento «low»)Anthropic0,10 $ / 0,50 $19
Claude Sonnet 5.5 (razonamiento «low»)Anthropic2 $ / 10 $26

Por token y a igual nivel, un modelo cerrado pequeño cuesta hoy más de cinco veces menos en salida que Qwen 3.8 27B servido en Francia. La diferencia real es incluso mayor, porque Qwen 3.8 27B razona largo: Artificial Analysis le vio producir 128 millones de tokens para completar su índice, frente a 77,7 millones de mediana.

Estos precios son recientes. OpenAI lanzó GPT-5.6 Luna el 9 de julio de 2026 a 1 $ por millón de tokens de entrada y 6 $ de salida, y luego lo rebajó a 0,20 $ / 1,20 $ tres semanas después. El 22 de septiembre, GPT-6 Luna llegó a 0,10 $ / 0,50 $: en menos de tres meses, el precio de salida del modelo pequeño de OpenAI se dividió por doce. Anthropic siguió el 7 de octubre con Claude Haiku 5.5, facturado un 90 % menos que Haiku 4.5 para las peticiones de menos de 100.000 tokens, y alrededor de un 75 % menos de media según el editor, porque su nuevo tokenizer trocea un mismo texto en más tokens. OpenAI atribuye su bajada a mejoras de eficiencia. Nosotros vemos también una respuesta a los modelos abiertos pequeños, que se estaban quedando con el volumen de las tareas sencillas al precio del alojamiento. La competencia de los modelos abiertos ha hecho bajar, ante todo, el precio de los modelos cerrados.

Los ahorros de Duolingo o de Pinterest vienen de otra parte. Comparan un modelo abierto con modelos punteros, mucho más caros, en tareas que no los necesitaban; o, como en Revolut, se apoyan en GPU explotadas de forma continua. Para una empresa que paga por token, el ahorro viene primero del nivel de modelo adecuado para cada tarea, sea abierto o cerrado.

La ventaja del modelo abierto tiene que ver, por tanto, menos con el precio de catálogo que con el control. Un modelo abierto puede alojarse donde se quiera: en un operador europeo, en el propio centro de datos o en servidores sin conexión al exterior. Se elige así quién ve los datos y qué derecho se aplica, la cuestión central de la soberanía de la IA. Se puede afinar con el vocabulario del propio sector, mantiene el mismo comportamiento mientras no se cambie y se sustituye sin renegociar un contrato. Las formas de ejecutarlo, desde la compra de GPU hasta la API de un proveedor de alojamiento, se comparan en nuestro artículo sobre la inferencia de IA en la empresa, y el coste completo de una instalación en servidores propios en nuestro artículo sobre los LLM on premise.

¿Qué permite realmente cada licencia de IA open source?

Una licencia de modelo es el contrato que acompaña a los pesos publicados: dice quién puede utilizarlos, para qué y en qué condiciones. Se lee en el archivo LICENSE del repositorio, no en el resumen de la página: en Mistral, el techo de facturación de Timestral figura en ese archivo, no en la presentación del modelo. Las licencias de los modelos abiertos se agrupan en cuatro familias, de la más permisiva a la más restrictiva.

Apache 2.0 y MIT: casi todo está permitido

Las licencias Apache 2.0 y MIT proceden del software libre. Autorizan el uso comercial, la modificación, el ajuste fino y la redistribución, a condición de conservar los avisos de licencia. Apache 2.0 añade una licencia sobre las patentes y se declara «perpetual» e «irrevocable»: una versión descargada con esta licencia la conserva.

Es el régimen de Qwen 3.8 27B, de Gemma 4 en Google, de gpt-oss en OpenAI, de Mistral Small 4 y de Mistral Large 3. DeepSeek publica sus modelos recientes con licencia MIT. OVH anunció el suyo, Olala mini, con Apache 2.0 el 17 de noviembre de 2026, con unos pesos previstos en Hugging Face el 19 de noviembre; lo analizamos en nuestro artículo sobre Olala mini. Para una empresa, es el caso sencillo: ni umbral que vigilar ni contrato que negociar.

Una variante añade una obligación de visibilidad. La licencia de Kimi K2, una MIT modificada, obliga a mostrar «Kimi K2» en el producto por encima de 100 millones de usuarios activos mensuales o de 20 millones de dólares de facturación mensual. La restricción afecta a la imagen, el uso sigue siendo libre.

Llama: una licencia comunitaria que excluye a Europa

Meta publica Llama con su propia licencia. La licencia de Llama 4 obliga a mostrar «Built with Llama», a que el nombre de todo modelo derivado distribuido empiece por «Llama» y a pedir una licencia a Meta por encima de 700 millones de usuarios activos mensuales. Se rige por el derecho de California, y Meta puede ponerle fin en caso de incumplimiento: entonces hay que eliminar los modelos.

Para un lector europeo, el punto decisivo está en la política de uso a la que remite la licencia. Para los modelos multimodales de Llama 4, los derechos no se conceden a una empresa «with a principal place of business in the European Union». Ahora bien, todos los modelos Llama 4 son multimodales. Una empresa con sede principal en la UE no puede desplegar Llama 4 por su cuenta; solo puede utilizar un producto de terceros que lo integre.

Mistral Large 4, Qwen, Meta Muse: un contrato para revender el modelo como servicio

Una familia más reciente deja libre el uso interno, pero reserva la reventa del modelo como servicio de inferencia, el «Model as a Service». Dar a un tercero acceso directo al modelo, por ejemplo mediante una API, exige entonces un contrato con el editor.

  • La licencia de Mistral Large 4, publicado el 29 de octubre de 2026, exige una licencia comercial aparte a toda empresa cuyo grupo explote una actividad de Model as a Service. El uso interno queda exento, igual que los productos que integran el modelo en sus propias funciones.
  • La Qwen Community License de Qwen 3.8 Flash-Next, presentado por Alibaba como un adelanto de la arquitectura de Qwen 4, va más lejos: la licencia aparte se aplica también a un «AI Work Assistant», un producto diseñado principalmente para la programación o la ofimática asistidas por IA.
  • La Muse Model License del gran modelo abierto de Meta, publicado el 15 de octubre de 2026, impone un acuerdo aparte para un servicio de inferencia por encima de 20 millones de dólares de facturación en doce meses.

Para una empresa que despliega un asistente para sus empleados, estas licencias no cambian nada. Para un editor de software, un proveedor de alojamiento o una consultora tecnológica que revende acceso a los modelos, cambian el modelo de negocio.

Mistral Medium 3.5: un techo de facturación

La familia más restrictiva retira todos los derechos por encima de un tamaño de empresa. La licencia de Mistral Medium 3.5, una «MIT modificada», no se aplica si la facturación mensual consolidada de tu grupo supera los 20 millones de dólares, es decir, unos 240 millones al año. La restricción cubre también los modelos derivados. Por encima, hay que pedir una licencia comercial a Mistral, que la concede «at its sole discretion». Devstral 2 y Timestral llevan la misma cláusula. Una pyme puede usarlo libremente; un gran grupo no puede, ni siquiera internamente.

La tabla operativa

Esta es nuestra lectura de los textos, que no sustituye la opinión de un jurista:

UsoApache 2.0, MIT (Qwen 3.8 27B, Gemma 4, gpt-oss, DeepSeek)Llama 4 Community LicenseCláusula de servicio de inferencia (Mistral Large 4, Qwen Community, Muse)Techo de facturación (Mistral Medium 3.5)
Asistente interno para los empleadosLibreExcluido si la sede principal está en la UELibreLibre por debajo de 20 M$ de facturación mensual, contrato por encima
Función de IA en tu productoLibre«Built with Llama», fuera de la UELibre; contrato con Qwen si el producto es un asistente de programación u ofimáticaSegún la facturación
Afinar, destilar, redistribuir un derivadoLibre, conservando los avisosNombre del derivado empezando por «Llama»Libre, derivado sujeto a la misma cláusulaDerivado sujeto al techo
Revender el acceso al modelo (API)LibreLibre por debajo de 700 M de usuariosContratoContrato por encima del techo

Queda la destilación: entrenar un modelo pequeño con las respuestas de uno grande está permitido por las licencias abiertas, con sus condiciones de nombre o de umbral. Las condiciones de las API cerradas, en cambio, lo prohíben: las de Anthropic proscriben utilizar sus servicios «to train competing AI models».

¿Se van a endurecer las licencias de los modelos abiertos?

Nuestra convicción: sí, en los editores que tienen medios para ello, y por la gama alta. Las señales de 2026 dibujan todas el mismo esquema: el modelo pequeño se queda en Apache 2.0 para alimentar el ecosistema, el modelo estrella pasa a licencia propia.

Los textos ya prevén con qué endurecer las reglas. La política de uso de Llama remite a «the most recent copy of this policy», un documento que Meta puede modificar. La de Falcon «may be updated from time to time». La licencia abierta de NVIDIA prevé que «NVIDIA may update this Agreement … at any time», y al usuario le toca cumplirla o dejar de usarla.

El software ya vivió este escenario. MongoDB abandonó su licencia libre en 2018 porque era «too easy for cloud vendors … to capture all of the value», Elastic abandonó Apache 2.0 en 2021 y HashiCorp cambió la licencia de Terraform en 2023. Cada vez, el objetivo era la reventa como servicio por parte de terceros, exactamente lo que buscan las nuevas licencias de modelos. La última versión abierta, en cambio, siguió siendo utilizable: OpenTofu nació de la última versión libre de Terraform.

Los contrapuntos son serios. No hemos encontrado ningún caso de licencia retirada sobre una versión ya publicada: los cambios afectan a las versiones siguientes. El movimiento inverso también existe: Google pasó a Apache 2.0 con Gemma 4, DeepSeek y Z.ai pasaron a MIT con DeepSeek V3 y GLM-4.5, y NVIDIA adoptará la licencia abierta OpenMDW para sus próximos modelos. En Francia, OVH, cuyo presidente afirma en su comunicado que ya no quiere depender de «la generosidad de ciertos Labs» (traducción propia), publica su primer modelo, Olala mini, con Apache 2.0. El Gobierno de Estados Unidos fomenta los modelos abiertos desde julio de 2025, y el proyecto chino de control de las exportaciones excluye lo que ya se ha publicado en open source. Mientras haya laboratorios competidores que publiquen con Apache 2.0 modelos cercanos al estado del arte, un editor que cierre demasiado pierde a su público. El endurecimiento apunta, por tanto, a los modelos estrella y a la reventa como servicio; los modelos de tamaño medio, los que despliega la mayoría de las empresas, deberían seguir abiertos más tiempo.

Lo que puede retener una dirección de sistemas

Salvo incumplimiento por tu parte, la versión que utilizas hoy seguirá siendo utilizable. Es la siguiente, la que necesitarás dentro de un año, la que puede llegar con otras condiciones. El despacho Cooley aconseja prever planes de contingencia ante los cambios de licencia y recuerda que un modelo autoalojado puede no beneficiarse de ninguna garantía del editor. En concreto:

  1. Leer el archivo de licencia y la política de uso, no la ficha del modelo, con el servicio jurídico. Comprobar los umbrales a nivel de grupo (facturación consolidada, filiales) y el modelo de negocio: una consultora tecnológica o un editor no tiene las mismas restricciones que un banco que equipa a sus empleados.
  2. Archivar los pesos, la licencia y la política de uso con fecha, junto con el identificador exacto de la revisión descargada. Si el repositorio cambia, se conserva la prueba de lo que se concedió.
  3. Congelar la versión en producción. Toda nueva versión vuelve a pasar por una lectura de la licencia antes de desplegarse.
  4. Mantener una alternativa con Apache 2.0 o MIT, ya probada con las propias preguntas. Si un editor endurece sus condiciones, se cambia.
  5. Hacer que el modelo sea sustituible: una API compatible con OpenAI, una pasarela entre la aplicación y los modelos, un conjunto de preguntas de referencia. Cambiar de modelo debe llevar un día, no un proyecto.
  6. Elegir el proveedor de alojamiento con el mismo cuidado que la licencia. Un modelo abierto servido por un proveedor cuya matriz está fuera del Espacio Económico Europeo sigue expuesto al derecho de ese país. Para el alojamiento, OVHcloud; para la inferencia europea, Scaleway.

Un último recordatorio: el modelo más barato sigue siendo el que no se llama. La IA solo sirve donde la tarea no es determinista; en lo demás, un algoritmo es más fiable y más sobrio, como explicamos en nuestro artículo sobre la automatización sin IA superflua.

En ATG utilizamos muchos modelos abiertos. Qwen 3.8 27B redacta las respuestas a los mensajes de nuestros usuarios y sirve de modelo para nuestro benchmark FinanceBench, y calculamos nuestros embeddings con Qwen 3 Embedding 8B. Una empresa que no quiera ocuparse de las licencias también puede apoyarse en nosotros: nuestra plataforma elige y opera los modelos, con una facturación a tanto alzado por mensaje o por usuario.

Preguntas frecuentes

¿Puede una empresa europea utilizar Llama 4?

No directamente. La política de uso de Llama 4, integrada en su licencia, no concede los derechos sobre sus modelos multimodales a las empresas con sede principal en la Unión Europea, y todos los modelos Llama 4 son multimodales. En cambio, la empresa puede utilizar un producto de terceros que integre Llama 4: la restricción no se dirige a los usuarios finales. Los modelos con Apache 2.0, como Qwen 3.8 27B, Gemma 4 o Mistral Small 4, no tienen ese límite.

¿Puede un editor retirar la licencia Apache 2.0 de un modelo ya publicado?

No. El texto de la Apache 2.0 concede una licencia perpetua e irrevocable: una versión descargada con esta licencia sigue pudiendo usarse, modificarse y redistribuirse, aunque el editor publique la siguiente con otras condiciones. La única excepción es la licencia de patentes, que decae si uno mismo demanda al editor por infracción de patente. De ahí el interés de archivar los pesos y el archivo de licencia de la versión desplegada.

¿Qué es una cláusula «Model as a Service» en una licencia de modelo?

Es una cláusula que exige un contrato con el editor para dar a terceros acceso directo al modelo, por ejemplo revendiéndolo por API como servicio de inferencia. Aparece en las licencias de Mistral Large 4, en la Qwen Community License y en la del gran modelo abierto de Meta. El uso interno sigue siendo libre, y los productos que integran el modelo en sus propias funciones suelen quedar fuera de la cláusula.

¿Un modelo open source cuesta menos que la API de OpenAI?

No necesariamente. El 10 de noviembre de 2026, Qwen 3.8 27B alojado en Francia en OVHcloud costaba 0,40 € por millón de tokens de entrada y 2,70 € de salida, mientras que GPT-6 Luna de OpenAI, de nivel comparable en el índice de Artificial Analysis, costaba 0,10 $ y 0,50 $. Los ahorros anunciados por las empresas vienen sobre todo de sustituir modelos punteros en tareas sencillas y del autoalojamiento a gran escala. El modelo abierto conserva la ventaja del control: elección del proveedor de alojamiento, versión congelada, reversibilidad.

Las empresas que más ahorran suelen mantener un modelo cerrado para los casos difíciles; su fuerza es poder cambiar de modelo sin dolor. Esa capacidad también protege de un endurecimiento de licencia. Antes de elegir un modelo para 2027, mediríamos, por tanto, una sola cosa: cuánto tiempo necesitas para cambiarlo.

Partager :

Artículos relacionados

IA y matemáticas: cuando verificar cuesta más que producirConceptos

IA y matemáticas: cuando verificar cuesta más que producir

OpenAI publicó 722 manuscritos de matemáticas de golpe y los matemáticos ya no dan abasto. Su crisis muestra hacia dónde se desplaza el trabajo.

10 min
Elige un número del 1 al 10: por qué la IA dice 7Conceptos

Elige un número del 1 al 10: por qué la IA dice 7

Pedimos 14.000 veces un número del 1 al 10 a siete IA. Cinco responden 7 casi siempre, sea cual sea la temperatura. ¿De dónde viene este sesgo de la IA?

9 min
Mixture of experts (MoE) o modelo denso: guía sencillaConceptos

Mixture of experts (MoE) o modelo denso: guía sencilla

Mixture of experts (MoE) o modelo denso: cómo funciona cada arquitectura, qué cambia para tus GPU, la velocidad y el precio, y cuál conviene elegir.

8 min

¿Te interesan nuestras soluciones?

Mira cómo Ask This Guy puede acelerar tus proyectos de IA

Reservar una demo