Redactor IA: Eleanor Vale Global Technology Editor

La palabra “abierto” solía implicar un acuerdo sencillo en el software: podías inspeccionar el código, modificarlo y redistribuirlo. En la IA, ese acuerdo se ha desgastado.[10][12] Lo que muchas empresas ahora llaman código abierto a menudo se acerca más a pesos abiertos: acceso suficiente para ejecutar un modelo, pero no para entender completamente cómo fue hecho, de qué aprendió o cuán fielmente puede reproducirse. Esa diferencia no es un juego semántico. Va al núcleo de quién puede auditar los sistemas de IA, quién puede mejorarlos y quién puede reclamar la autoridad moral de la apertura.[1][5][10][12]

La Open Source Initiative lanzó la versión 1.0 de su Definición de IA de Código Abierto en 2024 tras años de consultas.[1][4][7] El grupo buscaba establecer un estándar que vaya más allá de los parámetros del modelo. Bajo ese marco, un sistema debe exponer no solo los pesos, sino también el código usado para construirlo y entrenarlo, el código para la creación del conjunto de datos y los datos completos de entrenamiento o suficiente información para reconstruirlos cuando[4][7] En otras palabras, el debate ya no es si un modelo puede descargarse. Sino si puede estudiarse como un sistema.

La distinción entre pesos abiertos y IA de código abierto es hoy uno de los argumentos definitorios en el campo.[2][10][12] Algunos actores usan “abierto” para significar que los parámetros están ampliamente disponibles. Otros reservan el término para un conjunto más completo de libertades familiares de la era del software. Esa tensión no es solo filosófica. Moldea las expectativas de los desarrolladores, las decisiones de adquisición y el vocabulario que los encargados de la política usan al redactar reglas para el acceso a la IA.[1][3][12] Si la etiqueta se vuelve demasiado elástica, corre el riesgo de decir a los usuarios algo que el sistema mismo no respalda.

Hay una razón práctica para el desvío del lenguaje. Los datos de entrenamiento suelen ser la parte más difícil de compartir.[4][5][11] Algunos conjuntos de datos contienen material propietario, licenciado o sensible que no puede simplemente publicarse sin consecuencias legales o de privacidad.[5][11] Como resultado, muchos proveedores e investigadores se conforman con una divulgación parcial: pesos, quizá algo de código y una descripción del proceso de entrenamiento. Esto puede ser útil, especialmente para ajuste fino y despliegue local, pero queda lejos de la promesa clásica del código abierto. El resultado es un panorama escalonado donde la apertura se vuelve un espectro en lugar de una categoría.

Las implicaciones técnicas son reales. Los pesos del modelo determinan cómo responde una red entrenada a las entradas, y los pesos públicos pueden apoyar el ajuste fino, la adaptación y la inferencia local.[2][8][10] Pero los pesos no son código fuente. No ofrecen la misma visibilidad sobre la arquitectura, las decisiones de entrenamiento, los filtros o la curación de datos. Un modelo puede estar ampliamente disponible y aún así permanecer opaco en los aspectos que más importan para la confiabilidad y responsabilidad.[11][13] Por eso, investigadores y especialistas en políticas tratan cada vez más a los modelos de pesos abiertos como una clase distinta y no como sinónimo de código abierto.

Las apuestas políticas se elevaron cuando los controles de exportación comenzaron a centrarse no solo en chips, sino en los pesos del modelo. El análisis de RAND sobre el Marco de Difusión de Inteligencia Artificial en EE.UU. señala que los nuevos controles apuntan a ciertos pesos de modelos de IA mientras eximen los pesos públicamente disponibles.[3][6][9] Esto convierte la frontera entre acceso público y restringido en parte de la política de seguridad nacional. Es un cambio importante. La apertura ya no se refiere solo a la cultura de desarrolladores. Se está convirtiendo en una cuestión de qué sistemas pueden cruzar fronteras, qué organizaciones pueden alojarlos y dónde pueden desplegarse los modelos más capaces.[3][6][9]

Esto también cambia la estructura de incentivos para los grandes desarrolladores de IA. Las empresas pueden querer el beneficio reputacional de parecer abiertas, el beneficio del ecosistema de atraer desarrolladores y el beneficio comercial de establecer una capa predeterminada de infraestructura alrededor de sus modelos. Al mismo tiempo, quieren evitar las responsabilidades de una divulgación completa. El resultado es un compromiso delicado: suficiente liberación para estimular la adopción, pero no para ceder el control. Ese compromiso puede ser racional para los negocios, pero deja al público con un término más débil que el que la historia del software le otorgó.[1][10][12]

La pregunta sin resolver es cuánta evidencia necesitamos antes de decidir que la palabra “abierto” se ha vuelto engañosa. La respuesta depende de lo que se divulgue efectivamente en cada caso, y las fuentes no dan aún una imagen estable del mercado. Podemos verificar la existencia de una definición formal, la persistencia de liberaciones de pesos abiertos, y el interés político en restringir algunos pesos de modelos.[1][3][4][6] Lo que queda menos claro es si la industria convergerá en un estándar común o seguirá usando la misma etiqueta para niveles de acceso materialmente diferentes. Ese será el punto a observar en futuras revisiones: no solo quién libera modelos, sino exactamente qué liberan.[1][4][6][12]

Para desarrolladores e instituciones, esto no es una disputa de marca. Es una cuestión de gobernanza con consecuencias a largo plazo para la investigación, competencia y responsabilidad pública. Si un modelo se llama abierto, los usuarios asumirán un grado de inspección e independencia que puede no existir. Si los responsables políticos confunden pesos abiertos con código abierto, pueden redactar reglas que no reflejen la realidad técnica. La lección duradera es simple: en IA, la apertura ya no es una propiedad única. Es un conjunto de permisos, divulgaciones y limitaciones, y la industria será juzgada por lo honestamente que los nombre.[1][3][4][6]