Durante años, el mapa de los grandes modelos de lenguaje (LLM) se entendía con una regla simple: lo más capaz vivía detrás de una API, y lo “abierto” servía para experimentar, abaratar o investigar. En 2026, esa frontera se ha movido. No porque los modelos de código abierto hayan copiado el camino de los laboratorios cerrados, sino porque el valor está migrando hacia otra pregunta: quién puede desplegar Inteligencia Artificial de alto nivel donde vive el dato, con control de costes, latencia y cumplimiento.
La industria llega a este punto con un cóctel de fuerzas muy reconocible: presión por soberanía tecnológica, restricciones de chips, necesidad de operar agentes de Inteligencia Artificial en producción y un hartazgo creciente con la volatilidad económica de ciertos despliegues en nube cuando la inferencia se vuelve permanente. En ese terreno, los modelos abiertos (y, de forma más precisa, los de pesos abiertos) han dejado de ser un “plan B” para convertirse en una pieza estratégica.
China acelera el ciclo abierto: DeepSeek y la ola de modelos “low-cost”
El fenómeno más disruptivo en este cambio de ciclo ha venido de China. Reuters describe cómo, un año después del “shock” provocado por DeepSeek con un modelo de bajo coste y orientación open-source, el sector se prepara para una nueva oleada de lanzamientos y actualizaciones, con la conversación girando alrededor de accesibilidad, eficiencia y apertura. (Reuters)
En paralelo, Zhipu ha presentado GLM-5, que Reuters define como open-source, con mejoras en tareas de programación y capacidades para agentes de larga duración, además de un relato que subraya entrenamiento con chips domésticos en un contexto de restricciones de exportación. (Reuters)
La lectura geopolítica es evidente: el “modelo abierto” se ha convertido también en una palanca industrial.
El top de 2026 no se entiende sin matices: “código abierto” vs “pesos abiertos”
En el debate público se usa “open-source” como etiqueta general, pero en la práctica conviven licencias y grados de apertura muy distintos. Hay modelos publicados bajo licencias permisivas (como Apache 2.0), otros con términos propios (community licenses) y, en muchos casos, la clave real para empresas no es el “código”, sino poder auditar, alojar y servir los pesos sin depender de un proveedor.
Con esa idea, los modelos que más están influyendo en 2026 se pueden agrupar por perfiles de uso: razonamiento y propósito general, agentes y uso de herramientas, especialización (salud, traducción, voz) y eficiencia para ejecución local.
DeepSeek: MoE a gran escala y una familia ya “industrializada”
DeepSeek se ha consolidado como referencia técnica por su enfoque Mixture-of-Experts (MoE) y por publicar actualizaciones y pesos de forma organizada. La propia documentación del proyecto enumera versiones recientes como DeepSeek-V3.2 (01/12/2025) y releases anteriores, además de ofrecer enlaces a pesos abiertos en Hugging Face. (api-docs.deepseek.com)
En 2026, su peso simbólico es claro: demuestra que se puede competir en rendimiento con arquitecturas eficientes y una estrategia de apertura que acelera ecosistema (fine-tunes, tooling, despliegues).
Qwen: el “default” multilingüe con licencias permisivas
Alibaba empuja Qwen como familia abierta con vocación global, especialmente en multilingüismo y ventana de contexto larga. La cronología pública de Qwen incluye el salto a Qwen3 (familia liberada bajo Apache 2.0) y la disponibilidad a través de repositorios y plataformas de modelos. (Wikipedia)
Para muchas empresas, Qwen se ha convertido en un candidato natural cuando la prioridad es atender varios idiomas con buen rendimiento y sin fricción de licencias, algo crítico en entornos internacionales.
Google Gemma: el “open-weights” con especialización y cadencia de producto
Gemma ha evolucionado desde modelos ligeros a una familia con variantes y herramientas de interpretabilidad. Google mantiene un registro de releases donde aparecen lanzamientos recientes como TranslateGemma (15/01/2026) en tamaños 4B, 12B y 27B, además de actualizaciones vinculadas a Gemma 3. (Google AI for Developers)
La estrategia aquí es distinta: no se trata solo de “un LLM generalista”, sino de un catálogo que aterriza casos concretos (traducción, salud) con una narrativa de control y despliegue.
OpenAI gpt-oss: el giro a pesos abiertos (y la carrera por correr “en local”)
Uno de los movimientos más comentados del ciclo reciente fue la publicación de gpt-oss-120b y gpt-oss-20b por parte de OpenAI bajo licencia Apache 2.0, con el objetivo explícito de facilitar despliegues eficientes y accesibles. (OpenAI)
Medios tecnológicos destacaron que estos modelos están optimizados para ejecutarse en hardware de consumo (por ejemplo, el 20B apuntando a escenarios con memoria más limitada), alimentando el auge del “AI on-prem” y del “AI local” para privacidad y control de costes. (Tom’s Hardware)
NVIDIA Nemotron 3: modelos abiertos pensados para agentes
NVIDIA, tradicionalmente vista como “infraestructura”, también se ha posicionado con modelos abiertos orientados a sistemas agénticos. En diciembre de 2025 anunció la familia Nemotron 3 (Nano, Super y Ultra) como modelos abiertos para construir agentes transparentes y especializados, con arquitectura híbrida MoE y foco en despliegue a escala. (NVIDIA Newsroom)
El mensaje es coherente con el mercado: ya no basta con responder bien; hay que usar herramientas, coordinar sub-agentes y operar flujos.
Mistral: Europa empuja soberanía con modelos abiertos y nueva infraestructura
En el tablero europeo, Mistral aparece como actor clave por su enfoque de modelos abiertos y por un discurso explícito de soberanía. Reuters informó de su inversión de 1.200 millones de euros en centros de datos en Suecia, en una estrategia orientada a reforzar infraestructura independiente en Europa. (Reuters)
En paralelo, la compañía ha publicado modelos como Mistral Small 3 bajo Apache 2.0, reforzando el papel de Europa en el ecosistema de pesos abiertos. (mistral.ai)
El cambio real en 2026: despliegue inteligente, no solo “quién entrenó el modelo”
La conclusión que se impone en 2026 es incómoda para el relato clásico: el liderazgo ya no se mide solo por “el modelo más grande”, sino por capacidad útil por euro, por facilidad de integración y por gobernanza. En producción, pesan detalles muy concretos: trazabilidad, control de datos, latencia, inferencia eficiente, y la habilidad de convertir un LLM en un sistema que trabaja (agentes, herramientas, automatización).
Por eso, el auge de los LLM abiertos está íntimamente ligado a la infraestructura: desde la necesidad de ejecutar inferencia cerca del dato, hasta la búsqueda de economías predecibles para cargas sostenidas. El “centro de gravedad” se ha desplazado: del propietario del modelo al operador que lo despliega con inteligencia.
Preguntas frecuentes
¿Qué diferencia hay entre un LLM de “código abierto” y un LLM de “pesos abiertos”?
En la práctica, “pesos abiertos” significa que la organización puede descargar y alojar el modelo para servirlo en su propia infraestructura. “Código abierto” suele implicar también licencias y condiciones que encajan con definiciones formales, pero el mercado a menudo mezcla ambos términos.
¿Qué modelos de pesos abiertos son más adecuados para desplegar un asistente corporativo on-premise en 2026?
Para entornos on-premise suelen priorizarse familias con licencias permisivas, buen soporte de inferencia y variantes de tamaño: Qwen, Gemma, gpt-oss y varios modelos europeos (como Mistral Small), además de alternativas chinas como DeepSeek según requisitos de idioma y cumplimiento.
¿Por qué los modelos MoE (Mixture-of-Experts) están ganando protagonismo en 2026?
Porque permiten escalar capacidad manteniendo eficiencia: activan una parte del modelo por token, lo que ayuda a reducir coste de inferencia y a sostener despliegues continuos, especialmente cuando se usan agentes y flujos largos.
¿Qué riesgos principales tiene adoptar LLM abiertos en empresa y cómo se mitigan?
Los riesgos suelen estar en gobernanza (quién ve qué), fuga de datos, control de prompts, y mantenimiento del stack de inferencia. Se mitigan con aislamiento de red, control de acceso, auditoría, evaluación de seguridad del modelo y un ciclo de actualización controlado.
