«Abierto» en IA no significa lo que crees: cómo comprobarlo tú mismo

Imagina que eres un desarrollador en Madrid y llevas semanas construyendo un prototipo sobre Llama 4, el modelo de Meta. Todo el marketing lo llama «modelo de pesos abiertos»: te lo descargas, lo ejecutas en tu propio servidor, lo modificas a tu gusto. Un día abres la licencia completa —no el resumen que circula en redes, el documento— y encuentras esta frase, aplicada a las versiones multimodales del modelo: los derechos de uso «no se conceden si eres un individuo domiciliado, o una empresa con sede principal, en la Unión Europea». No es un bloqueo técnico ni una consecuencia del AI Act europeo: es una cláusula que Meta escribió en su propio contrato. «Abierto», para ti, tenía una frontera que nadie te había señalado.

Esto le pasa a más gente de la que crees, y no es exclusivo de Meta. «Abierto» se ha convertido en el adjetivo de moda de la inteligencia artificial —lo usan todos los laboratorios, y casi ninguno lo define igual— y confundir sus variantes tiene consecuencias reales: proyectos que asumen libertad total y chocan con una cláusula de escala, equipos que descubren tarde que «pesos abiertos» no incluye ni los datos ni la receta con la que se entrenó el modelo. La capacidad que necesitas no es memorizar qué modelo es «el más abierto» este mes —eso cambia constantemente—, sino saber leer cualquier anuncio de apertura y comprobarlo por ti mismo, con el documento delante.

Qué significa realmente "abierto" en IA

Durante décadas, «código abierto» tuvo una definición estable: la de la Open Source Initiative (OSI), pensada para software convencional. La inteligencia artificial la puso en crisis. ¿Qué significa "abrir" un sistema cuando lo decisivo no es tanto el código como los pesos —los miles de millones de números que el modelo aprendió durante el entrenamiento— y los datos con los que se generaron? La OSI respondió en octubre de 2024 con la Open Source AI Definition (OSAID) 1.0, que fija tres piezas que deben publicarse bajo términos que permitan usar, estudiar, modificar y compartir el sistema sin pedir permiso:

• Los parámetros del modelo (los pesos, o su configuración equivalente).
• El código completo usado para entrenarlo y ejecutarlo.
• Información suficientemente detallada sobre los datos de entrenamiento, de modo que una persona con la formación adecuada pueda construir un sistema sustancialmente equivalente.

Fíjate en la exigencia del tercer punto: no basta con decir «se entrenó con datos de internet»; hace falta detalle suficiente para reconstruirlo. Es la pieza que casi ningún laboratorio grande cumple, y también la más fácil de pasar por alto cuando lees un titular que dice, sin más, «modelo abierto».

El caso Llama: pesos sí, receta no

Llama es el ejemplo más visible, así que sirve de mapa para los demás. Su licencia concede permiso amplio para usar, modificar y redistribuir el modelo —pero con condiciones que ninguna licencia de código abierto real lleva. La más citada: si los productos de tu empresa superan los 700 millones de usuarios activos mensuales, no puedes usar Llama sin pedir una licencia aparte a Meta, que la empresa «puede conceder a su entera discreción». Y como viste al principio, las versiones multimodales excluyen directamente a cualquier individuo domiciliado o empresa con sede en la Unión Europea, sin que importe su tamaño.

Aquí conviene una pausa sobre cómo se investiga esto, porque es parte de la propia lección. Varias fuentes que circulan por redes sociales aseguran que la licencia de Llama prohíbe usar sus resultados para entrenar modelos rivales. Leída la licencia palabra por palabra —no un resumen, el texto legal—, eso no es lo que dice: si usas las salidas de Llama para entrenar otro modelo y lo distribuyes, tienes que poner «Llama» al principio de su nombre. Es una exigencia de atribución, no una prohibición. La diferencia importa, y es exactamente el tipo de matiz que se pierde cuando se repite lo que alguien dijo que decía la licencia, en vez de abrir el documento y comprobarlo.

Lo que Llama no incluye, en cambio, es el corpus de entrenamiento ni el código con el que se generó: recibes el modelo ya cocinado, no la receta ni la lista de ingredientes. Por eso Amanda Brock, directora de la organización británica OpenUK, ha sido tajante: Llama «no cumple el estándar de código abierto» de la OSI, entre otras razones, por las restricciones comerciales de su propia licencia.

El contraejemplo: qué es de verdad abierto

Para que el contraste no quede en lo abstracto, sirve un caso que sí cumple los tres requisitos de la OSAID. OLMo 2, el modelo del Allen Institute for AI (AI2), se publica con los pesos, el código de entrenamiento, los checkpoints intermedios y —esto es lo inusual— el propio conjunto de datos: Dolma, un corpus abierto de unos tres billones de tokens de páginas web, artículos académicos, código y libros, con licencia que permite reutilizarlo libremente. Todo publicado bajo Apache 2.0, sin umbrales de usuarios ni exclusiones geográficas. AI2 lo resume con una frase que bien podría ser el titular de este artículo: «la ciencia abierta de verdad exige más que pesos abiertos».

Nadie te pide que uses OLMo en vez de Llama —son modelos de capacidad distinta, para necesidades distintas—. El valor de tenerlo presente es otro: te da el extremo del espectro contra el que medir cualquier anuncio de «apertura» que leas a partir de ahora. Y el mismo ejercicio vale para Mistral, Gemma, DeepSeek o el próximo laboratorio que use la palabra: ninguna de las preguntas que vienen a continuación depende de cuál sea el líder este mes.

Por qué la apertura casi siempre es parcial

Conviene entender el incentivo, porque explica el patrón. Los pesos de un modelo son su activo más caro de producir y su principal ventaja competitiva; publicarlos ya es una concesión notable, y casi siempre estratégica —abrir el modelo capta desarrolladores, y la personalización o el soporte alrededor de ese modelo es donde el laboratorio espera ingresar—. Publicar además los datos de entrenamiento completos es un paso distinto: expone decisiones editoriales sobre qué se incluyó y qué no, riesgos legales sobre derechos de autor, y la posibilidad de que un competidor reconstruya el sistema entero sin haber pagado el entrenamiento. Por eso la mayoría de los laboratorios se detienen en los pesos. No es necesariamente mala fe; es que la última milla de la apertura cuesta mucho más que las dos primeras.

Las tres preguntas que debes hacerte

Esta es la parte que te sirve dentro de un año, cuando sea otro laboratorio el que anuncie un modelo «abierto». Antes de repetir el adjetivo, comprueba:

1. ¿Qué se publica exactamente? ¿Pesos, código de entrenamiento, datos —o solo lo primero? Cada pieza que falta es una pieza que tú no puedes auditar ni reproducir por tu cuenta.
2. ¿Bajo qué licencia, y qué condiciona? Busca umbrales de usuarios, exclusiones por país o sector, y cláusulas de atribución obligatoria. Casi nunca están en el anuncio; están en un documento aparte que hay que abrir.
3. ¿Cumple una definición formal, o es un adjetivo de marketing? La Open Source AI Definition de la OSI es el rasero público disponible; si un modelo no cumple sus tres piezas, «abierto» describe una intención, no un hecho verificable.

Ninguna de las tres preguntas exige saber programar. Exigen leer un documento legal en vez de un titular, y eso lo puede hacer cualquiera con diez minutos y el enlace correcto.

Compruébalo tú mismo

No hace falta que confíes en este artículo: la licencia de Llama 4 está publicada íntegra, la Open Source AI Definition también, y el anuncio de OLMo 2 explica exactamente qué se libera y bajo qué términos —los tres enlazados más arriba, en el punto donde se citan—. La próxima vez que un titular diga que un modelo de IA «es abierto», esa es la comprobación de diez minutos que separa saberlo de verdad de haberlo leído en algún sitio.