La industria de la inteligencia artificial se encuentra en un punto de inflexión donde la ecuación de coste-beneficio está reescribiéndose. Durante la presentación de los resultados financieros de IBM, el CEO Arvind Krishna afirmó que los modelos de pesos abiertos (open-weights) ofrecen aproximadamente el 90% del rendimiento de los modelos de frontera a un coste entre el 10% y el 25% inferior. Esta afirmación, que ha generado debate entre analistas y expertos técnicos, sugiere que la estrategia de las grandes tecnológicas de dejar de depender exclusivamente de las APIs de pago más caras está cambiando. Según Krishna, la brecha de rendimiento entre los modelos cerrados y los abiertos, que en 2024 era de 70 puntos frente a 20 o 30, se ha reducido drásticamente hasta alcanzar niveles comparables en tareas empresariales cotidianas.
El concepto de 'pesos abiertos' es fundamental para entender este cambio. Los pesos son los parámetros numéricos que definen el comportamiento de un modelo de IA. Cuando una empresa los publica, otros pueden descargarlos y ejecutarlos en infraestructura propia, aunque esto no garantiza que se conozcan los datos de entrenamiento ni que el código fuente sea accesible. La Open Source Initiative aclara que tener pesos abiertos no equivale necesariamente a tener un modelo de código abierto, pero sí permite un mayor control sobre el despliegue y la privacidad de los datos corporativos. IBM, que desarrolla su propia familia de modelos Granite y mantiene alianzas estratégicas como la de OpenAI, ha posicionado esta narrativa como una ventaja competitiva clave para las empresas que buscan optimizar sus gastos operativos.
El análisis de los costes revela una dinámica compleja. Por un lado, los modelos abiertos permiten ejecutar el software en racks propios, lo que implica inversión en hardware, electricidad y personal especializado. Sin embargo, para cargas de trabajo de alto volumen, el ahorro en tokens puede superar con creces el coste de la infraestructura. Por otro lado, para tareas de bajo volumen o uso esporádico, contratar una API de un proveedor especializado sigue siendo más económico. Krishna argumenta que muchas tareas empresariales, como la redacción de correos, la revisión de contratos o la atención al cliente, pueden resolverse con la misma calidad usando alternativas más baratas, lo que desincentiva el uso constante de los modelos más costosos.
No obstante, las cifras de IBM no están aisladas y deben contextualizarse con otros informes. En mayo de 2026, la OCDE publicó un informe que situaba a los modelos de pesos abiertos en torno al 90% del índice de calidad de las alternativas cerradas, pero con un precio equivalente al 20% en servicios en la nube. Por su parte, el AI Index 2026 de Stanford señala que, en marzo, el mejor modelo cerrado superaba en un 3,3% la puntuación del mejor de pesos abiertos en Arena, una clasificación basada en evaluaciones comparativas de usuarios. Estas discrepancias en las métricas (benchmarks vs. benchmarks de usuarios vs. costes reales) reflejan la dificultad de establecer una equivalencia universal de capacidades. La elección entre un modelo cerrado y uno abierto depende de la complejidad de la tarea, la necesidad de fiabilidad absoluta y la capacidad de la empresa para gestionar su propia infraestructura.
El impacto de esta tendencia trasciende a IBM. La narrativa de que la IA abierta es viable y eficiente está ganando tracción en el sector. Nvidia, por ejemplo, ha lanzado nuevos modelos de embebido y análisis con pesos abiertos para mejorar los flujos de trabajo agénticos RAG (Retrieval-Augmented Generation), mientras que la comunidad de desarrolladores, liderada por figuras como Linus Torvalds, ha comenzado a cuestionar la calidad del código generado por IA, aunque aceptan su utilidad para desarrolladores competentes. La tendencia apunta a un mercado más fragmentado y matizado, donde las empresas no buscan el 'mejor' modelo, sino el 'equilibrio' adecuado entre capacidades, costes y control. El futuro de la IA empresarial no será una carrera por el modelo más potente, sino una optimización constante de recursos, donde los modelos abiertos dejarán de ser una alternativa de nicho para convertirse en una opción estándar para una gran parte de las aplicaciones corporativas.