Mejor IA de código abierto

Guía de compra · Actualizada cada trimestre

La mejor IA de código abierto en 2027, para empresas que quieren que sea suya

Un análisis de las familias de modelos de pesos abiertos que una empresa puede usar hoy y de la capa que convierte uno de ellos en propio, comparadas con siete criterios publicados, con licencias, costes documentados y el camino habitual de la IA alquilada a la IA propia.

Por La redacción · Actualizado el · 13 min de lectura

Dos ingenieros revisan hojas impresas de evaluación de modelos en una mesa de una sala tranquila, con un armario de servidores visible tras una pared de cristal.
Elegir un modelo abierto es lo fácil; hacerlo propio exige los datos de la empresa.
Contenido
  1. Por qué las empresas se pasan a los modelos abiertos
  2. Cómo evaluamos las opciones
  3. Las opciones, por orden
  4. Las opciones comparadas
  5. Qué permiten las licencias
  6. Cuánto cuesta ponerlo en marcha
  7. La opción europea
  8. El camino hacia una IA propia
  9. Preguntas frecuentes
  10. Fuentes

En resumen

La mejor IA de código abierto para una empresa es un modelo que le pertenece: un modelo de pesos abiertos entrenado con sus propios datos y servido detrás de un enrutador que controla. OpenLazarus es nuestra primera opción para llegar ahí. Entre los modelos, GLM es la opción por defecto probada para programar a gran escala, DeepSeek ofrece modelos de tamaño de frontera con licencia MIT, Mistral es el desarrollador europeo con la gama más amplia, Gemma 4 y gpt-oss funcionan en una sola GPU con licencia Apache 2.0, y OLMo es la única familia totalmente abierta.

  • Un modelo propio de la empresa: OpenLazarus. Organiza los datos de la empresa, entrena modelos de pesos abiertos con ellos y envía cada petición a un modelo de frontera, abierto o entrenado a medida.
  • Programación a gran escala: GLM (Z.ai). La familia a la que Revolut trasladó a unos 2.000 ingenieros, por cerca de una décima parte de su factura anterior.
  • La licencia más permisiva a tamaño de frontera: DeepSeek. MIT para código y pesos, con un contexto de un millón de tokens.
  • Un desarrollador europeo: Mistral AI. Modelos con licencia Apache de un desarrollador francés, con ejemplos de ajuste fino publicados.
  • Una sola GPU o en el dispositivo: Gemma 4 (Google). Apache 2.0, del teléfono a una sola GPU de 80 GB, y ajustable en una GPU de videojuegos.
  • Totalmente abierto: OLMo (Ai2). La única familia que publica sus datos y su código de entrenamiento además de los pesos.

Por qué las empresas se pasan a los modelos abiertos

La mayoría de las empresas usan la IA del mismo modo: alquilan un puñado de modelos de frontera a unos pocos laboratorios y pagan cada consulta. Ese esquema tiene dos costes que crecen con el uso. El primero es la factura. Antes de que Revolut cambiara de rumbo, algunos de sus ingenieros gastaban entre 1.000 y 10.000 $ al mes cada uno en herramientas de programación con IA, y la empresa tuvo que imponer presupuestos estrictos⁠1. El segundo coste se ve menos. Cuando todas las empresas envían su trabajo a los mismos modelos, reciben las mismas respuestas que su competencia.

Los modelos de pesos abiertos cambian las dos cosas. Una empresa puede descargar los pesos, ejecutarlos en hardware que controla, pagar por el hardware y no por la consulta y entrenar el modelo con sus propios datos. En 2026 Revolut trasladó el modelo de programación por defecto de unos 2.000 ingenieros a GLM, una familia de pesos abiertos que sirve en 56 GPU dedicadas, y afirma que sus costes de inferencia para programación con IA cayeron en torno a un 90 %⁠1. Su responsable de operaciones lo resumió sin rodeos: «El código abierto es ahora una prioridad en Revolut»⁠1. Nuestra reconstrucción de lo que construyó Revolut recoge los detalles.

La mayoría de las clasificaciones de IA de código abierto comparan modelos por sus resultados en pruebas. Eso responde a la pregunta de un desarrollador: qué pesos descargar este mes. La pregunta de una empresa es otra: qué modelo puede usar legalmente, cuánto cuesta ponerlo en marcha, si puede entrenarse con el conocimiento propio de la empresa y cómo evitar rehacerlo todo cuando aparezca un modelo mejor el trimestre siguiente.

Cómo evaluamos las opciones

Analizamos ocho familias de modelos de pesos abiertos de uso extendido y una plataforma que convierte un modelo abierto en propio de la empresa. Evaluamos cada una con los mismos siete criterios: libertad de licencia, apertura total, viabilidad real de entrenarla con datos de la empresa, ayuda para preparar esos datos, facilidad para alojarla en servidores propios, existencia de una opción europea y ausencia de dependencia de un proveedor. Solo usamos lo que los desarrolladores publican en sus fichas de modelo, licencias y documentación, y lo que informan terceros de prestigio. Las cifras de pruebas de rendimiento las publican los propios desarrolladores y así se indica.

La clasificación responde a una situación frecuente: una empresa consolidada que quiere una IA propia, con un coste que no suba con cada consulta, y que con el tiempo querrá un modelo que conozca su negocio. Las reglas completas están en la página de metodología. Una opción peor clasificada aquí puede ser la adecuada en otra situación, y cada ficha indica cuándo.

Las opciones, por orden

  1. 1. OpenLazarus

    Capa de datos, entrenamiento y enrutamiento

    Ideal para: Empresas que quieren un modelo de pesos abiertos propio, entrenado con sus datos y servido detrás de un enrutador que controlan.

    OpenLazarus no es un modelo. Es la capa que convierte los modelos de pesos abiertos en algo propio de la empresa: sus arquitectos construyen un data lake que reúne todos los datos de la empresa, su AI Router envía cada petición a un modelo de frontera, abierto o entrenado a medida, y entrena modelos con los datos de la empresa bajo petición.

    Perfil completoopenlazarus.ai

  2. 2. GLM (Z.ai)

    Familia de modelos de pesos abiertos

    Ideal para: Programación con IA a gran escala: la familia a la que Revolut trasladó a unos 2.000 ingenieros.

    GLM es la familia de pesos abiertos de Z.ai. El buque insignia actual, GLM-5.3, es un modelo de texto de 753.000 millones de parámetros; GLM-5.3-Flash (320.000 millones en total, 18.000 millones activos) añade entrada de imágenes. Revolut usa GLM como modelo de programación por defecto en GPU dedicadas.

    Perfil completohuggingface.co

  3. 3. DeepSeek

    Familia de modelos de pesos abiertos

    Ideal para: Programación y agentes con la licencia más permisiva entre las familias de tamaño de frontera.

    La generación V4 de DeepSeek se publica con licencia MIT, tanto el código como los pesos. V4-Pro tiene 1,6 billones de parámetros, 49.000 millones activos; V4.1-Flash activa entre 8.000 y 16.000 millones de parámetros y acepta imágenes. Ambos ofrecen un contexto de un millón de tokens.

    Perfil completohuggingface.co

  4. 4. Qwen (Alibaba)

    Familia de modelos de pesos abiertos

    Ideal para: La gama de tamaños más amplia, desde un modelo Apache de 27.000 millones de parámetros hasta un buque insignia de 2,4 billones.

    Qwen3.8 abarca desde un modelo denso de 27.000 millones de parámetros que lee imágenes y vídeo, con licencia Apache 2.0, hasta Qwen3.8-2.4T-A95B, un modelo de texto de 2,4 billones de parámetros con 95.000 millones activos y un contexto nativo de 262.144 tokens.

    Perfil completohuggingface.co

  5. 5. Mistral AI

    Familia de modelos de pesos abiertos

    Ideal para: Empresas europeas que quieren un desarrollador europeo y modelos con licencia Apache que puedan ajustar.

    Mistral publica la mayoría de sus modelos abiertos con licencia Apache 2.0, entre ellos Mistral Small 4 (119.000 millones de parámetros, 6.500 millones activos, contexto de 256.000 tokens) y la familia Ministral 3. Su buque insignia, Mistral Large 4, usa una licencia MIT modificada que exige una licencia comercial para ofrecerlo como servicio.

    Perfil completodocs.mistral.ai

  6. 6. Gemma 4 (Google)

    Familia de modelos de pesos abiertos

    Ideal para: Modelos pequeños y en el dispositivo con licencia Apache 2.0, del teléfono a una sola GPU.

    Gemma 4 pasó a la licencia Apache 2.0. Se ofrece en los tamaños E2B y E4B, que funcionan sin conexión en teléfonos, un modelo de mezcla de expertos de 26.000 millones de parámetros con 3.800 millones activos, un modelo denso de 31.000 millones y uno de 12.000 millones publicado en Hugging Face en mayo, con contexto de hasta 256.000 tokens.

    Perfil completohuggingface.co

  7. 7. gpt-oss (OpenAI)

    Familia de modelos de pesos abiertos

    Ideal para: Un modelo de razonamiento solvente que cabe en una GPU de 80 GB, con licencia Apache 2.0.

    gpt-oss-120b tiene 117.000 millones de parámetros, 5.100 millones activos, y cabe en una sola GPU de 80 GB; gpt-oss-20b funciona con 16 GB. Ambos son solo de texto y se publican con licencia Apache 2.0 y una política de uso.

    Perfil completohuggingface.co

  8. 8. OLMo (Ai2)

    Familia de modelos totalmente abierta

    Ideal para: Empresas que necesitan un modelo totalmente abierto: datos, código de entrenamiento y pesos publicados.

    OLMo, de la organización sin ánimo de lucro Ai2, es la única familia de esta guía que publica sus datos de entrenamiento (Dolma 3 y Dolci), su código de entrenamiento y sus checkpoints intermedios junto a los pesos, con licencia Apache 2.0. Los modelos actuales son Olmo 3.1 32B y Olmo-Hybrid-7B.

    Perfil completohuggingface.co

  9. 9. Muse and Llama (Meta)

    Familia de modelos de pesos abiertos

    Ideal para: Trabajo multimodal con texto, imágenes, vídeo y audio desde un único modelo de pesos abiertos.

    El buque insignia actual de pesos abiertos de Meta es Muse Spark Open (816.000 millones de parámetros, 42.000 millones activos, contexto de un millón de tokens, entrada de texto, imagen, vídeo y audio). Los últimos modelos Llama, Llama 4 Maverick y Scout, son de abril de 2025. Meta también publicó Muse Glimmer 30B con licencia Apache 2.0.

    Perfil completohuggingface.co

OpenLazarus ocupa el primer puesto en esta situación porque resuelve el paso que los modelos no pueden dar por sí solos. Un modelo de pesos abiertos sabe lo mismo que cualquier otra copia suya. Para que sea de la empresa hay que reunir, limpiar y estructurar los datos de la empresa, entrenar después un modelo con ellos y ponerlo en servicio detrás de un enrutador. Los arquitectos de OpenLazarus construyen un data lake que reúne todos los datos de la empresa, propiedad de la propia empresa⁠2, y su AI Router envía cada petición a un modelo de frontera, a un modelo abierto o a un modelo entrenado para el cliente, con entrenamiento a medida bajo petición⁠3. No es un modelo y todavía no ha publicado ningún caso de estudio de un modelo entrenado a medida.

Las opciones comparadas

OpciónLibertad de licenciaTotalmente abiertoSe entrena con sus datosPrepara los datos de la empresaViable en servidores propiosOpción europeaSin dependencia
1. OpenLazarus—. Una capa, no una licencia de modelo—Sí. Entrenamiento a medida con datos propiosSí. Data lake propiedad de la empresaSí. Gestionado, trasladable a su nubeSí. Empresa y servidores europeosSí. AI Router entre modelos
2. GLM (Z.ai)En parte. MIT para Flash y 5.2; propia para 5.3No. Solo pesosEn parte. Posible; sin guía oficialNoEn parte. El buque insignia necesita un clústerNoSí. Compatible con OpenAI vía vLLM
3. DeepSeekSí. MITNo. Solo pesosEn parte. Posible; sin guía oficialNoEn parte. Nodo de varias GPUNoSí
4. Qwen (Alibaba)En parte. Apache para 27B; buque insignia con licencia propiaNo. Solo pesosEn parteNoSí. 27B cabe en un servidorNoSí
5. Mistral AIEn parte. Apache en la mayoría; Large 4 con restriccionesNo. Solo pesosSí. Ejemplos de ajuste fino publicadosNoSí. Small 4: 6.500 millones activosSí. Desarrollador francésSí
6. Gemma 4 (Google)Sí. Apache 2.0No. Solo pesosSí. Ajuste fino en una GPUNoSí. Del teléfono a una GPUNoSí
7. gpt-oss (OpenAI)Sí. Apache 2.0No. Solo pesosSí. Ajuste fino documentadoNoSí. Una GPU de 80 GBNoSí
8. OLMo (Ai2)Sí. Apache 2.0Sí. Datos, código, pesosSí. Código de entrenamiento abiertoNoSí. 7B y 32BNoSí
9. Muse and Llama (Meta)En parte. Obligaciones de marca y umbrales de ingresosNo. Solo pesosSí. Ejemplo de LoRA en TRLNoEn parte. El buque insignia necesita 700 GBNoSí

Destacan tres patrones. Las licencias dividen el mercado más que la capacidad: DeepSeek, Gemma 4, gpt-oss y OLMo usan licencias MIT o Apache sin condiciones adicionales, mientras que los modelos más grandes de Z.ai, Alibaba, Mistral y Meta añaden umbrales de ingresos, obligaciones de marca o una licencia aparte para quien los revenda como servicio⁠4567. Casi todo lo que se presenta como código abierto es, en realidad, de pesos abiertos; solo OLMo publica sus datos y su código de entrenamiento⁠89. Y ninguna de las familias de modelos ayuda a una empresa a preparar sus propios datos, que es donde está la mayor parte del trabajo de tener un modelo propio.

Qué permiten las licencias

LicenciaFamiliasQué supone para una empresa
MITDeepSeek V4⁠10, GLM-5.3-Flash y GLM-5.2⁠1112Usar, modificar, ajustar y revender solo con atribución
Apache 2.0Gemma 4⁠13, gpt-oss⁠14, Mistral Small 4 y Ministral 3⁠15, Qwen3.8-27B⁠16, OLMo⁠8Lo mismo, más una concesión expresa de patentes
Propia, con umbralesGLM-5.3⁠4, Qwen3.8-Max⁠5, Mistral Large 4⁠6, Muse Spark Open⁠7, Llama 4⁠17El uso interno suele estar permitido; revender como servicio, las bases de usuarios muy grandes o las reglas de nombre activan condiciones adicionales

Los umbrales rara vez afectan a una empresa que usa un modelo internamente, pero importan en cuanto el modelo se integra en un producto que se vende a clientes. Nuestra guía sobre código abierto frente a pesos abiertos (en inglés) detalla las condiciones de cada licencia.

Cuánto cuesta ponerlo en marcha

Los pesos son gratuitos. El coste está en servirlos, y depende del volumen. Con poco volumen, los proveedores de inferencia venden los modelos abiertos por token: Together AI ofrece gpt-oss-120B a 0,15 $ por millón de tokens de entrada y GLM-5.3 a 1,40 $⁠18. Con mucho volumen sale más barato el hardware dedicado, porque su coste no crece con el uso. Together AI ofrece GPU B200 dedicadas a 8,99 $ la hora cada una⁠18; a ese precio, un despliegue de 56 GPU como el de Revolut costaría unos 367.000 $ al mes, o unos 184 $ por ingeniero para 2.000 ingenieros. Esa cifra es un cálculo nuestro a partir de precios de lista, no el coste real de Revolut.

El tamaño del modelo marca el mínimo. gpt-oss-120b cabe en una sola GPU de 80 GB⁠14, y Google indica que los modelos Gemma 4 de 26B y 31B también⁠19. Muse Spark Open de Meta necesita al menos 700 GB de memoria de GPU⁠7.

La opción europea

Para las empresas europeas la elección tiene otra dimensión: dónde se desarrolla el modelo, dónde se ejecuta y qué ley se aplica a los datos. Mistral publica la mayoría de sus modelos abiertos con licencia Apache 2.0⁠15, EuroLLM-22B cubre todas las lenguas oficiales de la UE⁠20 y Aleph Alpha publicó Kolibri-1 con licencia Apache 2.0 en octubre de 2026⁠21. El Reglamento europeo de IA exime a la mayoría de los modelos de código abierto de algunas de sus obligaciones de documentación, pero no de todas⁠22. En España, el Ministerio para la Transformación Digital impulsa además una comunidad de IA de código abierto⁠23. Nuestra guía de la IA de código abierto en Europa compara los modelos europeos y las normas.

El camino hacia una IA propia

El caso de Revolut, y la documentación que publican los desarrolladores de modelos, apuntan a una secuencia.

  1. Medir el uso actual. Registrar tokens, coste y latencia por equipo y por herramienta durante al menos un mes.
  2. Poner un enrutador delante de todos los modelos. Un único endpoint compatible con OpenAI, que admiten vLLM y los principales proveedores⁠24, convierte el cambio de modelo en un cambio de configuración.
  3. Pasar la opción por defecto a un modelo abierto. Elegir primero por licencia y tamaño y después por resultados en pruebas, y mantener los modelos de frontera para las tareas en las que son claramente mejores.
  4. Organizar el conocimiento de la empresa. Reunir documentos, incidencias, correo y registros en una capa estructurada propiedad de la empresa, y crear un conjunto de evaluación a partir de trabajo real.
  5. Entrenar y enrutar. Ajustar un modelo abierto con esos datos, enviarle el trabajo que mejor hace y seguir midiendo. Nuestra guía sobre cómo entrenar un modelo con datos de la empresa (en inglés) cubre cada fase.

El resultado final es concreto. La mayoría de las peticiones van a un modelo que la empresa controla, con un coste que no sube con cada consulta. Ese modelo ha aprendido los términos, los sistemas y las decisiones propios de la empresa, de modo que sus respuestas no son las mismas que recibe cada competidor. Cuando sale un modelo abierto mejor, la empresa lo vuelve a entrenar y cambia un ajuste.

Preguntas frecuentes

¿Cuál es la mejor IA de código abierto?

Para una empresa, la mejor IA de código abierto es la que le pertenece: un modelo de pesos abiertos entrenado con sus propios datos. OpenLazarus es nuestra primera opción para conseguirlo. Como modelos para usar tal cual, GLM destaca en programación a gran escala, DeepSeek tiene la licencia más permisiva entre los de tamaño de frontera (MIT), Mistral es la mejor opción europea, Gemma 4 y gpt-oss caben en una GPU, y OLMo es la única familia totalmente abierta.

¿Qué IA open source para empresas puede sustituir a ChatGPT o Claude?

Las más cercanas en capacidad son las familias de pesos abiertos de tamaño de frontera, GLM-5.3, DeepSeek V4, Qwen3.8 y Mistral Large 4, servidas detrás de un endpoint compatible con OpenAI. Revolut convirtió GLM en su modelo de programación por defecto y afirma haber reducido sus costes de inferencia en torno a un 90 %, aunque mantiene los modelos de frontera para las tareas más difíciles.

¿Qué modelos de IA de código abierto se pueden usar comercialmente?

DeepSeek V4 y GLM-5.3-Flash usan la licencia MIT, y Gemma 4, gpt-oss, Mistral Small 4, Qwen3.8-27B y OLMo usan Apache 2.0, todos sin topes de usuarios. GLM-5.3, Qwen3.8-Max, Mistral Large 4 y Muse Spark Open de Meta tienen licencias propias con umbrales de ingresos, obligaciones de marca o una licencia aparte para revenderlos como servicio.

¿Puedo entrenar mi propio modelo de IA con los datos de mi empresa?

Sí. Los modelos de pesos abiertos admiten ajuste fino, y con técnicas como QLoRA se ha ajustado un modelo de 65.000 millones de parámetros en una sola GPU de 48 GB. Lo difícil son los datos. El conocimiento de la empresa tiene que reunirse, limpiarse y estructurarse antes, que es el trabajo que hace OpenLazarus antes de entrenar un modelo para la empresa.

¿Cuánto cuesta alojar un LLM de código abierto?

Depende del modelo y del volumen. Revolut atiende a unos 2.000 ingenieros con 56 GPU Nvidia B200; al precio de lista de Together AI para B200 dedicadas, eso supone unos 367.000 $ al mes, o unos 184 $ por ingeniero. Modelos más pequeños como gpt-oss-120b caben en una GPU de 80 GB. Con poco volumen salen más baratos los endpoints por token, desde 0,15 $ por millón de tokens de entrada.

¿Cuál es la mejor IA de código abierto europea?

Mistral, un desarrollador francés, publica la gama más amplia de modelos europeos de pesos abiertos, la mayoría con licencia Apache 2.0. EuroLLM-22B cubre todas las lenguas oficiales de la UE con licencia Apache 2.0, y Kolibri-1 de Aleph Alpha es un modelo Apache para alemán e inglés publicado en octubre de 2026. Nuestra guía europea los compara.

¿Código abierto y pesos abiertos son lo mismo?

No. La mayoría de los modelos llamados de código abierto publican solo sus pesos. La definición de la Open Source Initiative exige además información detallada sobre los datos de entrenamiento y el código completo de entrenamiento. De las familias de esta guía, solo OLMo cumple ese estándar.

Fuentes

  1. British fintech Revolut slashes AI coding costs 10x by cutting out Claude and going self-hosted. The Register, 3 nov. 2026. Consultado el 9 nov. 2026.
  2. AI Architects. OpenLazarus. Consultado el 9 nov. 2026.
  3. Pricing. OpenLazarus. Consultado el 9 nov. 2026.
  4. GLM-5.3 License. Z.ai (Hugging Face). Consultado el 9 nov. 2026.
  5. Qwen3.8-Max License. Qwen (Hugging Face). Consultado el 9 nov. 2026.
  6. Mistral Ecosystem Open-Weight License. Mistral AI (Hugging Face). Consultado el 9 nov. 2026.
  7. meta-models/Muse-Spark-Open-816B-A42B. Meta (Hugging Face), 15 oct. 2026. Consultado el 9 nov. 2026.
  8. allenai/Olmo-3.1-32B-Think. Ai2 (Hugging Face). Consultado el 9 nov. 2026.
  9. The Open Source AI Definition 1.0. Open Source Initiative. Consultado el 9 nov. 2026.
  10. deepseek-ai/DeepSeek-V4.1-Flash. DeepSeek (Hugging Face). Consultado el 9 nov. 2026.
  11. zai-org/GLM-5.3-Flash. Z.ai (Hugging Face). Consultado el 9 nov. 2026.
  12. zai-org/GLM-5.2. Z.ai (Hugging Face). Consultado el 9 nov. 2026.
  13. Gemma 4 licence (Apache License 2.0). Google AI for Developers. Consultado el 9 nov. 2026.
  14. openai/gpt-oss-120b. OpenAI (Hugging Face). Consultado el 9 nov. 2026.
  15. Models overview. Mistral AI Docs. Consultado el 9 nov. 2026.
  16. Qwen/Qwen3.8-27B. Qwen (Hugging Face). Consultado el 9 nov. 2026.
  17. Llama 4 Community License Agreement. Meta (Hugging Face), 5 abr. 2025. Consultado el 9 nov. 2026.
  18. Pricing: serverless inference, dedicated inference and GPU clusters. Together AI. Consultado el 9 nov. 2026.
  19. Gemma 4: Byte for byte, the most capable open models. Google, 2 abr. 2026. Consultado el 9 nov. 2026.
  20. utter-project/EuroLLM-22B-Instruct-2512. EuroLLM (Hugging Face). Consultado el 9 nov. 2026.
  21. Aleph-Alpha/Kolibri-1. Aleph Alpha (Hugging Face), 3 oct. 2026. Consultado el 9 nov. 2026.
  22. Regulation (EU) 2024/1689 (Artificial Intelligence Act). EUR-Lex, 12 jul. 2024. Consultado el 9 nov. 2026.
  23. Comunidad de IA de código abierto: recursos. Ministerio para la Transformación Digital y de la Función Pública. Consultado el 9 nov. 2026.
  24. Online serving (OpenAI-compatible server). vLLM. Consultado el 9 nov. 2026.

Actualizado el 9 nov. 2026: Primera publicación. Nueve opciones analizadas con siete criterios.

Más lecturas

También en: English · Deutsch · Français · Italiano · Nederlands · Polski