2.4 Modelos propietarios vs. open source: GPT, Claude, Llama, Mistral, Gemini

Cuando eliges un modelo para tu sistema, la primera bifurcación no es qué modelo usar — es de qué tipo. Hay dos formas fundamentales de acceder a un LLM: llamar a la API de un proveedor, o descargar los pesos del modelo y ejecutarlo tú. Cada opción tiene implicaciones que van mucho más allá del precio por token.

Modelos propietarios: la API como contrato

Los modelos propietarios son los que ofrece un proveedor como servicio. No tienes acceso a los pesos del modelo — los archivos que contienen todo lo que aprendió durante el entrenamiento — solo a una API. A marzo de 2026, los tres grandes son:

• OpenAI (familia GPT-5): el más usado, con la mayor cobertura de integraciones y herramientas del ecosistema.
• Anthropic (Claude Opus 4.6 / Sonnet 4.6): especialmente valorado por sus capacidades de razonamiento y por el seguimiento de instrucciones de sistema complejas.
• Google (Gemini 3.1 Pro): fuerte integración con el ecosistema Google Cloud y ventanas de contexto muy grandes.

Lo que tienen en común:

• Acceso inmediato sin infraestructura propia. Haces una llamada HTTP y tienes respuesta.
• El proveedor gestiona el modelo, las actualizaciones y la disponibilidad.
• Pagas por uso — por tokens consumidos, no por capacidad reservada.
• Tus datos viajan a los servidores del proveedor. Esta es la implicación que más peso tiene en proyectos enterprise con datos sensibles.

Modelos open source: el modelo en tu infraestructura

Los modelos open source publican sus pesos para que cualquiera los descargue y ejecute. A marzo de 2026, los referentes son:

• Meta (familia Llama 4, incluyendo Scout y Maverick): los más descargados del mundo, con versiones para distintos niveles de hardware.
• Mistral AI (Mistral Large 2 y otros): empresa europea con modelos eficientes y, en algunos casos, licencias muy permisivas.

Lo que cambia respecto a los propietarios:

• Tus datos no salen de tu infraestructura. Puedes ejecutar el modelo en tus propios servidores o en tu nube privada.
• Tienes control total sobre versiones, configuración y comportamiento del modelo.
• El coste de operación no depende del volumen de llamadas — depende de la infraestructura que uses.
• La responsabilidad de disponibilidad, actualizaciones y seguridad es tuya.

La brecha de calidad se ha cerrado — pero no ha desaparecido

Durante años, elegir open source significaba aceptar una pérdida de calidad considerable respecto a los modelos propietarios. Eso ha cambiado. A marzo de 2026, modelos como Llama 4 Maverick son competitivos con los mejores propietarios en tareas bien definidas: clasificación, extracción, resumen, generación de código con contexto claro.

La brecha persiste en dos áreas:

• Razonamiento complejo y multistep: los modelos propietarios de última generación siguen llevando ventaja en tareas que requieren encadenar varios pasos de razonamiento con pocos errores.
• Fiabilidad en tareas abiertas: cuando la tarea no está bien delimitada o el prompt es ambiguo, los modelos propietarios tienden a degradarse de forma más controlada.

Para la mayoría de casos de uso enterprise — tareas concretas, prompts estructurados, dominios acotados — la diferencia de calidad ya no es el argumento decisivo. Lo que decide hoy es el coste, la privacidad y el control.

Comparativa por dimensiones

Vale la pena decirlo explícitamente: esta elección no es permanente ni excluyente. Muchos sistemas en producción combinan ambos enfoques — modelos propietarios para tareas críticas o complejas, open source para tareas de alto volumen o con datos sensibles. No tienes que elegir uno para siempre. Los criterios concretos de selección los vemos en 2.5; la decisión cloud vs. local, en 2.6.