El Estado de la IA de Código Abierto: Paridad Alcanzada, Brecha de Producción Persiste

El informe State of Open Source AI de Mozilla (V1.0, julio de 2026) presenta datos concretos: los modelos de peso abierto han cerrado la brecha de capacidad con los mejores modelos cerrados, pero persiste una brecha en el despliegue en producción.

Hallazgos clave

• Brecha de capacidad: La brecha en Chatbot Arena se redujo del 8.04% al 0.5% en agosto de 2024, igualada brevemente por DeepSeek-R1 en febrero de 2025, y luego se reabrió al 3.3% en marzo de 2026 a medida que avanzaban los modelos cerrados de razonamiento. Los modelos abiertos están en paridad o cerca en codificación, seguimiento de instrucciones y conocimiento general; la brecha se concentra en razonamiento, recuperación de contexto largo y tareas agentivas.
• Colapso del costo de inferencia: La inferencia de clase GPT-4 cayó 50 veces en 36 meses: de $20 a $0.40 por 1M de tokens. Esto es más rápido que las curvas de precios del ancho de banda de la era puntocom o de la computación de PC.
• Volumen de tokens: Los modelos de peso abierto ahora enrutan la mayoría de los tokens de producción en OpenRouter. Los cinco modelos de mayor volumen son todos de peso abierto. Los modelos construidos en China enrutan ~18T tokens/semana frente a ~5.5T de los construidos en EE. UU. (análisis de FT).
• Adopción vs. producción: El 79% de los desarrolladores que añaden funcionalidad de IA utilizan modelos abiertos (frente al 71% cerrados), pero solo el 51% de los equipos de modelos abiertos llegan a producción (frente al 63% de los cerrados). La brecha está en las herramientas operativas y la confianza, no en la capacidad del modelo.

El informe cita casos de uso concretos: un radiodifusor maorí que entrena modelos de voz para te reo bajo una licencia de soberanía de datos; PwC ajustando un modelo abierto en lenguaje financiero ejecutándose en su propio hardware; investigadores construyendo un modelo médico abierto con la Cruz Roja; agricultores diagnosticando enfermedades de la yuca con modelos offline en el dispositivo; y un consorcio público suizo entrenando un modelo nacional en supercomputadoras públicas, liberando pesos, datos y código de entrenamiento.