IA & Automatización · 27 de mayo de 2026 · 24 min. de lectura · Rebecca Kupka, Founders Associate, Amplifa

IA de código abierto: Informe de tendencias para medianas empresas

La IA de código abierto cambia los precios, el lock-in y la estrategia de GenAI en las medianas empresas. Lea lo que deciden los fabricantes DACH antes de la ronda presupuestaria de 2025.

El pasado martes, a las 8:17, me encuentro en nuestra oficina de Berlín en una llamada con Thomas, director general de un proveedor cerca de Heilbronn. A su lado suena una cafetera, en algún lugar de fondo pita un montacargas dando marcha atrás, y en su pantalla hay un Excel con precios de proveedores, reclamaciones y 2.861 actividades de CRM abiertas. «Quiero utilizar IA», dice Thomas, «pero no quiero que nuestros planos y márgenes acaben en algún lugar de Seattle o San Francisco». Precisamente de esa frase depende ahora mismo el mercado de la IA de código abierto. No de los benchmarks. No de los vídeos de demostración. Depende del miedo a tener la propia creación de valor encadenada a un modelo de precios de API en cinco años.

Mi pronóstico, que todavía suena incómodo en muchas juntas directivas: la IA de código abierto no captará la mayor parte de las inversiones en GenAI hasta 2027, pero dictará la lógica de precios de todo el mercado. Los grandes cheques seguirán yendo a OpenAI, Anthropic, Microsoft, Google y Amazon. Sin embargo, el poder de negociación se desplaza silenciosamente hacia las empresas que pueden intercambiar sus modelos.

Este es el punto clave para las medianas empresas europeas. Quien en 2025 trate una estrategia de IA solo como una selección de herramientas, no ha entendido el tema. Se trata de poder de compra, soberanía de datos, curvas de costes, opciones de cambio y de si un fabricante de maquinaria de Baden-Württemberg seguirá decidiendo por sí mismo dentro de tres años dónde se procesan sus informes de servicio, programas CNC y lógica de ofertas.

IA de código abierto 2025: Dónde se encuentra el mercado hoy

El mercado está desequilibrado. El capital no fluye de manera uniforme, sino en oleadas, y la mayor oleada sigue rodando hacia los modelos cerrados. Desde 2023, OpenAI se asocia frecuentemente con un total de unos 13.000 a 14.000 millones de dólares estadounidenses en capital captado y paquetes estructurados de Microsoft; la asociación con Microsoft se discute públicamente por lo general en el orden de los 10.000 a 13.000 millones de dólares estadounidenses. Anthropic ha visto compromisos de Amazon y Google por un total de más de 6.000 millones de dólares estadounidenses, dependiendo del tramo y la estructura. Cohere se sitúa más bien en el rango de 500 a 1.000 millones de dólares estadounidenses, con inversores como Nvidia, Oracle y Salesforce Ventures. Estas no son rondas de software normales. Son apuestas por la infraestructura.

En el lado abierto, el panorama es más fragmentado, pero no pequeño. Hugging Face recaudó en 2023 una ronda de 235 millones de dólares, entre otros con Salesforce, Google, Nvidia, Intel, AMD e IBM, y fue valorada según informes de entonces en 4.500 millones de dólares estadounidenses. Stability AI recibió en 2022 unos 100 millones de dólares estadounidenses con una valoración de unos 1.000 millones de dólares estadounidenses, aunque más tarde sufrió presión financiera, pero siguió siendo influyente para los modelos de imagen abiertos. Aleph Alpha, de Heidelberg, recibió en 2023 una ronda de financiación estratégica de unos 500 millones de dólares estadounidenses o entre 400 y 500 millones de euros, respaldada por SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise y otros actores industriales y financieros alemanes. Mistral AI, de París, es el caso especial: posicionamiento abierto, estructura comercial, en 2023 con 105 millones de euros de Seed y más tarde unos 385 millones de euros de Series A, con discusiones de valoración en 2024 en torno a los 5.000 millones de dólares estadounidenses.

Cuando discuto esto con los CFO, a menudo veo el mismo reflejo. «Entonces ganan los cerrados», me dijo hace tres semanas Andrea, Head of Sales de un Hidden Champion en Bielefeld, mientras en la sala de conferencias de al lado alguien arrastraba un contenedor con ruedas sobre las baldosas. Bueno, casi. Ganan en la estadística de capital. Pero la estadística de capital no es lo mismo que el impacto estratégico.

McKinsey estimó en 2023 el potencial económico anual de la IA generativa entre 2,6 y 4,4 billones de dólares estadounidenses, con grandes contribuciones de la fabricación, la Supply Chain, el desarrollo de productos y la interacción con el cliente. Goldman Sachs escribió en 2023 que la GenAI podría elevar el PIB global en torno a un 7 por ciento en diez años. IDC, Gartner y otros analistas vieron en 2023 y 2024 gastos mundiales en software, hardware y servicios de IA hacia los 300.000 a 500.000 millones de dólares estadounidenses anuales para 2026 o 2027, según la definición. Estas cifras suenan abstractas. En una planta en Tuttlingen, esto significa: ¿Quién escribe el informe de servicio? ¿Quién busca en la documentación de piezas de repuesto? ¿Quién revisa los correos de los proveedores? ¿Quién prioriza los leads de clientes existentes?

Bitkom informó en septiembre de 2024 que el 20 por ciento de las empresas alemanas utilizan IA y otro 37 por ciento planea o discute su uso. En las grandes empresas, la cuota es significativamente mayor que en las pequeñas. En conversaciones con medianas empresas de ingeniería mecánica, electrotecnia y proveedores de automoción, esto parece muy real: casi todos tienen una prueba de Copilot, un pipeline de Azure-OpenAI, un proyecto interno de chatbot o al menos un estudiante en prácticas probando con LLaMA, Mixtral o Mistral. Pero pocos tienen una estrategia de modelos. Muy pocos.

Status Quo: Los modelos cerrados cobran, los modelos abiertos disciplinan

Los proveedores cerrados venden tres cosas: rendimiento, conveniencia y empaquetado. OpenAI a través de Microsoft, Anthropic a través de AWS y Google, Gemini en Google Cloud, Copilot en Microsoft 365, Salesforce Einstein, SAP Joule. Se obtienen modelos, APIs, interfaces de gobernanza, facturación y, a veces, la tranquilizadora sensación de que el departamento de compras solo tiene que ampliar un contrato marco existente. Esto es atractivo. Especialmente para empresas cuyo equipo de IT consta de 14 personas y tiene que gestionar paralelamente SAP S/4HANA, problemas de EDI y una sustitución de firewall.

La IA de código abierto vende algo diferente, a menudo de forma más indirecta: opciones de salida. Un modelo LLaMA, un modelo Mixtral o un modelo de Aleph Alpha que se puede alojar por cuenta propia no tiene por qué ser el mejor modelo del mundo en cada tarea. Debe ser lo suficientemente bueno, lo suficientemente transparente, más económico en funcionamiento continuo y contractualmente tan flexible que un CIO de Ulm no tenga que aceptar el precio por millón de tokens de un proveedor estadounidense para cada nueva aplicación. Exactamente aquí reside la palanca. No es romántico. Es económico.

Lo que vemos concretamente en Amplifa: en los últimos 12 meses, en proyectos de descubrimiento e implementación en empresas B2B de ingeniería mecánica, componentes industriales y servicios técnicos, casi nunca hemos visto una estrategia puramente de código abierto, pero en 7 de cada 10 casos una arquitectura secundaria silenciosa. El patrón es claro: GPT-4 o Claude para tareas difíciles de análisis y texto en la fase piloto; después, modelos abiertos o self-hostable para tareas recurrentes como la clasificación de leads, el resumen de correos electrónicos, el llenado de campos de CRM y la extracción de documentos. El punto de cambio no llega con una «mejor IA». Llega con el volumen. En cuanto un proceso genera miles de pequeñas llamadas al modelo diariamente, la curiosidad se convierte en una cuestión de costes.

Tendencia 1: La IA de código abierto presiona los precios a la baja

El efecto de mercado más importante de los modelos abiertos no es que cada mediana empresa vaya a entrenar mañana su propio Foundation Model. Eso no sucederá. Un fabricante de herramientas de Remscheid tampoco compra su propia máquina de litografía de ASML solo porque los chips sean estratégicos. El efecto surge a través de alternativas creíbles. Si LLaMA 3, Mixtral, Qwen, Falcon o un modelo europeo son suficientes para el 60 u 80 por ciento de las tareas rutinarias, entonces los proveedores cerrados pierden la fantasía de precios en esas tareas específicas.

Los benchmarks de costes de la práctica varían mucho porque deben incluirse precios de tokens, hosting, carga de trabajo, tamaño del modelo, cuantización, requisitos de latencia y soporte. Sin embargo, vemos en los análisis de mercado y cálculos de nube una franja recurrente: la inferencia y el ajuste fino con modelos abiertos pueden ser de 5 a 20 veces más económicos para ciertas cargas de trabajo de alto volumen que la suscripción permanente a APIs de modelos cerrados de primer nivel. No siempre es así. Si una empresa no tiene infraestructura, tiene una mala utilización y necesita tres proveedores externos para la operación, la ventaja se desvanece. Pero en tareas estructuradas con muchas repeticiones, la presión de costes es real.

Un ejemplo de una conversación con un cliente en marzo de 2025: Markus, director de ventas de un fabricante de componentes de Núremberg, quería clasificar automáticamente todas las consultas entrantes: pieza de repuesto, negocio de proyectos, consulta de precios, reclamación, consulta de distribuidor. ¿Modelo cerrado? Funcionó de inmediato. ¿Modelo abierto más pequeño? Después de 300 ejemplos anotados y un prompt limpio más Retrieval, la tasa de acierto para las cuatro clases más importantes estuvo lo suficientemente cerca del modelo cerrado como para que el CFO dejara de hablar de calidad del modelo y empezara a hablar de costes mensuales. Ese es el momento en que el mercado cambia. Silenciosamente, en Excel.

Yann LeCun argumenta desde hace años, en esencia, que las plataformas de IA abiertas crean ecosistemas más robustos a largo plazo que unos pocos gatekeepers cerrados. Para las empresas industriales, esto no es ideología, sino una posición de compra.

— Yann LeCun, Chief AI Scientist en Meta

Considero que el término «paraguas de precios de código abierto» es demasiado suave. Es más bien una palanca. En cuanto el departamento de compras puede demostrar que una alternativa abierta realiza el 70 por ciento de la tarea por el 20 por ciento del coste, la conversación con Microsoft, Google, Salesforce o un proveedor de IA especializado cambia. No siempre gana la variante abierta. Pero obliga a la otra parte a explicar por qué su precio está justificado.

Tendencia 2: Las arquitecturas híbridas serán el caso normal

La frase más aburrida en los workshops de estrategia de IA es, lamentablemente, también la más acertada: no habrá un solo modelo. Lo sé, nadie quiere gestionar otra cartera más. Los directores generales quieren claridad, IT quiere menos variantes, compras quiere menos contratos. Sin embargo, las arquitecturas reales se dirigen hacia un mix de modelos. Modelos cerrados para tareas donde cuenta el mejor rendimiento de Reasoning posible. Modelos abiertos para altos volúmenes, datos sensibles, latencia corta o procesos que deben ser auditados.

En Festo, Trumpf, DMG Mori, Phoenix Contact o Schaeffler se ven públicamente iniciativas de IA muy diversas, pero la tensión básica es similar a la de las medianas empresas: el conocimiento del producto, los datos de servicio, la lógica de producción y el diálogo con el cliente no pueden migrar arbitrariamente a plataformas ajenas. Un jefe de ventas de Stuttgart me dijo en abril de 2025: «Nuestro historial de precios no es material de entrenamiento». Se rió después. Brevemente. Luego se hizo el silencio en la sala, solo se oía el ventilador del proyector. Precisamente ese silencio es la cuestión de la arquitectura.

Los patrones híbridos típicos surgen a lo largo de los riesgos de datos. Un Microsoft-365-Copilot para el trabajo de oficina interno puede tener sentido si los permisos están limpios y no se procesan datos de diseño altamente sensibles. Un asistente RAG para técnicos de mantenimiento que busca en manuales de máquinas, códigos de error, informes de servicio y datos de piezas de repuesto pertenece más bien a un entorno controlado. Un proceso de Lead-Scoring que combina datos de CRM, datos de empresas y señales web puede, según la clase de datos, ejecutarse a través de una arquitectura orquestada: un modelo cerrado fuerte para textos poco claros, un modelo abierto para clasificación y extracción, una capa basada en reglas para el cumplimiento.

Las mejores implementaciones que veo no separan por el logotipo del proveedor, sino por el riesgo del proceso. ¿Qué pasa si la respuesta es incorrecta? ¿Cuánto cuesta una llamada al modelo con 50.000 operaciones al mes? ¿Qué datos salen de la red? ¿Puedo cambiar de proveedor sin reconstruir la aplicación? Suena árido. Lo es. Pero es exactamente ahí donde se decide si la IA sigue siendo un experimento o aparece en la cuenta de resultados.

Un CFO puede percibir esta discusión de gobernanza inicialmente como un freno. Comprensible. Suena a diapositivas de protección de datos y largas reuniones con el departamento legal. Pero sin clasificación de datos, cualquier proyecto de IA se vuelve político. Entonces el departamento de diseño bloquea porque los datos CAD podrían verse afectados. Ventas bloquea porque los precios de los clientes se vuelven visibles. IT bloquea porque nadie conoce las reglas de logging. Al final, gana el proyecto piloto más pequeño: un chatbot para el menú del comedor. Agradable. Estratégicamente irrelevante.

Tendencia 3: Sovereign AI se convierte en argumento de compra, no en PR

Sovereign AI suena a Bruselas, solicitud de subvención y mesa redonda. Durante mucho tiempo no me gustó el término. Demasiado grande. Demasiado vago. Pero en las conversaciones con clientes tiene un significado muy concreto: ¿Dónde se ejecutan los modelos? ¿Quién ve los logs? ¿Quién puede subir los precios? ¿Quién puede retirar una función? ¿Quién determina qué datos pueden usarse para el entrenamiento? Un director de producción de Augsburgo lo formuló recientemente de forma más sencilla: «Quiero ver el enchufe».

Europa tiene aquí un reflejo diferente al de EE. UU. Reglamento General de Protección de Datos, EU AI Act, comités de empresa, requisitos de la cadena de suministro, control de exportaciones, auditorías de clientes. Esto a veces frena. Pero también protege contra el consumo ciego de plataformas. El EU AI Act se aprobó definitivamente en 2024; muchas obligaciones se aplican de forma escalonada a partir de 2025 y 2026. Para las aplicaciones industriales, esto significa más documentación, clasificación de riesgos, trazabilidad y responsabilidades claras. Los modelos abiertos o self-hostable no resuelven estos requisitos automáticamente. Pero facilitan ciertas pruebas porque la operación, el logging y los flujos de datos se vuelven más controlables.

Por eso, Aleph Alpha es estratégicamente más interesante para DACH de lo que algunas discusiones puras de benchmarks podrían sugerir. Heidelberg en lugar de California no es por sí solo un argumento de calidad. Pero un proveedor que se toma en serio el idioma alemán, el cumplimiento europeo, las opciones On-Premise y las referencias industriales, cambia las listas de compra. Mistral AI en Francia desempeña un papel similar a nivel europeo, aunque la empresa maneje modelos de negocio híbridos y no todo sea abierto. Hugging Face, por su parte, no es una empresa clásica de Sovereign AI, pero es la infraestructura para la comparabilidad: modelos, datasets, leaderboards, opciones de despliegue. Sin tales plataformas, los modelos abiertos apenas serían accesibles para las medianas empresas.

La dimensión política se subestima. Si SAP, Bosch y Schwarz Gruppe invierten en Aleph Alpha, no es una pura operación de rentabilidad. Es una señal: la industria europea no quiere adquirir cada función de IA a través de los Hyperscalers estadounidenses. Al mismo tiempo, las mismas empresas siguen invirtiendo, por supuesto, en los ecosistemas de Microsoft, AWS, Google y Nvidia. No es una contradicción. Es cobertura (hedging).

Amplifa ICP Playbook — Para equipos de estrategia que no quieren planificar la IA de forma abstracta: el ICP Playbook ayuda a definir clientes objetivo, segmentos y prioridades basándose en datos.

Lo que la IA de código abierto significa para las medianas empresas

Para los directores generales en la fabricación, la pregunta principal no es: ¿Es el código abierto mejor que el código cerrado? La pregunta es: ¿Qué dependencia estoy comprando si baso mis procesos en un modelo que no controlo? Un proveedor de automoción de Baviera tiene riesgos diferentes a los de una startup SaaS de Berlín-Mitte. Planos CAD, datos de herramientas, precios de proveedores, informes de inspección, historial de reclamaciones, notas de turno, parámetros de máquinas: estos no son textos intercambiables. Son activos de la empresa.

Aquí soy deliberadamente tajante: quien en 2026 vincule toda su hoja de ruta de IA a un único Hyperscaler estadounidense, sin una arquitectura de salida, actúa de forma negligente. No porque Microsoft, Google o Amazon sean malos socios. Al contrario, a menudo son la ruta más rápida hacia la producción. Lo negligente es la calle de sentido único. Las medianas empresas ya han experimentado con suficiente frecuencia en ERP, PLM y MES lo que sucede cuando el modelo de datos, la lógica del proceso y el poder contractual están en una sola mano.

El cálculo económico funciona en tres niveles. Primero, costes directos: tokens, licencias, hosting, esfuerzo de integración, soporte. Segundo, costes de cambio: ¿cuánto costará si hay que sustituir el modelo? Tercero, costes estratégicos: ¿qué datos se estandarizan, registran y enriquecen en qué ecosistema? El tercer punto es el más difícil de cuantificar y, precisamente por eso, peligroso. En las rondas presupuestarias, a menudo gana la línea que se puede contar.

Para las ventas, el impacto es especialmente tangible. Un modelo abierto no tiene por qué escribir poesía perfecta. Debe reconocer limpiamente si un cliente potencial encaja en el ICP, si una consulta huele a negocio de proyectos, si un correo de un cliente existente contiene una señal de Up-Sell o si un registro de datos de CRM está dañado. Muchas de estas tareas son clasificatorias, no mágicas. Cuando se ejecutan millones de veces, cuenta la lógica de costes unitarios. Cuando utilizan datos sensibles de clientes, cuenta la ubicación de los datos. Cuando están integradas en Salesforce, HubSpot, SAP C/4HANA o Microsoft Dynamics, cuenta la intercambiabilidad.

En un fabricante de componentes industriales de Westfalia Oriental, hicimos una observación sencilla en enero de 2025: los problemas de ventas más costosos no residían en la falta de leads, sino en una segmentación difusa. El 18 por ciento de las cuentas en el CRM estaban claramente fuera del segmento objetivo, pero se seguían trabajando con campañas. Al mismo tiempo, había clientes existentes con patrones de compra similares en tres listas de segmentos diferentes. La IA no ayudó allí porque fuera «inteligente». Ayudó porque hizo que los patrones fueran consistentes a través de las fuentes de datos. Para algo así no siempre se necesita el modelo cerrado más fuerte. Se necesita un sistema controlado.

Los fabricantes DACH necesitan carteras de modelos en lugar de juguetes de IA

Una cartera de modelos suena a gran corporación. No lo es. Incluso una empresa con 280 empleados puede definir una regla clara: ¿Qué tareas pueden ejecutarse a través de APIs cerradas? ¿Cuáles deben permanecer en centros de datos de la UE? ¿Cuáles pertenecen a On-Premise? ¿Qué clases de datos son tabú? ¿Qué modelos se prueban trimestralmente contra tareas reales? Esto no es un programa de investigación. Es gestión operativa.

Veo demasiadas empresas que comienzan con el punto de partida equivocado. Preguntan: «¿Qué herramienta deberíamos comprar?». Sería mejor: «¿Qué procesos generan suficiente volumen, riesgo o margen para que valga la pena una arquitectura de IA propia?». En Kärcher, Webasto, Brose o Wittenstein nadie compraría una nueva línea de producción sin calcular tiempos de ciclo, mermas y mantenimiento. Con la IA, esto todavía sucede constantemente. Se reserva una licencia, se ejecuta un piloto, todos están impresionados, luego llega la protección de datos, luego el comité de empresa, luego la curva de costes. El piloto no muere ruidosamente. Desaparece en el canal de Slack.

FAQ: ¿Es la IA de código abierto realmente más económica?

Sí, a menudo. Pero no automáticamente. La IA de código abierto resulta más económica cuando una empresa tiene tareas repetibles con alto volumen, la calidad del modelo es suficiente, la infraestructura se utiliza bien y la operación no explota debido a los costes de especialistas. Un modelo cerrado puede ser más barato en la fase piloto porque no hay que construir una infraestructura propia. En funcionamiento continuo con miles o millones de llamadas al mes, la balanza suele inclinarse. Mi regla de oro de las conversaciones con directores de IT y ventas: por debajo de un volumen relevante, la conveniencia es un valor real; por encima de él, la conveniencia es un riesgo de costes.

FAQ: ¿Pierde la IA de código abierto en calidad?

En tareas generales de alto nivel, la mayoría de las veces todavía sí. La clase GPT-4, Claude y Gemini suelen ir por delante en Reasoning amplio, procesamiento de contexto largo, uso de herramientas y mecanismos de seguridad. En tareas más acotadas, la brecha es mucho menor. Resumen de documentos técnicos, extracción de pedidos, clasificación de leads, Retrieval-Augmented QA, asistentes de conocimiento internos, ayuda de código para repositorios definidos: aquí los modelos abiertos pueden acercarse mucho tras el ajuste. A veces son totalmente suficientes. El error es evaluar la calidad del modelo de forma abstracta. Un proceso de ventas no tiene una puntuación Elo.

FAQ: ¿Cómo encaja esto con el EU AI Act?

El EU AI Act no hace que la IA sea imposible, pero devuelve la responsabilidad a la empresa. Quien utilice IA en procesos de riesgo debe documentar limpiamente los flujos de datos, el propósito del modelo, el control humano, el logging y la gestión de riesgos. Los modelos abiertos o self-hosted ayudan porque pueden dar más control sobre la operación y las rutas de datos. No sustituyen a la gobernanza. Un modelo en el propio servidor no es automáticamente compliant. Un modelo en una nube de EE. UU. no está automáticamente prohibido. La pregunta es: ¿puedo demostrar lo que sucede?

7 pasos de preparación para directores generales y equipos de estrategia

Si solo pudiera dar un consejo a un director general de una mediana empresa, sería este: no empiece con el modelo. Empiece con los procesos en los que la IA puede generar valor de forma repetida. Luego construya la decisión del modelo en torno a eso.

1. Definir clases de datos: separe los datos públicos, datos de clientes, información de precios, IP técnica, datos personales y datos de producción críticos para la seguridad. Sin este mapa, cada decisión de IA será una corazonada.
2. Clasificar casos de uso por volumen y riesgo: un asistente de estrategia mensual debe tratarse de forma diferente a la clasificación diaria de ofertas, la evaluación de informes de servicio o el enrutamiento de leads en 12 países.
3. Hacer benchmarking de Closed y Open entre sí: pruebe GPT-4, Claude o Gemini contra LLaMA, Mixtral, Mistral o Aleph Alpha con documentos reales en alemán. No con prompts de demostración. Con sus reclamaciones, manuales, notas de CRM y correos de ofertas.
4. Calcular costes por cada 1.000 operaciones: no compare solo los precios de los tokens. Incluya hosting, latencia, monitoreo, esfuerzo de integración, soporte y crecimiento esperado. El valor relevante es el TCO a lo largo de 3 a 5 años.
5. Planificar una capa de intercambio: utilice orquestación, interfaces claras y versionado de prompts o evaluaciones para que el modelo siga siendo intercambiable. Quien pega la lógica del modelo directamente en los procesos especializados, construye el lock-in por sí mismo.
6. Aclarar la gobernanza pronto con Legal, IT y el departamento especializado: documente los flujos de datos, el logging, los permisos, las aprobaciones humanas y las reglas de escalada antes del despliegue. Más tarde será más caro y político.
7. Medir el éxito con indicadores de proceso: en ventas cuentan la tasa de citas, los aciertos de segmento, el tiempo de respuesta, la calidad del pipeline y los datos limpios del CRM. En servicio y fabricación cuentan el tiempo de búsqueda, la tasa de resolución a la primera, las mermas, los minutos de inactividad o el esfuerzo de documentación.

Producto Amplifa — Amplifa ayuda a los equipos B2B a aprovechar las señales de mercado, de cuentas y de ventas con IA, sin perder el control sobre la lógica del proceso.

Lógica de inversión: Por qué los presupuestos más pequeños de código abierto engañan

Cuando los inversores miran al mercado, ven primero la intensidad de capital. Los Foundation Models necesitan GPUs, datos, equipos de investigación, energía, centros de datos, ventas y asociaciones. Clústeres de Nvidia H100, contratos de Azure, compromisos de AWS, TPUs de Google: esta es la nueva industria pesada del software. Por eso los actores cerrados atraen sumas ingentes. No solo venden modelos, venden acceso a una infraestructura de computación y productividad.

Las empresas cercanas al código abierto siguen otra lógica. No siempre tienen que poseer el modelo base más grande. Pueden abaratar la inferencia, curar modelos, simplificar el Fine-Tuning, asegurar el despliegue, vender soporte empresarial o construir aplicaciones verticales. Hugging Face es el mejor ejemplo de ello: es menos un proveedor de modelos que un mercado, caja de herramientas y capa de confianza. MosaicML fue adquirida en 2023 por 1.300 millones de dólares estadounidenses por Databricks porque el entrenamiento y la operación de modelos abiertos se volvieron estratégicos para las empresas. Together AI, Anyscale, Replicate y otros proveedores ocupan capas similares en el stack.

Para los inversores europeos, la parte más emocionante no es el intento de reconstruir OpenAI. Eso es demasiado intensivo en capital y probablemente demasiado tarde si no se tiene una base de computación estatal o similar a la de un Hyperscaler. Lo emocionante son las capas en torno a los flujos de trabajo industriales: enrutamiento de modelos, evaluación, conexión segura de datos, sistemas RAG específicos del sector, agentes de IA para procesos de ofertas, servicio, piezas de repuesto, gestión de calidad. Allí residen los márgenes cuando los modelos base se convierten en mercancía (commodity).

Lo sé, «commodity» suena brutal para una tecnología que acaba de llegar a las juntas directivas. Pero muchas capacidades básicas se convertirán exactamente en eso: resumir texto, extraer datos, clasificar correos electrónicos, completar tablas. Si cada proveedor puede hacerlo, nadie ganará márgenes altos de forma permanente solo con la llamada al modelo. El valor se desplaza a la integración en SAP, Salesforce, Microsoft Dynamics, HubSpot, sistemas PLM, MES y espacios de datos internos. Allí se decide si la IA es una interfaz agradable o una palanca de productividad.

IA de código abierto en ventas: Por qué se beneficia la gestión del pipeline

Escribo en el blog de Amplifa, así que, por supuesto, me fijo especialmente en las ventas y el Go-to-Market. El mayor error sobre la IA en las ventas es que se trata principalmente de mejores correos electrónicos. No. Los correos electrónicos son solo lo visible. El trabajo real reside en la segmentación, la priorización, el procesamiento de señales, la higiene del CRM, el timing y la cuestión de si una cuenta está realmente lista para comprar o solo se ve bien en el dashboard.

La IA de código abierto tiene aquí una ventaja práctica: muchas tareas de ventas no son creativas, sino estructuradas. Un modelo debe reconocer a partir de un sitio web si una empresa utiliza máquinas de moldeo por inyección. Debe deducir de un anuncio de empleo si se está llevando a cabo un proyecto de migración a SAP. Debe extraer inversiones en nuevas plantas de un informe anual. Debe reconocer a partir de 18 notas de CRM si un trato se estanca porque compras, técnica o la dirección están bloqueando. Estas son tareas que se pueden evaluar. Tasa de acierto. Tipos de error. Coste por cuenta.

En mayo de 2025, hicimos internamente una evaluación de varias configuraciones de campaña en las que se enriquecieron y priorizaron listas de clientes objetivo para proveedores técnicos B2B. El patrón: la mayor ganancia de calidad no provino del modelo más fuerte, sino de mejores criterios. Si el ICP era difuso, incluso un modelo de primer nivel producía ruido costoso. Si el ICP estaba limpio, los modelos más pequeños podían clasificar señales de forma sorprendentemente estable. Esto es incómodo para todos los que venden la IA como un atajo para la estrategia. La IA no elimina la falta de definición mediante la automatización. La escala.

ICP Playbook para la priorización de mercado asistida por IA — El Playbook muestra cómo las empresas B2B definen segmentos objetivo, disparadores de compra y criterios de exclusión para que la IA encuentre señales fiables en las ventas.

Closed Source sigue siendo fuerte, pero de forma diferente a lo que muchos piensan

No quiero fingir que los modelos abiertos simplemente desplazarán a los proveedores cerrados. Eso es absurdo. Los modelos cerrados siguen siendo fuertes porque combinan velocidad de investigación, experiencia de producto y ventas empresariales. Microsoft puede introducir Copilot en las superficies de trabajo existentes. Google puede integrar Gemini profundamente en Workspace y Cloud. Amazon puede llevar Anthropic a los procesos de adquisición a través de AWS. Salesforce puede empaquetar la IA en los flujos de trabajo de CRM. SAP puede poner a Joule en contextos de ERP. Esta distribución es un foso defensivo (moat).

Para las medianas empresas esto significa: utilizar, pero no fusionarse. Un piloto con Azure OpenAI puede permitir aprender más en cuatro semanas que seis meses de documentos de arquitectura. Un despliegue de Copilot puede aliviar el trabajo de conocimiento. Una prueba de Claude puede mostrar qué calidad es posible en licitaciones complejas. Pero cada aplicación que estructura el conocimiento central de la empresa debe construirse de manera que sea posible un cambio de modelo. Me repito aquí intencionadamente. El mercado se mueve demasiado rápido para decisiones de proveedores religiosas.

Un director de compras de Mannheim me dijo en febrero de 2025: «Con la nube ya creímos una vez que los precios caerían eternamente». Luego sonrió. No de forma amistosa. Precisamente esa experiencia marca a muchos CIOs. Primero, la facturación por consumo es flexible. Luego, las cargas de trabajo aumentan. Luego llegan las dependencias. Luego, la optimización se convierte en un proyecto propio. Con la GenAI, la misma curva puede correr más rápido porque cada nuevo flujo de trabajo quema tokens.

Mi pronóstico para 2026 a 2028

Primero: la brecha entre los modelos abiertos y cerrados en tareas rutinarias se volverá tan pequeña que la adquisición y la gobernanza serán más importantes que los benchmarks. No en todas partes. Pero en suficientes procesos como para cambiar las listas de precios. Espero que muchos proveedores cerrados bajen más sus precios o los empaqueten más fuertemente porque los modelos abiertos establecen el límite inferior. El cliente no percibirá esto como una «victoria del código abierto». Simplemente obtendrá mejores condiciones.

Segundo: las empresas de fabricación europeas hablarán menos de chatbots y más de agentes de procesos. Agentes de ofertas que extraen requisitos técnicos de RFQs. Agentes de servicio que comprueban patrones de error contra historiales de máquinas. Agentes de ventas que priorizan cuentas según disparadores de compra reales. Agentes de calidad que estructuran informes de inspección. Estos agentes no se ejecutarán todos en un solo modelo. Necesitarán enrutamiento de modelos, y es precisamente ahí donde la apertura será valiosa.

Tercero: la mediana empresa aprenderá una dura lección. La IA sin trabajo de datos es teatro. Muchas empresas descubrirán en 2025 y 2026 que sus documentos no están versionados, los campos de CRM no están cuidados, los datos de productos no son unívocos y los permisos han crecido históricamente. Esto no es una crítica a la IA. Es la factura por veinte años de crecimiento de herramientas. Los modelos abiertos solo ayudan si la base de datos y la responsabilidad del proceso están aclaradas.

Cuarto: Sovereign AI pasará de ser un tema de la junta directiva a un anexo de compras. En las RFPs, las preguntas sobre residencia de datos, cambio de modelo, logging, uso para entrenamiento, operación en la UE, auditabilidad y escenarios de salida serán el estándar. Los proveedores que respondan a esto solo con diapositivas de marketing, pierden. Los proveedores que muestren rutas de arquitectura concretas —cerradas, abiertas, híbridas, on-prem, private cloud— ganan confianza. No siempre el trato. Pero sí la segunda conversación.

Cuando pienso de nuevo en Thomas de Heilbronn, no veo su Excel. Oigo la cafetera y el montacargas de fondo. Un sonido muy analógico para una decisión muy digital. Quizás ese sea el desenlace adecuado: la lucha entre la IA de código abierto y los modelos cerrados no se decide en tablas de benchmarks, sino allí donde alguien quiere saber a las ocho de la mañana si sus márgenes, planos y relaciones con los clientes seguirán siéndole propios dentro de tres años.