IA de Código Abierto: Informe de Tendencias para PYMES

KI & Automatisierung · 27. Mai 2026 · Rebecca Kupka

La IA de código abierto está cambiando los precios, el "lock-in" y la estrategia de GenAI en las PYMES. Lea lo que los fabricantes de DACH decidirán en 2025 antes de la ronda presupuestaria.

El pasado martes, a las 8:17 de la mañana, estoy en nuestra oficina de Berlín en una llamada con Thomas, director general de un proveedor cerca de Heilbronn. A su lado, una cafetera zumba, en algún lugar de fondo suena una carretilla elevadora marcha atrás, y en su pantalla hay un Excel con precios de proveedores, reclamaciones y 2.861 actividades de CRM abiertas. "Quiero usar IA", dice Thomas, "pero no quiero que nuestros dibujos y márgenes terminen en Seattle o San Francisco". Es precisamente en esta frase donde reside el mercado de la IA de código abierto. No en los "benchmarks". No en los videos de demostración. En el miedo a haber encadenado el propio valor añadido a un modelo de precios de API en cinco años.

Mi pronóstico, que todavía suena incómodo en muchas reuniones de dirección: la IA de código abierto no captará la mayor parte de las inversiones en GenAI para 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 para las PYMES 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 costos, opciones de cambio y si un fabricante de maquinaria de Baden-Württemberg seguirá decidiendo por sí mismo en tres años dónde se procesan sus informes de servicio, programas CNC y lógica de ofertas.

IA de Código Abierto 2025: Dónde está el mercado hoy

El mercado está sesgado. El capital no fluye de manera uniforme, sino en olas, y la ola más grande sigue rodando hacia los modelos cerrados. OpenAI se ha asociado desde 2023 con un total de aproximadamente 13 a 14 mil millones de dólares en capital recaudado y paquetes estructurados de Microsoft; la asociación de Microsoft se discute públicamente en el rango de 10 a 13 mil millones de dólares. Anthropic ha recibido compromisos de Amazon y Google por un total de más de 6 mil millones de dólares, dependiendo del tramo y la estructura. Cohere se encuentra más en el rango de 500 millones a 1 mil millones de dólares, con inversores como Nvidia, Oracle y Salesforce Ventures. Estas no son rondas de software normales. Son apuestas de infraestructura.

En el lado abierto, la imagen es más fragmentada, pero no pequeña. Hugging Face recaudó una ronda de 235 millones de dólares en 2023, con Salesforce, Google, Nvidia, Intel, AMD e IBM, entre otros, y fue valorada en 4.5 mil millones de dólares según informes de la época. Stability AI recibió alrededor de 100 millones de dólares en 2022 con una valoración de alrededor de 1 mil millones de dólares, luego se encontró bajo presión financiera, pero siguió siendo influyente para los modelos de imagen abiertos. Aleph Alpha de Heidelberg recibió una ronda de financiación estratégica de alrededor de 500 millones de dólares o 400 a 500 millones de euros en 2023, respaldada por SAP, Bosch, Schwarz Gruppe, Hewlett Packard Enterprise y otros actores industriales y financieros alemanes. Mistral AI de París es el caso especial: posicionada como abierta, estructurada comercialmente, con 105 millones de euros en "seed" en 2023 y luego alrededor de 385 millones de euros en Serie A, con discusiones de valoración de alrededor de 5 mil millones de dólares en 2024.

Cuando discuto esto con los CFOs, a menudo veo el mismo reflejo. "Así que los cerrados ganan", me dijo hace tres semanas Andrea, jefa de ventas de un "Hidden Champion" en Bielefeld, mientras en la sala de conferencias de al lado alguien arrastraba un archivador sobre baldosas. Bueno, casi. Ganan 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 en 2.6 a 4.4 billones de dólares, con grandes contribuciones de la fabricación, la cadena de suministro, el desarrollo de productos y la interacción con el cliente. Goldman Sachs escribió en 2023 que GenAI podría aumentar el PIB global en alrededor del 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 300 a 500 mil millones de dólares anuales para 2026 o 2027, según la definición. Estas cifras suenan abstractas. En una fábrica en Tuttlingen, esto significa: ¿Quién escribe el informe de servicio? ¿Quién busca en la documentación de piezas de repuesto? ¿Quién revisa los correos electrónicos de los proveedores? ¿Quién prioriza los "leads" de los 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 proporción es significativamente mayor que en las pequeñas. En conversaciones con PYMES de ingeniería mecánica, ingeniería eléctrica y proveedores de automoción, esto parece muy real: casi todos tienen una prueba de Copilot, una "pipeline" de Azure-OpenAI, un proyecto de chatbot interno o al menos un estudiante en prácticas que experimenta 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, comodidad y agrupación. 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 TI consta de 14 personas y que, al mismo tiempo, deben gestionar 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: alternativas. Un modelo LLaMA, un modelo Mixtral o un modelo auto-alojable de Aleph Alpha no tiene por qué ser el mejor modelo del mundo en cada tarea. Debe ser lo suficientemente bueno, lo suficientemente transparente, más barato en funcionamiento continuo y lo suficientemente flexible contractualmente para que un CIO de Ulm no tenga que aceptar el precio por millón de tokens de un proveedor estadounidense para cada nueva aplicación. Aquí es precisamente donde reside la palanca. No romántico. Económico.

Lo que vemos específicamente 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 de análisis y texto difíciles en la fase piloto, luego modelos abiertos o auto-alojables para tareas recurrentes como clasificación de leads, resumen de correos electrónicos, llenado de campos de CRM y extracción de documentos. El punto de inflexión no llega con una "IA mejor". Llega con el volumen. Tan pronto como un proceso genera miles de pequeñas llamadas de modelo al día, la curiosidad se convierte en una cuestión de costos.

Tendencia 1: La IA de código abierto fuerza la baja de precios

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

Los "benchmarks" de costos de la práctica varían mucho, porque hay que incluir los precios de los tokens, el alojamiento, la utilización, el tamaño del modelo, la cuantificación, los requisitos de latencia y el soporte. Sin embargo, en los análisis de mercado y los cálculos en la nube, vemos una banda recurrente: la inferencia y el ajuste fino con modelos abiertos pueden ser de 5 a 20 veces más baratos para ciertas cargas de trabajo de alto volumen que la adquisición permanente de API de modelos cerrados de primera línea. No siempre es cierto. Si una empresa no tiene infraestructura, tiene una mala utilización y necesita tres proveedores de servicios externos para la operación, la ventaja se desvanece. Pero para tareas estructuradas con muchas repeticiones, la presión de los costos 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 solicitudes entrantes: pieza de repuesto, negocio de proyectos, solicitud de precio, reclamación, solicitud de distribuidor. ¿Modelo cerrado? Funcionó de inmediato. ¿Modelo abierto más pequeño? Después de 300 ejemplos anotados y un "prompt" limpio más recuperación, la tasa de aciertos para las cuatro clases más importantes estaba lo suficientemente cerca del modelo cerrado como para que el CFO ya no hablara de la calidad del modelo, sino de los costos mensuales. Ese es el momento en que el mercado cambia. Silenciosamente, en Excel.

Yann LeCun ha argumentado durante años que las plataformas de IA abiertas crean ecosistemas más robustos a largo plazo que unos pocos guardianes cerrados. Para las empresas industriales, esto no es ideología, sino una posición de compra.

— Yann LeCun, Científico Jefe de IA en Meta

Considero que el término "paraguas de precios de código abierto" es demasiado blando. Es más bien una palanca. Tan pronto como el departamento de compras puede demostrar que una alternativa abierta realiza el 70 por ciento de la tarea por el 20 por ciento del costo, la conversación con Microsoft, Google, Salesforce o un proveedor de IA especializado cambia. La variante abierta no siempre gana. Pero obliga a la otra parte a explicar por qué su precio está justificado.

Tendencia 2: Las arquitecturas híbridas se convertirán en la norma

La frase más aburrida en los talleres de estrategia de IA es, lamentablemente, también la más correcta: no habrá un solo modelo. Lo sé, nadie quiere gestionar otro portafolio. Los directores generales quieren claridad, TI quiere menos variantes, compras quiere menos contratos. Sin embargo, las arquitecturas reales se dirigen hacia una mezcla de modelos. Modelos cerrados para tareas donde el mejor rendimiento de razonamiento es crucial. Modelos abiertos para altos volúmenes, datos sensibles, baja latencia o procesos que deben ser auditados.

En Festo, Trumpf, DMG Mori, Phoenix Contact o Schaeffler se observan públicamente iniciativas de IA muy diversas, pero la tensión fundamental es similar a la de las PYMES: el conocimiento del producto, los datos de servicio, la lógica de producción y el diálogo con el cliente no deben migrar arbitrariamente a plataformas externas. Un jefe de ventas de Stuttgart me dijo en abril de 2025: "Nuestro historial de precios no es material de capacitación". Luego se rió. Brevemente. Después, hubo silencio en la sala, solo se oía el ventilador del proyector. Precisamente este silencio es la cuestión arquitectónica.

Los patrones híbridos típicos surgen a lo largo de los riesgos de los datos. Un Copilot de Microsoft 365 para el trabajo interno de oficina puede ser útil si los permisos son 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 puntuación de leads que combina datos de CRM, datos de la empresa y señales web puede ejecutarse, según la clase de datos, a través de una arquitectura orquestada: un modelo cerrado potente 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 distinguen por el logotipo del proveedor, sino por el riesgo del proceso. ¿Qué sucede si la respuesta es incorrecta? ¿Cuánto cuesta una llamada de modelo con 50.000 operaciones al mes? ¿Qué datos abandonan la red? ¿Puedo cambiar de proveedor sin reconstruir la aplicación? Suena seco. Y lo es. Pero ahí es precisamente 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 como un freno al principio. Comprensible. Suena a diapositivas de protección de datos y largas reuniones con el departamento legal. Pero sin clasificación de datos, cada proyecto de IA se vuelve político. Entonces, el departamento de diseño se bloquea porque los datos CAD podrían verse afectados. El departamento de ventas se bloquea porque los precios de los clientes se hacen visibles. TI se bloquea porque nadie conoce las reglas de registro. Al final, el proyecto piloto más pequeño gana: un chatbot para el reglamento del comedor. Agradable. Estratégicamente irrelevante.

Tendencia 3: La IA Soberana se convierte en un argumento de compra, no en relaciones públicas

La IA soberana suena a Bruselas, solicitud de financiación y mesa redonda. Durante mucho tiempo no me gustó el término. Demasiado grande. Demasiado nebuloso. Sin embargo, en las conversaciones con los clientes, tiene un significado muy concreto: ¿Dónde se ejecutan los modelos? ¿Quién ve los registros? ¿Quién puede subir los precios? ¿Quién puede retirar una característica? ¿Quién decide qué datos se pueden utilizar para el entrenamiento? Un director de producción de Augsburgo lo formuló recientemente de forma más sencilla: "Quiero ver el enchufe".

Europa tiene un reflejo diferente al de EE. UU. Reglamento General de Protección de Datos, Ley de IA de la UE, 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. La Ley de IA de la UE fue finalmente adoptada en 2024; muchas obligaciones entrarán en vigor 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 auto-alojables no resuelven automáticamente estos requisitos. Pero facilitan ciertas pruebas, porque la operación, el registro y los flujos de datos se vuelven más controlables.

Aleph Alpha es, por lo tanto, estratégicamente más interesante para DACH de lo que algunas discusiones puramente de "benchmarking" podrían sugerir. Heidelberg en lugar de California no es un argumento de calidad por sí solo. 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 compras. Mistral AI en Francia juega un papel similar a nivel europeo, aunque la empresa tiene modelos de negocio híbridos y no todo es abierto. Hugging Face, por otro lado, no es una empresa clásica de IA soberana, pero sí la infraestructura para la comparabilidad: modelos, conjuntos de datos, tablas de clasificación, opciones de implementación. Sin estas plataformas, los modelos abiertos serían difícilmente accesibles para las PYMES.

La dimensión política se subestima. Cuando SAP, Bosch y Schwarz Gruppe invierten en Aleph Alpha, no es un mero negocio de rentabilidad. Es una señal: la industria europea no quiere obtener todas las funciones de IA a través de hiperescaladores estadounidenses. Al mismo tiempo, estas mismas empresas, por supuesto, siguen invirtiendo en los ecosistemas de Microsoft, AWS, Google y Nvidia. Esto no es una contradicción. Esto es cobertura.

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

¿Qué significa la IA de código abierto para las PYMES?

Para los directores generales de fabricación, la pregunta clave 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. Dibujos CAD, datos de herramientas, precios de proveedores, informes de pruebas, historial de reclamaciones, notas de turno, parámetros de máquinas: no son textos intercambiables. Son activos operativos.

Aquí soy deliberadamente directo: quien en 2026 vincule su hoja de ruta completa de IA a un único hiperescalador estadounidense, sin una arquitectura de respaldo, 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. La negligencia es la calle de sentido único. Las PYMES ya han experimentado suficientes veces en ERP, PLM y MES lo que sucede cuando el modelo de datos, la lógica de procesos y el poder contractual están en una sola mano.

El cálculo económico se realiza en tres niveles. Primero, costos directos: tokens, licencias, alojamiento, esfuerzo de integración, soporte. Segundo, costos de cambio: ¿Qué tan caro será si el modelo debe ser reemplazado? Tercero, costos estratégicos: ¿Qué datos se estandarizan, registran y enriquecen en qué ecosistema? El tercer punto es el más difícil de cuantificar y, por lo tanto, peligroso. En las rondas presupuestarias, a menudo gana la línea que se puede contar.

Para el departamento de ventas, el impacto es particularmente tangible. Un modelo abierto no tiene que escribir poesía perfecta. Debe identificar claramente si un cliente objetivo encaja en el ICP, si una solicitud huele a negocio de proyecto, si un correo electrónico de un cliente existente contiene una señal de "up-sell" o si un registro de CRM está dañado. Muchas de estas tareas son clasificatorias, no mágicas. Si se ejecutan millones de veces, la lógica de costos unitarios es importante. Si utilizan datos sensibles de clientes, la ubicación de los datos es importante. Si están incrustadas en Salesforce, HubSpot, SAP C/4HANA o Microsoft Dynamics, la intercambiabilidad es importante.

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

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

Una cartera de modelos suena a 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 la infraestructura local? ¿Qué clases de datos están prohibidas? ¿Qué modelos se prueban trimestralmente con tareas reales? Esto no es un programa de investigación. Esto es gestión operativa.

Veo demasiadas empresas que empiezan por el punto equivocado. Preguntan: "¿Qué herramienta debemos comprar?" Sería mejor: "¿Qué procesos generan suficiente volumen, riesgo o margen como 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 los tiempos de ciclo, el desperdicio y el mantenimiento. Con la IA, esto sucede constantemente. Se contrata una licencia, se ejecuta un piloto, todos quedan impresionados, luego viene la protección de datos, luego el comité de empresa, luego la curva de costos. El piloto no muere ruidosamente. Desaparece en el canal de Teams.

Preguntas Frecuentes: ¿Es la IA de código abierto realmente más barata?

Sí, a menudo. Pero no automáticamente. La IA de código abierto se vuelve más barata cuando una empresa tiene tareas repetibles de alto volumen, la calidad del modelo es suficiente, la infraestructura se utiliza bien y la operación no se dispara debido a los costos de especialistas. Un modelo cerrado puede ser más barato en la fase piloto porque no es necesario construir una infraestructura propia. Sin embargo, en el funcionamiento continuo con miles o millones de llamadas al mes, el cálculo a menudo cambia. Mi regla general de las conversaciones con los directores de TI y ventas: por debajo de un volumen relevante, la comodidad es un valor real; por encima de eso, la comodidad es un riesgo de costo.

Preguntas Frecuentes: ¿Pierde calidad la IA de código abierto?

En tareas generales de alto nivel, la mayoría de las veces sí. Los modelos de la clase GPT-4, Claude y Gemini suelen estar a la cabeza en razonamiento amplio, procesamiento de contexto largo, uso de herramientas y mecanismos de seguridad. En tareas más específicas, la brecha es mucho menor. Resumen de documentos técnicos, extracción de pedidos, clasificación de leads, QA aumentada por recuperación, asistentes de conocimiento internos, ayuda de código para repositorios definidos: aquí los modelos abiertos pueden acercarse mucho después de la adaptación. A veces son completamente suficientes. El error es evaluar la calidad del modelo de forma abstracta. Un proceso de ventas no tiene una puntuación Elo.

Preguntas Frecuentes: ¿Cómo encaja esto con la Ley de IA de la UE?

La Ley de IA de la UE no hace que la IA sea imposible, pero traslada la responsabilidad a la empresa. Quien utiliza la IA en procesos de riesgo debe documentar cuidadosamente los flujos de datos, el propósito del modelo, el control humano, el registro y la gestión de riesgos. Los modelos abiertos o autoalojados ayudan porque pueden dar más control sobre la operación y las rutas de datos. No reemplazan la gobernanza. Un modelo en el propio servidor no es automáticamente compatible. 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 PYME, 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 alrededor de eso.

1. Definir clases de datos: Separe los datos públicos, los datos de clientes, la información de precios, la propiedad intelectual técnica, los datos personales y los datos de producción críticos para la seguridad. Sin este mapa, cada decisión de IA será una corazonada.
2. Clasificar los 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. Comparar modelos cerrados y abiertos: Pruebe GPT-4, Claude o Gemini contra LLaMA, Mixtral, Mistral o Aleph Alpha en documentos alemanes reales. No en "prompts" de demostración. En sus reclamaciones, manuales, notas de CRM y correos electrónicos de ofertas.
4. Calcular el costo por cada 1.000 operaciones: No solo compare los precios de los tokens. Incluya el alojamiento, la latencia, la monitorización, el esfuerzo de integración, el soporte y el crecimiento esperado. El valor relevante es el TCO a 3 a 5 años.
5. Planificar una capa de intercambio: Utilice orquestación, interfaces claras y versionado de "prompts" o evaluaciones para que el modelo pueda cambiarse. Quien pega la lógica del modelo directamente en los procesos especializados, crea el "lock-in" por sí mismo.
6. Aclarar la gobernanza temprano con el departamento legal, TI y el departamento especializado: Documente los flujos de datos, el registro, los permisos, las aprobaciones humanas y las reglas de escalada antes del lanzamiento. Más tarde será más caro y político.
7. Medir el éxito con métricas de proceso: En ventas, cuentan la tasa de citas, la precisión del segmento, el tiempo de respuesta, la calidad del "pipeline" y los datos de CRM limpios. En servicio y fabricación, cuentan el tiempo de búsqueda, la tasa de resolución en el primer contacto, el desperdicio, los minutos de inactividad o el esfuerzo de documentación.

Producto Amplifa Amplifa ayuda a los equipos B2B a utilizar las señales de mercado, cuentas y 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 el mercado, lo primero que ven es la intensidad de capital. Los modelos fundacionales 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 enormes sumas. No solo venden modelos, venden acceso a una infraestructura de computación y productividad.

Las empresas cercanas al código abierto siguen una lógica diferente. No siempre necesitan poseer el modelo base más grande. Pueden hacer la inferencia más barata, curar modelos, simplificar el ajuste fino, asegurar la implementación, vender soporte empresarial o construir aplicaciones verticales. Hugging Face es el mejor ejemplo de esto: es menos un proveedor de modelos que un mercado, un conjunto de herramientas y una capa de confianza. MosaicML fue adquirida por Databricks en 2023 por 1.300 millones de dólares, 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 la pila.

Para los inversores europeos, la parte más emocionante no es intentar replicar OpenAI. Eso es demasiado intensivo en capital y probablemente demasiado tarde si no se tiene una base computacional estatal o similar a la de un hiperescalador. Lo emocionante son las capas alrededor de los flujos de trabajo industriales: enrutamiento de modelos, evaluación, conexión segura de datos, sistemas RAG específicos del sector, agentes de IA para procesos de oferta, servicio, piezas de repuesto, gestión de calidad. Ahí es donde residen los márgenes cuando los modelos base se convierten en una mercancía.

Sé que "commodity" suena brutal para una tecnología que acaba de llegar a los consejos de administración. Pero muchas capacidades básicas se convertirán precisamente en eso: resumir texto, extraer datos, clasificar correos electrónicos, rellenar tablas. Si todos los proveedores pueden hacerlo, nadie obtendrá márgenes altos de forma duradera solo con la llamada al modelo. El valor se traslada a la integración en SAP, Salesforce, Microsoft Dynamics, HubSpot, sistemas PLM, MES y espacios de datos internos. Ahí es donde 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 de "pipelines"

Escribo en el blog de Amplifa, así que, naturalmente, me centro especialmente en las ventas y el "go-to-market". El mayor error sobre la IA en ventas es que se trata principalmente de mejores correos electrónicos. No. Los correos electrónicos son solo visibles. 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 simplemente se ve bien en el panel de control.

La IA de código abierto tiene una ventaja práctica aquí: muchas tareas de ventas no son creativas, sino estructuradas. Un modelo debe reconocer en un sitio web si una empresa utiliza máquinas de moldeo por inyección. Debe deducir de una oferta de empleo si se está llevando a cabo un proyecto de migración de SAP. Debe extraer de un informe anual inversiones en nuevas fábricas. Debe reconocer de 18 notas de CRM si un acuerdo está estancado porque el departamento de compras, el técnico o la dirección lo están bloqueando. Estas son tareas que se pueden evaluar. Tasa de aciertos. Tipos de errores. Costo por cuenta.

En mayo de 2025, realizamos un análisis interno de varias configuraciones de campañas 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 potente, sino de mejores criterios. Si el ICP era impreciso, incluso un modelo de primera línea producía ruido costoso. Si el ICP era limpio, los modelos más pequeños podían clasificar las señales de manera sorprendentemente estable. Esto es incómodo para todos aquellos que venden la IA como un atajo para la estrategia. La IA no elimina la imprecisión. La escala.

ICP Playbook para la priorización de mercado impulsada 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.

El código cerrado 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 una tontería. Los modelos cerrados siguen siendo fuertes porque combinan el ritmo de la investigación, la experiencia del producto y las ventas empresariales. Microsoft puede introducir Copilot en las interfaces 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 integrar Joule en contextos ERP. Esta distribución es un foso.

Para las PYMES, esto significa: usar, pero no fusionar. Un piloto con Azure OpenAI puede enseñar más en cuatro semanas que seis meses de documentación de arquitectura. Un despliegue de Copilot puede aliviar el trabajo del conocimiento. Una prueba de Claude puede mostrar la calidad posible en licitaciones complejas. Pero cada aplicación que estructura el conocimiento central de la empresa debe construirse de tal manera que sea posible cambiar de modelo. Me repito aquí intencionadamente. El mercado se mueve demasiado rápido para decisiones religiosas de proveedores.

Un jefe de compras de Mannheim me dijo en febrero de 2025: "Ya creímos una vez en la nube que los precios bajarían para siempre". Luego sonrió. No amistosamente. Precisamente esta experiencia marca a muchos CIOs. Primero, la facturación por consumo es flexible. Luego, las cargas de trabajo aumentan. Luego, surgen dependencias. Luego, la optimización se convierte en un proyecto propio. Con GenAI, la misma curva puede ser más rápida, 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 reducirá tanto que la adquisición y la gobernanza serán más importantes que los "benchmarks". No en todas partes. Pero en suficientes procesos para cambiar las listas de precios. Espero que muchos proveedores cerrados sigan bajando sus precios o agrupando más, porque los modelos abiertos establecen el límite inferior. El cliente no lo percibirá como una "victoria del código abierto". Simplemente obtendrá mejores condiciones.

Segundo: Las empresas manufactureras europeas hablarán menos de "chatbots" y más de agentes de procesos. Agentes de ofertas que extraen requisitos técnicos de las RFQ. Agentes de servicio que comprueban los patrones de error con los historiales de las máquinas. Agentes de ventas que priorizan las cuentas según los verdaderos disparadores de compra. Agentes de calidad que estructuran los informes de pruebas. Estos agentes no se ejecutarán todos en un solo modelo. Necesitarán enrutamiento de modelos, y ahí es precisamente donde la apertura se vuelve valiosa.

Tercero: Las PYMES aprenderán una dura lección. La IA sin trabajo de datos es teatro. Muchas empresas se darán cuenta en 2025 y 2026 de que sus documentos no están versionados, los campos de CRM no están actualizados, los datos de productos no son unívocos y los permisos han crecido históricamente. Esto no es una crítica a la IA. Es la factura de veinte años de crecimiento de herramientas. Los modelos abiertos solo ayudan si la base de datos y la responsabilidad del proceso están claras.

Cuarto: La IA soberana pasará de ser un tema de junta directiva a un anexo de compras. En las solicitudes de propuestas (RFP), las preguntas sobre la residencia de los datos, el cambio de modelo, el registro, el uso de la formación, la operación en la UE, la auditabilidad y los escenarios de salida serán estándar. Los proveedores que solo respondan con diapositivas de marketing perderán. Los proveedores que muestren rutas arquitectónicas concretas (cerradas, abiertas, híbridas, "on-premise", nube privada) ganarán confianza. No siempre el trato. Pero la segunda conversación.

Cuando pienso en Thomas de Heilbronn, no veo su Excel. Escucho la cafetera y la carretilla elevadora de fondo. Un sonido muy analógico para una decisión muy digital. Quizás esa sea la moraleja adecuada: la batalla entre la IA de código abierto y los modelos cerrados no se decidirá en tablas de "benchmarking", sino donde alguien, a las ocho de la mañana, quiere saber si sus márgenes, dibujos y relaciones con los clientes seguirán siendo suyos dentro de tres años.