Sábado 21 de marzo de 2026. Pensaba que sería un día tranquilo, pero acaba de pasar algo que, para muchos, aún pasa desapercibido y que podría cambiar el futuro de los semiconductores, de la inteligencia artificial y, me atrevo a decir, de la humanidad.

Nada más despertarme reviso las notificaciones en el móvil y, al abrir X, me encuentro con un vídeo en el perfil de SpaceX. Pincho sin pensarlo dos veces. Ahí está Elon Musk, sobre un escenario sencillo en la antigua planta eléctrica Seaholm de Austin, hablando con esa mezcla de calma y urgencia que solo él sabe transmitir. A medida que lo escucho, voy abriendo cada vez más los ojos. No me ha hecho falta ni café hoy. A medida que escucho, me repito a mí misma: el mundo de los semiconductores acaba de dar un giro inesperado. Madre mía.

Lo que Musk y los equipos de Tesla, SpaceX y xAI acaban de desvelar se llama Terafab.

No es una fábrica de chips más. Es una instalación “todo en uno”, la primera de su clase en el mundo, que combina en un solo edificio el diseño, la fabricación de lógica y memoria, el empaquetado avanzado, las pruebas y la mejora continua de los procesos. Musk la describió como “la fábrica recursiva”: un lugar donde todo ocurre bajo el mismo techo, permitiendo iterar y mejorar mucho más rápido que en las plantas tradicionales.

La escala es increíble. Terafab aspira a producir, una vez a pleno rendimiento, entre 100.000 y 200.000 millones de chips personalizados de inteligencia artificial y memoria al año. Para hacernos una idea, esa capacidad equivale aproximadamente al 70 % de la producción avanzada actual de TSMC, la mayor fabricante de chips del planeta, concentrada en un solo edificio en Texas. El coste estimado ronda los 20.000-25.000 millones de dólares y se construirá en Austin, muy cerca de la Gigafactory de Tesla.

¿Por qué hace falta algo tan enorme? La respuesta la dio durante la presentación. Tesla necesita miles de millones de chips para llevar el Full Self-Driving a millones de vehículos, para fabricar decenas o cientos de millones de robots Optimus y para los futuros robotaxis. xAI requiere una potencia de cómputo masiva para entrenar y ejecutar Grok a escala global. Y SpaceX quiere llevar inteligencia artificial al espacio, con satélites capaces de procesar datos en órbita.

Hoy, todas estas empresas dependen casi por completo de TSMC y Samsung en Taiwán. Musk lo explicó sin rodeos: incluso en el mejor de los escenarios posibles, los proveedores actuales no podrán entregar los volúmenes necesarios en tres o cuatro años. “Eso es más de lo que todos los fabricantes de chips del mundo combinados pueden proporcionar hoy, o incluso para 2030”, dijo. Y añadió la frase que resumió todo: “O construimos Terafab o no tendremos los chips que necesitamos”.

La fábrica utilizará el proceso más avanzado disponible: 2 nanómetros. En términos sencillos, eso significa que cabrán muchos más transistores en el mismo espacio, logrando chips más potentes y que consumen menos energía. Producirá chips optimizados tanto para decisiones rápidas en vehículos, robots y satélites como para centros de datos de alta potencia.

Durante el evento, Musk no se quedó solo en números y planos. Mostró renders de satélites de inteligencia artificial alimentados por paneles solares y con radiadores que aprovechan el vacío del espacio para enfriarse sin esfuerzo. Aparecieron animaciones de Starship despegando desde la Luna y visiones de bases lunares que, algún día, podrían generar una potencia de cómputo enorme.

Musk resumió su visión con una de sus frases que mezclan inteligencia y a la vez esa mente de genio que pocos pueden comprender: Terafab es “el siguiente paso hacia convertirnos en una civilización galáctica”. Junto con SpaceX y xAI, el objetivo a largo plazo es producir más de un teravatio de potencia de cómputo al año, con una parte importante destinada al espacio.

Y soltó una de esas frases que se quedan grabadas: “Quantity has a quality all its own” (la cantidad tiene una calidad propia). En otras palabras, a esta escala surgen capacidades que proyectos más modestos nunca podrían alcanzar.

Este anuncio va a sacudir el mercado de semiconductores. Hasta ahora, la fabricación avanzada estaba concentrada en unos pocos actores en Asia. Terafab añade una capacidad enorme en suelo estadounidense, acelera el regreso de la producción a casa y promete bajar drásticamente el precio de los chips de inteligencia artificial. Musk ha señalado que busca procesadores significativamente más baratos y eficientes que los actuales líderes del mercado, como los Blackwell de NVIDIA.

Para TSMC, el impacto es notable: pierde un cliente estratégico y ve cómo un nuevo competidor en Estados Unidos aspira a su nivel de escala. Aunque Tesla seguirá usando sus servicios para el chip AI5 inicial, a medio plazo Terafab reducirá esa dependencia. Para NVIDIA, el desafío es aún mayor. La empresa domina hoy el mercado porque nadie más produce chips de este tipo a semejante escala con software tan optimizado. Terafab permitirá a Tesla y xAI construir sus propios sistemas masivos (incluso usando flotas de coches aparcados como red distribuida) y competir directamente en inferencia. Sus márgenes y cuota de mercado podrían enfrentarse a una presión sin precedentes.

ASML, la empresa que fabrica las máquinas de litografía ultravioleta extrema necesarias para el nodo de 2 nanómetros, saldrá beneficiada a largo plazo. Terafab necesitará un gran número de esas máquinas, que hoy son extremadamente escasas. En el corto plazo puede haber tensión en la asignación, pero el efecto neto es más demanda de su tecnología más avanzada.

Por supuesto, el camino no será fácil. Tesla nunca ha fabricado chips a esta escala, solo los ha diseñado. Conseguir buenos rendimientos en un proceso de 2 nanómetros es una de las hazañas de ingeniería más difíciles que existen, y las máquinas de ASML siguen siendo el cuello de botella más grande del sector. Muchos analistas dudan que se cumplan los plazos ambiciosos que ha marcado Musk. Pero todos sabemos que, como ya se ha demostrado con cohetes reutilizables, baterías a escala masiva y la red Starlink, subestimar su capacidad para convertir visiones en realidad ha sido un error recurrente.

Mientras terminaba de ver el vídeo pensaba que acababa de presenciar algo histórico. Terafab no es solo una fábrica más de semiconductores. Es la apuesta concreta de Elon Musk que, si funciona, redefinirá el coste de la inteligencia artificial, romperá la dependencia taiwanesa, presionará directamente a NVIDIA y TSMC, y convertirá Austin en el nuevo centro mundial del silicio.

Como resumió el propio Musk: “TERAFAB: the next step to becoming a galactic civilization”.

Sábado 21 de marzo de 2026. Un día que, sin duda, recordaremos.

En una de las reuniones internas de Tesla, Elon Musk interrumpe una conversación bastante técnica con sus mejores ingenieros, donde están viendo diagramas, propuestas de mejora y de automatización. Lo que le presentan parece correcto: más eficiencia, más velocidad y más tecnología.

Pero entonces Musk interrumpe con una frase incómoda: “Estáis optimizando algo que no debería existir.”

Ese momento, que se repite en distintas formas dentro de Tesla y SpaceX, resume uno de los principios más importantes (y menos intuitivos) de las empresas hoy en día: antes de automatizar, hay que cuestionar. Y antes de mejorar, hay que eliminar.

De esa idea nace lo que Musk llama su “algoritmo de cinco pasos”. No es un algoritmo en sentido técnico sino una forma de pensar que se podría aplicar a cómo las empresas están aplicando inteligencia artificial.

El gran malentendido: automatizar no es mejorar

Durante años, la industria tecnológica ha estado obsesionada con una idea que, sobre el papel, parece incuestionable: automatizar procesos. La promesa es clara y muy atractiva: si conseguimos que una tarea se ejecute sin intervención humana, reducimos costes, eliminamos errores y aumentamos la velocidad. Sin embargo, esa lógica parte de una suposición silenciosa que rara vez se cuestiona: que el proceso que estamos automatizando ya es correcto.

Y ahí es donde empieza el problema: porque automatizar no es sinónimo de mejorar y, lo que es peor, automatizar un proceso defectuoso no lo corrige, sino que lo amplifica.

Tiene sentido: si un sistema tiene redundancias, pasos innecesarios o decisiones mal planteadas, introducir tecnología lo único que hace es ejecutar esos errores más rápido y a mayor escala. Lo que antes era ineficiente pero manejable pasa a convertirse en un problema estructural difícil de detectar y aún más difícil de revertir.

El error de Tesla: automatizar demasiado pronto

En la fase de producción del Model 3, la compañía apostó por una automatización masiva desde el inicio. La idea era construir una fábrica casi completamente robotizada, donde la intervención humana fuese mínima. Era una visión coherente con el relato de futuro que rodea a Tesla, pero en la práctica se convirtió en un cuello de botella.

Los procesos no estaban suficientemente depurados, había errores en el diseño y dependencias mal resueltas, y todo eso se automatizó sin cuestionarse. El resultado fue una cadena de producción rígida, difícil de ajustar, donde cada fallo se propagaba rápidamente por todo el sistema.

Musk lo reconoció después con bastante claridad: intentar automatizar demasiado pronto fue un error, pero aquí la importancia no es solo la autocrítica, sino la forma en que decidió sistematizar ese aprendizaje.

El algoritmo de los cinco pasos

A partir de esa experiencia empezó a insistir en un enfoque muy concreto, casi obsesivo, que hoy repite dentro de Tesla y SpaceX: un algoritmo de cinco pasos que no busca mejorar procesos, sino reconstruirlos desde la base.

Y lo más importante no son los pasos, sino el orden.

1. Cuestionar los requisitos

El primer paso es, probablemente, el más incómodo de todos: cuestionar los requisitos. En cualquier organización, los requisitos suelen asumirse como un punto de partida sólido, algo que no se discute porque ya ha sido validado en algún momento anterior.

Musk rompe con esa lógica de forma bastante directa al afirmar que “los requisitos son definitivamente tontos”. Lo que está diciendo, en el fondo, es que muchas de las condiciones sobre las que trabajamos no responden a una necesidad real, sino a inercias organizativas, decisiones pasadas o suposiciones que nunca se revisaron.

Si no cuestionas el punto de partida, todo lo que construyas después estará condicionado por un error inicial.

2. Eliminar de forma agresiva

El segundo paso es el más radical y, según él, el más importante: borrar todo aquello que no sea estrictamente necesario.

Aquí introduce una idea que resulta especialmente interesante porque va en contra del instinto habitual en empresa: si no tienes que recuperar al menos un diez por ciento de lo que has eliminado, significa que no has eliminado suficiente. Es decir, el proceso correcto no es conservador, es agresivo.

Se trata de reducir el sistema al mínimo viable, asumir que te vas a equivocar en el recorte y luego reconstruir lo imprescindible. Este enfoque obliga a enfrentarse a la complejidad acumulada y a tomar decisiones que muchas veces son más organizativas que técnicas.

La idea de Musk es esta: cuando eliminas cosas en un proceso, no sabes exactamente qué es imprescindible y qué no. Si eliminas con demasiado cuidado, lo más probable es que dejes dentro muchas cosas inútiles “por si acaso”.

Entonces, propone eliminar de forma agresiva, es decir, quitar más de lo que crees necesario. Esto te lleva a que siempre te equivocas y tienes que volver a añadir algunas cosas.

Ahí está el punto importante: si después de eliminar no tienes que añadir nada de vuelta, significa que has sido demasiado conservador. Has quitado solo lo evidente y has dejado mucho “ruido” dentro del sistema.

En cambio, si eliminas mucho y luego tienes que recuperar, por ejemplo, un 10%, eso indica que realmente has simplificado el sistema al máximo.

3. Simplificar y optimizar (pero en el momento correcto)

Solo después de eliminar aparece el tercer paso: simplificar y optimizar. Y aquí es donde Musk introduce una crítica bastante directa a un perfil muy común en entornos tecnológicos: el del ingeniero brillante que optimiza sistemas con enorme precisión sin cuestionar si esos sistemas deberían existir.

Optimizar algo innecesario es, en el fondo, una forma sofisticada de desperdiciar recursos. Puede generar la sensación de progreso, porque los números mejoran y los sistemas funcionan más rápido, pero no resuelve el problema de fondo.

Por eso insiste en el orden: primero decides qué merece la pena mantener, y solo entonces inviertes en hacerlo mejor.

4. Acelerar sin amplificar errores

El cuarto paso consiste en acelerar el tiempo de ciclo, es decir, hacer que el sistema funcione más rápido. Pero en este punto el contexto ya ha cambiado completamente. No estás acelerando un proceso heredado, lleno de fricciones invisibles, sino un sistema que ha sido cuestionado, reducido y simplificado.

Acelerar en este momento no introduce riesgo, sino que amplifica un diseño que ya tiene sentido, precisamente porque hemos hecho los pasos anteriores. Es una diferencia sutil, pero clave, porque determina si la velocidad es una ventaja o un multiplicador de errores.

5. Automatizar al final, no al principio

Y finalmente llega el paso que intuitivamente muchas empresas colocan en primer lugar: automatizar.

Para Musk, la automatización es la consecuencia final de haber entendido el sistema, no el punto de partida. Automatizar implica rigidez, implica convertir un proceso en algo menos flexible y más difícil de modificar. Por eso debe hacerse cuando el sistema ya ha sido depurado.

Su propio error en Tesla fue invertir ese orden, intentar automatizar antes de haber eliminado y simplificado, y eso le obligó a dar marcha atrás en un momento especialmente delicado para la compañía.

La parte que casi nadie cuenta: volver atrás

Hay un elemento en este enfoque que lo hace especialmente interesante: no es un sistema perfecto, es un sistema iterativo.

Musk admite que él mismo cometió el error de hacer los pasos en el orden incorrecto. Automatizar primero, luego acelerar, después simplificar y finalmente eliminar. Es decir, recorrió el camino al revés y tuvo que deshacer lo construido.

Esta idea de “volver atrás” es fundamental porque conecta directamente con lo que está ocurriendo hoy en muchas empresas con la inteligencia artificial. Empiezan por el final. Implementan modelos, automatizan tareas, integran herramientas… y meses después descubren que el problema no estaba en la ejecución, sino en el diseño del proceso.

El paralelismo con la inteligencia artificial

En el contexto actual, la presión por adoptar IA es enorme. Herramientas, copilotos, agentes, automatización de tareas. Todo apunta hacia la automatización como objetivo final, pero en muchos casos se está abordando sin haber pasado por los pasos previos.

No se cuestionan los procesos, no se eliminan redundancias, no se simplifica la lógica de trabajo. Simplemente se añade una capa de inteligencia artificial sobre estructuras que ya eran ineficientes.

Y entonces ¿Qué estamos viendo? Que se automatiza la burocracia, la ineficiencia y las decisiones que en su día estaban mal planteadas. E incluso se automatizan decisiones que tenían sentido y que no lo tienen precisamente en tiempos de IA.

Una forma distinta de entender la eficiencia

Lo que plantea este algoritmo, en el fondo, es una redefinición de lo que significa eficiencia. No se trata de hacer más rápido lo que ya hacemos, sino de decidir qué merece la pena hacer.

Y esa decisión es mucho más compleja porque implica cuestionar estructuras existentes, hábitos organizativos e incluso roles dentro de la empresa. Eliminar procesos no es solo una decisión técnica, es una decisión cultural, y en muchas empresas, esto es lo verdaderamente difícil.

Interpretación final: la trampa de la sofisticación

Hay una idea que atraviesa toda esta historia.

La tecnología permite hacer cosas cada vez más complejas. Pero eso no significa que debamos hacerlo. De hecho, muchas veces el avance real viene de eliminar complejidad, no de añadir sofisticación.

En ese orden, y, si algo falla, vuelve atrás.

Mi opinión: En un momento en el que la inteligencia artificial parece empujarnos a automatizar todo, este enfoque introduce una pausa necesaria. Porque quizá el problema no es cómo automatizar mejor.

Esto se ve con especial claridad en logística y cadena de suministro, donde la tentación de automatizar es constante. Sistemas de predicción de demanda, optimización de rutas, gestión automática de inventarios, algoritmos de planificación… todo apunta a una misma dirección: más datos, más modelos, más automatización. Pero rara vez se cuestiona el diseño original del sistema.

Muchas empresas intentan optimizar rutas sin preguntarse si la red logística tiene sentido: por ejemplo, automatizan la reposición de inventario sin revisar si están trabajando con demasiadas referencias, o implementan modelos de predicción cada vez más complejos sobre una demanda que en realidad está mal segmentada o mal entendida.

Ocurre exactamente lo que Musk describe: que automatiza complejidad innecesaria, decisiones que no deberían existir o se aceleran procesos que ya eran ineficientes desde el origen.

Otro ejemplo muy común es el de empresas que invierten en sistemas avanzados de planificación para mejorar la precisión del stock, cuando el problema real está en un catálogo sobredimensionado, en proveedores mal integrados o en una estructura de almacenes que responde a decisiones históricas, no a la realidad actual del negocio. En lugar de eliminar esa complejidad, se construyen capas de tecnología para gestionarla.

Aplicar el enfoque de Musk en este contexto implicaría algo mucho más incómodo: cuestionar la red, eliminar nodos, reducir referencias, simplificar flujos, aceptar que algunas decisiones pasadas ya no tienen sentido. Solo después de eso tendría sentido optimizar rutas, acelerar operaciones o introducir automatización.

El problema es que la automatización, por ejemplo en logística, tiene un efecto muy claro: escala lo que ya existe. Eso quiere decir que si el sistema es bueno, lo hace extraordinario, pero si el sistema es malo, lo hace inmanejable.

Por eso, en un momento donde la inteligencia artificial promete eficiencia en cada capa de la operación, la verdadera ventaja competitiva puede no estar en quién automatiza más, sino en quién ha tenido la disciplina de simplificar antes. Y eso no es un problema tecnológico sino de decisiones.

Viernes, 17 de noviembre de 2023. Sam Altman es despedido.

Horas antes había recibido una convocatoria a una reunión online a través de Google Meet. No era nada extraño en una empresa como OpenAI donde las reuniones online eran frecuentes y no había nada que hiciera sospechar que esta sería distinta.

Sam se conecta. Al otro lado de la pantalla estaba el consejo de OpenAI y al frente de la reunión Ilya Sutskever. La conversación no dura demasiado. La decisión ya estaba tomada y únicamente se la comunican a Sam: el consejo ha decidido que deja de ser CEO de OpenAI y que también abandona su puesto en la empresa. La justificación que le dan es que “han perdido la confianza en su capacidad para liderar la empresa”.

En minutos, Altman deja de estar al frente de la compañía que, en menos de un año, había popularizado la inteligencia artificial en todo el planeta y OpenAI publica un comunicado oficial, breve y sin muchos detalles. Dentro de la empresa, muchos empleados se enteran por el mismo canal que el resto del mundo, lo que genera bastante sensación de desconcierto.

Ese mismo día, Greg Brockman recibe otra llamada. No es despedido, pero se le comunica que deja de ser presidente del consejo. La reacción de Greg es casi inmediata: dimite y dice públicamente que ha sido apartado de su rol. Twitter empieza a echar humo… ¿Qué está pasando? En pocas horas, dos de las figuras más importantes de OpenAI están fuera de la empresa.

OpenAI nombra a Mira Murati como CEO interina.

Sábado, 18 de noviembre de 2023.

Mientras todos en la empresa permanecen callados, fuera de ella nadie habla de otra cosa: inversores, antiguos empleados y la prensa del sector intentan reconstruir lo ocurrido a partir de los post publicados en X y de fragmentos de información que van recopilando. Empiezan a circular distintas hipótesis: desacuerdos sobre la seguridad, tensiones internas, problemas de gobernanza. Ninguna versión es completamente fuerte, pero todas apuntan en la misma dirección: no se trata de un conflicto puntual, sino de algo que venía de hace tiempo.

Altman, por su parte, no reacciona impulsivamente, pero empieza a moverse, a hablar con inversores, y personas dentro y fuera de OpenAI. Twitter sigue echando humo.

Domingo, 19 de noviembre de 2023.

Primer giro inesperado: Satya Nadella anuncia que Sam Altman y Greg Brockman se incorporarán a Microsoft para liderar un nuevo equipo de inteligencia artificial avanzada. Parece que Microsoft no está dispuesta a perder al núcleo que ha impulsado OpenAI. En ese momento, parece que la historia ya tiene un desenlace claro: Altman es la pieza importante y si no está dentro, trabajará fuera de OpenAI.

Lunes, 20 de noviembre de 2023.

Parece mentira que solo hayan pasado tres días.

El lunes, más de 700 empleados firman una carta dirigida al consejo en la que exigen el regreso de Altman y advierten que, si no vuelve, abandonarán la empresa. Son investigadores, ingenieros difíciles de reemplazar y personas esenciales para que la empresa continúe. Se dispara la tensión y los inversores y socios comienzan a intervenir. Microsoft trata de evitar que OpenAI se desestabilice y pierda su capacidad operativa.

Ilya Sutskever pide perdón. Sam publica varios tuits clave:

Martes, 21 de noviembre de 2023.

El martes, finalmente, el consejo cede. Se anuncia el regreso de Sam Altman como CEO, pero con algunas condiciones. El consejo se rediseña, se incorporan nuevos miembros y se redefine el equilibrio de poder dentro de la organización. Altman vuelve, pero lo hace con una estructura distinta, marcada por lo ocurrido en esos cinco días.

Pero lo que sucede esa semana (además de ser el primer culebrón vivido en directo a través de X.com) es la consecuencia de una herida mucho más profunda, que llevaba tiempo dentro de OpenAI y que tiene que ver con la propia naturaleza de la inteligencia artificial, con la velocidad a la que creen que debe avanzar y con quién debe tomar las decisiones cuando el impacto ya es tan enorme para la sociedad.

Vamos a detenernos un momento para entender por qué terminaron sentados en esa videollamada y ello implica entender la personalidad y la figura de Sam Altman.

Retrocedamos algunos años atrás para entender quién y cómo es Sam Altman.

Altman no encaja del todo en el arquetipo clásico del fundador que conocemos en las historias de Silicon Valley.

Nace en St. Louis en 1985, en una familia que no tienen nada que ver con la tecnología. Su madre era dermatóloga y su padre trabajaba en el sector inmobiliario. Sin embargo, Sam a los 8 años ya tenía su primer ordenador y pasaba horas instalando software, desmontando y aprendiendo. Esa relación instrumental con la tecnología es importante, porque no desaparece con el tiempo. A Altman no le interesa la tecnología como fin, sino como medio para intervenir en estructuras más grandes. Le atrae esa mezcla de curiosidad y estrategia.

Su paso por Stanford es breve. No porque fracase, sino porque decide que el aprendizaje verdaderament importante está fuera. Es una decisión que encaja con un patrón que se repetirá después: priorizar el acceso a entornos reales frente a trayectorias educativas o laborales más formales.

Loopt: la primera empresa y el primer aprendizaje

A los 19 años, mientras estudiaba en Standford, funda su primera startup: Loopt.

Era una app que permitía compartir tu ubicación con amigos en tiempo real, algo que ahora vemos normal pero en aquel entonces era casi futurista. Lo importante es que la crea en un momento en el que el ecosistema de startups en Silicon Valley empieza a cambiar: las empresas comienzan a obtener financiación, aparecen nuevas aceleradoras, y desde ese momento, lo más importante es tener una buena idea, porque el resto viene solo.

Loopt no tiene demasiado éxito. La empresa crece, levanta financiación y acaba vendiéndose, pero no alcanza el impacto de otras startups en aquella época. Sin embargo, el valor de Loopt no está en el resultado, sino en lo que Sam aprende de la industria con ella. Altman entra en contacto directo con el funcionamiento interno de Silicon Valley: cómo se negocia con inversores, cómo se gestiona el crecimiento, cómo se toman decisiones bajo incertidumbre y, sobre todo, cómo se sobrevive a una empresa que no termina de escalar como se esperaba.

Cuando finalmente Loopt se vende, Altman no sale como una figura mediática, pero sí con algo más relevante a largo plazo: con un gran conocimiento operativo del ecosistema empresarial.

Y Combinator: el punto de inflexión

El verdadero cambio en la trayectoria de Sam Altman llega con Y Combinator, la aceleradora más famosa de Silicon Valley.

En 2014 Paul Graham, fundador de Y Combinator, decide retirarse de la gestión directa y elige a Sam Altman como sucesor. Esto le coloca en una posición única, porque le permite observar desde arriba el lugar por el que pasan las mejores ideas, los mejores equipos y las que después serán empresas que cambien el mundo. Sam aprende qué ideas funcionan, cuales fracasan, qué equipos ejecutan mejor, y que tecnologías empiezan a despuntar. Esto le permite detectar patrones.

Es entonces cuando empieza a interesare por algo que aún no es evidente para la mayoría: la inteligencia artificial. Tras el impacto de AlexNet en 2012, el deep learning empieza a demostrar resultados que permiten a Altman darse cuenta de que no es una tecnología más.

Durante esos años, Altman analiza cientos de startups y, lo más importante, consigue una red de contactos clave para su futuro. Este punto es fundamental para entender todo lo que viene después porque cuando más adelante OpenAI necesite financiación, talento o legitimidad, Altman no tendrá que construir esas conexiones desde cero.

En Y Combinator empieza a verse con más claridad su interés por tecnologías que pueden redefinir industrias completas. Sam no se limita a evaluar startups como simples oportunidades aisladas, ve todo como parte de algo más grande.

Durante su etapa como presidente, Altman intenta transformar Y Combinator y dirigirse a proyectos más ambiciosos (energía, biotecnología, hardware, inteligencia artificial) y lanza iniciativas como YC Continuity y el YC Research Lab, con la idea de financiar proyectos a más largo plazo.

Se rumorea que Altman empieza a invertir personalmente en empresas. Al tener acceso privilegiado a información y oportunidades esto no está muy bien visto y finalmente en 2019 deja Y Combinator para centrarse en OpenAI.

A priori es una simple decisión estratégica, pero San Altman ya ha decidido que quiere dejar de observar y empezar a ser parte del ecosistema.

De Y Combinator a OpenAI: por qué parecía un paso extraño

Cuando Altman empieza a involucrarse en OpenAI, viene de dirigir una de las instituciones más influyentes del ecosistema startup y, sin embargo, decide implicarse en una organización que, en su origen, no es una empresa en el sentido tradicional, sino un laboratorio con una misión muy específica.

A partir de 2012, el avance del deep learning empieza a atraer la atención de un grupo muy concreto de personas: los investigadores, que ven el potencial técnico, y los inversores que darse cuenta de la importancia de todo esto.

Mientras tanto, figuras como Elon Musk, comienzan a preocuparse por las implicaciones a largo plazo de una inteligencia artificial avanzada.

Altman, desde su posición en Y Combinator, está en medio de esas conversaciones con investigadores, sigue de cerca el trabajo de Ilya Sutskever, uno de los nombres más importantes del deep learning y se relaciona con fundadores y ejecutivos que están construyendo el futuro de la IA.

OpenAI nace como una alianza de perfiles muy distintos: científicos como Sutskever, operadores como Greg Brockman, capital y narrativa como Musk, estructura y estrategia como Altman

En sus primeros años, OpenAI funciona más como un laboratorio que como una empresa (publica investigación, explora modelos) pero no tiene un modelo de negocio claro.

Elon Musk y Sam Altman: una alianza necesaria que terminó en ruptura

Cuando OpenAI se funda en 2015, no es solo el nacimiento de una organización. Es el punto de encuentro entre varias formas de entender el futuro.

Elon Musk llega a esa mesa con una obsesión muy concreta: lleva años advirtiendo que la inteligencia artificial puede convertirse en el mayor riesgo existencial para la humanidad. No lo plantea como una posibilidad lejana, sino como algo que podría ocurrir si el desarrollo queda en manos de unas pocas empresas sin controles suficientes. Además aporta credibilidad y dinero.

Sam Altman llega desde un lugar distinto: no niega los riesgos, pero su preocupación es más estructural que apocalíptica. Le interesa quién construye la tecnología, con qué incentivos y con qué capacidad de escalarla. Aporta capacidad organizativa, red de contactos en Silicon Valley y habilidad para convertir una idea aún difusa en algo que funcione.

Lo único que comparten es la intuición de que la inteligencia artificial no puede quedar concentrada exclusivamente en empresas como Google y ahí es donde nace OpenAI, como un intento de crear un contrapeso.

Durante los primeros años, la relación funciona, pero las diferencias empiezan a aparecer pronto.

Musk, el dinero y el primer gran dilema de OpenAI

El problema aparece cuando la idea original empieza a chocar con la realidad: OpenAI había nacido como una organización sin ánimo de lucro, con la intención de investigar y desarrollar inteligencia artificial de forma abierta (de ahí lo de “Open”) y segura. Esa estructura tenía sentido desde el punto de vista de la misión, pero introducía una limitación evidente: no podía acceder a capital privado de la misma manera que una empresa convencional.

Y la inteligencia artificial, a diferencia de otros campos, no escala solo con talento sino con computación… y la computación es cara. Muy cara.

A medida que los modelos empiezan a volverse más complejos, la necesidad de infraestructura crece de forma exponencial. Entrenar sistemas cada vez más avanzados implica acceso a GPUs, centros de datos y recursos que, en ese momento, solo están al alcance de grandes tecnológicas como Google.

OpenAI se encuentra entonces en una posición incómoda: tiene talento, tiene visión, pero no tiene la capacidad de competir en igualdad de condiciones si no resuelve el problema del capital. Es en ese contexto cuando Elon Musk plantea una solución.

No como un gesto puramente altruista, sino como una propuesta estructurada: aportar el capital necesario para escalar la organización, cubrir las necesidades de computación y permitir que OpenAI compita realmente en el desarrollo de inteligencia artificial avanzada.

Lógicamente la forma de articular la financiación implicaba, en la práctica, un cambio en el control.

Musk propone, a cambio de poner el dinero, asumir un papel más directo en la dirección de OpenAI, y una de las vías planteadas pasa por integrar esa capacidad dentro del entorno de Tesla, donde ya se estaban desarrollando sistemas de inteligencia artificial a gran escala, especialmente en el ámbito de la conducción autónoma.

La lógica desde su punto de vista es clara. Si OpenAI necesita recursos que solo una gran estructura puede ofrecer, lo coherente es apoyarse en una organización que ya los tiene.

Pero desde dentro de OpenAI, esa solución introduce un problema nuevo: aceptar ese modelo implicaría, en la práctica, desplazar el control de la organización hacia una única entidad y, en última instancia, hacia una única figura. Y eso entra en conflicto directo con la idea original con la que se había creado OpenAI: evitar precisamente la concentración de poder en el desarrollo de la inteligencia artificial.

La propuesta no prospera. No porque el problema no sea real, sino porque la solución planteada compromete la arquitectura institucional que habían decidido construir. Ahí aparece la primera ruptura importante.

Es un conflicto entre dos formas de resolver el mismo problema: cómo financiar y escalar el desarrollo de la inteligencia artificial sin perder el control sobre su dirección.

Poco después, en 2018, al no llegar a un acuerdo, Musk abandona OpenAI.

La explicación pública se centra en evitar conflictos de interés con Tesla (Tesla está desarrollando sistemas de inteligencia artificial, especialmente en el ámbito de la conducción autónoma y eso convierte a Musk, indirectamente, en competidor en un espacio donde OpenAI también quiere avanzar) pero la salida de Elon Musk es también la consecuencia de formas muy distintas de entender la IA y sobre todo, su impacto en la humanidad.

Dos visiones incompatibles

A partir de ese momento, las diferencias se hacen más claras. Musk mantiene una postura centrada en el riesgo y habla de seguridad, de control, de posibles consecuencias catastróficas. Se mantiene fiel a la idea con la que se había creado OpenAI.

Altman empieza a moverse en otra dirección, y OpenAI toma decisiones clave. La más importante es abandonar el modelo sin ánimo de lucro y adoptar una estructura híbrida que permita atraer capital. Esa decisión, que abre la puerta a Microsoft, va en contra de los fundamentos con los que se creó la empresa y hubiera sido imposible de imaginar con Musk dentro.

El giro real: cuando Sam Altman decide que OpenAI tiene que competir

A partir de la salida de Musk, OpenAI no se queda en un estado estable, sino en una especie de equilibrio incómodo. La misión sigue siendo la misma, pero las condiciones han cambiado. La inteligencia artificial avanza más rápido de lo previsto y, sobre todo, empieza a concentrarse en manos de actores que sí tienen recursos para escalarla. Google, a través de DeepMind, ya ha demostrado que la combinación de talento, datos y computación puede producir avances significativos, y OpenAI, aunque tiene parte de ese talento, no tiene todavía la infraestructura necesaria para mantener ese ritmo.

Aquí donde empieza a verse con claridad el papel de Sam Altman: no toma una decisión donde todo cambia sino que empieza a introducir, de forma progresiva, poco a poco la idea de que la misión original de OpenAI no se puede cumplir si no se compite. Y eso implica atraer capital, alianzas estratégicas, dejar de ser abierta y sin ánimo de lucro y empezar a ser un empresa más.

Para una parte del equipo de OpenAI, especialmente la más cercana a la investigación, la prioridad sigue siendo avanzar con cautela, entender los modelos y mantener un cierto control sobre cómo y cuándo se despliegan, pero Altman introduce la idea de que si ellos no construyen la tecnología, alguien más lo hará.

Microsoft: el momento en el que todo cambia de escala

El acuerdo con Microsoft no es solo una inversión, es una redefinición completa de OpenAI.

Microsoft aporta acceso a computación a gran escala, infraestructura y la capacidad de desplegar productos en un entorno real. A cambio, obtiene acceso privilegiado a la tecnología que OpenAI está desarrollando.

OpenAI deja de moverse como un laboratorio que publica resultados y pasa a operar como una organización que construye sistemas utilizables. Altman entiende que el impacto real de la inteligencia artificial no vendrá únicamente de los papers, sino de su adopción. Y la adopción requiere productos.

ChatGPT: el punto de no retorno

Cuando ChatGPT se lanza en noviembre de 2022, el impacto supera cualquier previsión interna.

Es el primer contacto masivo de millones de personas con sistemas de inteligencia artificial capaces de generar lenguaje de forma coherente, útil y accesible y, en pocos días, OpenAI pasa de ser una organización conocida dentro del sector a convertirse en el centro de la conversación global.

A partir de ese momento, OpenAI ya no está compitiendo en un entorno relativamente contenido y Sam decide que la velocidad y el ritmo ahora que hay competencia, deben aumentar.

Ese crecimiento empieza a generar fricciones y tensiones internas. No todo están de acuerdo con la nueva visión de Altman sobre qué lanzar y cuándo, cómo comunicar avances y, sobre todo qué límites establecer. Sam prioriza el crecimiento, otros la precaución.

Ilya Sutskever y otros perfiles más orientados a la investigación siguen planteando preguntas que no siempre tienen respuestas inmediatas: ¿Se está avanzando demasiado rápido? ¿Se entienden realmente las capacidades de los modelos? ¿Se están introduciendo suficientes mecanismos de control?

La semana del despido, vista desde dentro de la historia

Cuando el consejo decide cesar a Sam Altman aquel viernes de noviembre, no está reaccionando a un episodio aislado ni a una decisión concreta, sino a una trayectoria y a una forma de construir que ha introducido riesgos que no todos están dispuestos a asumir al mismo ritmo.

El despido no es, en ese sentido, una ruptura repentina, sino la consecuencia de una tensión acumulada durante años.

Lo que el consejo no anticipa es hasta qué punto OpenAI ya depende de Sam Altman, no solo como CEO sino como punto de conexión ente investigadores e inversores, la tecnología con el mercado.

La reacción de los empleados, la intervención de Microsoft y la velocidad con la que todo se reconfigura en apenas un fin de semana son la prueba de que OpenAI ya no funciona como una organización tradicional.

Si uno mira hacia atrás, la escena inicial (esa videollamada, la decisión y ese comunicado sin mucho detalle) es el punto visible de una historia mucho más larga.

Una historia que no empieza en 2023, ni con OpenAI. Empieza con alguien que entendió muy pronto que la tecnología no es solo una herramienta, sino una forma de intervenir en el mundo.

Y que, una vez dentro del sistema, decidió no limitarse a observarlo sino tener un papel importante dentro de él.

Un semiconductor es un material con propiedades eléctricas intermedias entre un conductor (como el cobre) y un aislante (como el vidrio). Su característica principal es que su conductividad puede controlarse mediante la introducción de impurezas (dopado) y la aplicación de campos eléctricos. Esta capacidad de modular el flujo eléctrico convierte a los semiconductores en la base de los circuitos electrónicos modernos.

El semiconductor más utilizado es el silicio (Si), por su abundancia, coste relativamente bajo y excelentes propiedades eléctricas. Otros materiales como el germanio (Ge), el arseniuro de galio (GaAs) o el carburo de silicio (SiC) se usan en aplicaciones más específicas donde se requiere mayor rendimiento, como en dispositivos de radiofrecuencia, sensores o sistemas de potencia.

Un chip o circuito integrado (IC) es una pastilla de material semiconductor que contiene miles, millones o incluso billones de transistores interconectados entre sí. Estos transistores son interruptores microscópicos que permiten realizar operaciones lógicas y almacenar información. El diseño de los chips puede estar orientado a diversas funciones, como procesamiento general, gráficos, comunicaciones o inteligencia artificial.

Es posible que en los últimos días te hayas cruzado (o te vayas a cruzar) con un titular que afirma que una empresa china está produciendo petróleo a partir de aire y agua. A mi me sonó a clickbait desde el primer momento, así que decidí “tirar del hilo” y entender qué había realmente detrás.

Porque no, no se está creando petróleo “de la nada”, ni se ha descubierto un sustituto inmediato que resuelva los problemas de escasez o abastecimiento que estamos viendo en torno a Irán.

Sin embargo, la realidad detrás del titular, es también bastante interesante.

Lo que se está desarrollando, en realidad, son combustibles sintéticos, también conocidos como e-fuels, y aunque el término pueda parecer técnico, la lógica que hay detrás se puede entender fácilmente: se trata de capturar dióxido de carbono (ya sea directamente del aire o de emisiones industriales), obtener hidrógeno a partir del agua (mediante electrólisis) y, a partir de ahí, combinar ambos elementos para generar hidrocarburos líquidos que pueden utilizarse de forma muy similar a los combustibles fósiles de toda la vida.

No hay ninguna creación de energía, sino una simple transformación. Lo que se está haciendo es convertir electricidad en combustible líquido, utilizando el carbono como estructura base. Y este matiz, que puede parecer menor, es en realidad el que cambia por completo la interpretación de la noticia.

Porque estos procesos requieren grandes cantidades de electricidad, lo que significa que su viabilidad no depende tanto de la química como de la disponibilidad de energía abundante, estable y, sobre todo, competitiva en coste. Sin esa base, no hay escalabilidad posible.

Durante décadas, la energía ha sido, ante todo, una cuestión geográfica. Algunos países disponían de recursos y otros no, y esa diferencia condicionaba economías, alianzas y conflictos. El mapa energético era, en gran medida, un mapa físico, definido por lo que había bajo el suelo.

Sin embargo, cuando el combustible empieza a poder fabricarse, aunque sea parcialmente, la cosa cambia. Ya no se trata de tener recursos naturales sino de tu capacidad de diseñar, construir y operar sistemas complejos. Este cambio pone de manifiesto que la dependencia energética no es solo una cuestión económica, sino también una vulnerabilidad estructural.

Basta con observar uno de los puntos más sensibles del sistema energético global, el estrecho de Ormuz, por donde transita una parte significativa del petróleo mundial. Su importancia no radica únicamente en el volumen que canaliza, sino en el hecho de que concentra riesgo. Cualquier alteración en esa ruta, ya sea por conflicto, tensión o bloqueo, tiene un impacto inmediato en los precios y en la estabilidad del sistema.

Este tipo de cuellos de botella evidencian hasta qué punto el modelo actual depende de rutas físicas concretas y de equilibrios geopolíticos frágiles. Por eso, la posibilidad (aunque todavía incipiente) de producir combustible sin depender exclusivamente de esas rutas introduce una variable completamente nueva. No elimina el riesgo, pero sí lo redistribuye.

China durante años ha invertido de forma sostenida en energías renovables, en producción de hidrógeno y en capacidades industriales a gran escala, no solo desde el punto de vista de la investigación, sino, sobre todo, desde la implementación. La diferencia no está tanto en descubrir nuevas tecnologías como en ser capaz de llevarlas a producción y hacerlo con rapidez.

Aquí aparece un elemento que, aunque menos visible, resulta clave para entender su posición: la capacidad de ejecución. Más allá de la inversión o del acceso a tecnología, China ha demostrado una habilidad notable para convertir proyectos complejos en realidades operativas en plazos relativamente cortos. Infraestructuras, plantas industriales o redes energéticas que en otros contextos permanecen durante años en fase piloto, en China tienden a desplegarse.

Esa capacidad de trabajo, esa continuidad en la ejecución y esa coordinación entre industria, Estado y sistema productivo permiten avanzar incluso en entornos donde existen limitaciones estructurales. Y en tecnologías que dependen de escala, como el hidrógeno o los combustibles sintéticos, esa diferencia no es secundaria, sino determinante.

Todo esto conecta, además, con la inteligencia artificial.

La IA depende de la energía. Los centros de datos consumen enormes de electricidad, por eso existe una relación directa entre capacidad energética y desarrollo tecnológico. Quien sea capaz de generar energía de forma más eficiente, flexible o abundante no solo tendrá ventajas industriales, sino también una posición más sólida en el desarrollo de inteligencia artificial.

Por ello, los combustibles sintéticos dejan de ser únicamente una cuestión ambiental o industrial y pasan a formar parte de una estrategia más amplia, en tecnología y geopolítica.

De todas formas conviene ser realista. Estas tecnologías siguen siendo costosas, complejas y, en muchos casos, poco competitivas frente a los combustibles fósiles tradicionales. No estamos ante una sustitución inmediata ni ante una solución completa que se pueda poner en marcha.

Pero si algo empieza a quedar claro es que el sistema energético, tal y como lo hemos entendido durante décadas, es está reconfigurando poco a poco.

La energía deja de depender exclusivamente de lo que se encuentra bajo tierra y empieza a depender, cada vez más, de lo que somos capaces de construir sobre ella. Y cuando ese cambio se consolide, lo importante no será qué recursos tiene un país sino qué es capaz de hacer con ellos.

Después de analizar los distintos niveles de apertura de los modelos de inteligencia artificial (código, pesos, datos, acceso y licencias) aparece una pregunta práctica que muchos desarrolladores, investigadores y empresas se hacen hoy en día: qué tipo de modelo conviene utilizar realmente.

No existe una respuesta única.

La elección entre un modelo cerrado, uno de pesos abiertos o un modelo realmente open source depende de varios factores: los recursos técnicos disponibles, el tipo de proyecto que se quiere desarrollar, las necesidades de control sobre el sistema y, por supuesto, las restricciones legales y económicas.

Comprender estas diferencias permite tomar decisiones mucho más informadas.

Cuando conviene utilizar modelos cerrados

Los modelos cerrados suelen ser la opción más sencilla cuando el objetivo es desarrollar aplicaciones rápidamente sin tener que gestionar infraestructura propia.

Sistemas accesibles a través de APIs permiten integrar capacidades avanzadas de inteligencia artificial con relativa facilidad. El desarrollador simplemente envía una consulta al servicio y recibe la respuesta procesada por el modelo.

Este enfoque resulta especialmente atractivo para startups, equipos pequeños o empresas que quieren probar nuevas aplicaciones sin invertir en servidores, GPUs o mantenimiento de modelos.

Además, muchos de estos sistemas ofrecen un rendimiento muy alto y actualizaciones constantes. La empresa desarrolladora se encarga de optimizar el modelo, mejorar su seguridad y ampliar sus capacidades.

Sin embargo, esta comodidad tiene un coste importante.

El uso de modelos cerrados implica una dependencia total del proveedor. Los precios pueden cambiar, las políticas de uso pueden modificarse y el modelo puede incluso desaparecer si la empresa decide sustituirlo por otro sistema.

Por eso, para proyectos que requieren estabilidad a largo plazo o control total sobre la tecnología, esta opción puede resultar arriesgada.

Cuando conviene utilizar modelos de pesos abiertos

Los modelos de pesos abiertos ofrecen un punto intermedio interesante.

Al permitir descargar los pesos del modelo, es posible ejecutarlo localmente o adaptarlo a necesidades específicas mediante técnicas como el fine-tuning. Esto proporciona un nivel de control mucho mayor que el que ofrecen los modelos accesibles únicamente mediante APIs.

Este enfoque es especialmente útil para empresas que necesitan personalizar el comportamiento del modelo, integrar el sistema en infraestructuras propias o garantizar que los datos sensibles no salgan de sus servidores.

También es una opción atractiva para startups tecnológicas que quieren construir productos sobre modelos existentes sin depender completamente de proveedores externos.

El principal desafío de esta opción es técnico.

Ejecutar modelos de gran tamaño requiere hardware potente, conocimientos especializados y recursos para gestionar la infraestructura necesaria. Para equipos sin experiencia en aprendizaje automático, esta barrera puede resultar considerable.

Cuando conviene utilizar modelos open source

Los modelos verdaderamente open source ofrecen el mayor grado de libertad.

Permiten estudiar el sistema, modificarlo, redistribuirlo e incluso utilizarlo como base para desarrollar nuevos modelos. Para investigadores, universidades o comunidades de desarrolladores, esta apertura es fundamental.

La posibilidad de examinar el funcionamiento interno del modelo facilita la investigación científica, la detección de sesgos y el desarrollo de nuevas técnicas de aprendizaje automático.

Además, los modelos abiertos pueden servir como base para proyectos que buscan independencia tecnológica, especialmente en regiones o sectores que prefieren no depender de proveedores externos.

Sin embargo, esta libertad también exige recursos importantes.

Entrenar o adaptar modelos abiertos suele requerir equipos especializados, infraestructuras potentes y equipos con experiencia técnica avanzada. Para muchas organizaciones, especialmente aquellas centradas en productos comerciales, estos requisitos pueden resultar difíciles de asumir.

Factores que influyen en la elección

Elegir el modelo adecuado implica evaluar varios aspectos del proyecto.

Uno de los factores más importantes es la disponibilidad de recursos técnicos. Ejecutar modelos localmente puede requerir servidores especializados y personal cualificado, mientras que el uso de APIs simplifica enormemente la implementación.

También es importante considerar los costes a largo plazo. Aunque los modelos accesibles mediante APIs pueden parecer baratos al principio, el coste por consulta puede aumentar considerablemente a medida que crece el volumen de uso.

Otro aspecto clave es el control sobre los datos. En sectores como la sanidad, las finanzas o la administración pública, puede ser fundamental evitar que la información sensible salga de la infraestructura propia de la organización.

Por último, las licencias también juegan un papel decisivo. Algunas licencias permiten utilizar el modelo libremente en proyectos comerciales, mientras que otras imponen restricciones que pueden limitar su uso en determinados contextos.

Un ecosistema diverso

El panorama actual de los modelos de inteligencia artificial es cada vez más diverso.

Existen sistemas completamente cerrados, modelos parcialmente abiertos y proyectos que apuestan por una apertura mucho mayor. Cada uno de estos enfoques responde a intereses y estrategias diferentes dentro de la industria tecnológica.

Para quienes desarrollan aplicaciones o investigan en este campo, comprender estas diferencias es fundamental.

No todos los modelos abiertos ofrecen el mismo grado de libertad, y no todos los modelos cerrados presentan los mismos riesgos o limitaciones. La clave está en analizar cuidadosamente las características técnicas y legales de cada sistema antes de incorporarlo a un proyecto.

Durante años, el debate sobre la apertura de los modelos de inteligencia artificial ha estado dominado por una sensación creciente de ambigüedad. Muchas empresas han presentado sus sistemas como “abiertos”, pero en la práctica esos modelos solo compartían una parte limitada de su tecnología.

Algunos publicaban el código, pero no los pesos. Otros permitían descargar los pesos, pero imponían licencias restrictivas que limitaban su uso comercial. En muchos casos, los datos de entrenamiento permanecían completamente ocultos.

Este contexto hizo que el término open source comenzara a perder parte de su significado original dentro del sector de la inteligencia artificial.

La aparición de los modelos desarrollados por la empresa china DeepSeek reavivó este debate.

Cuando DeepSeek presentó sus modelos más avanzados, muchos analistas hablaron de un posible punto de inflexión en el equilibrio entre modelos cerrados y modelos abiertos.

Un lanzamiento que sorprendió a la industria

DeepSeek se dio a conocer internacionalmente con modelos como DeepSeek-V3 y DeepSeek-R1, sistemas de lenguaje de gran tamaño capaces de competir con algunos de los modelos más avanzados del sector.

Pero lo que realmente llamó la atención no fue únicamente su rendimiento.

Lo sorprendente fue la forma en que la empresa decidió publicarlos.

DeepSeek distribuyó el código y los pesos de sus modelos bajo una licencia MIT, una de las licencias open source más permisivas del ecosistema tecnológico. Esta licencia permite utilizar, modificar y redistribuir el software, incluso con fines comerciales, siempre que se mantenga el aviso de copyright original.

En la práctica, esto significa que cualquier desarrollador, empresa o investigador puede descargar el modelo, ejecutarlo en sus propios sistemas, adaptarlo a nuevas tareas o integrarlo en aplicaciones comerciales sin necesidad de solicitar permiso.

Este enfoque contrasta con el de muchas otras empresas que han optado por licencias más restrictivas o por mantener sus modelos completamente cerrados.

Acceso real a los modelos

Además de la licencia, DeepSeek puso a disposición del público los pesos completos de sus modelos.

Esto permite que los sistemas puedan descargarse y ejecutarse localmente, algo especialmente relevante para investigadores y empresas que quieren evitar depender de APIs externas.

Los modelos están disponibles en plataformas como GitHub y Hugging Face, lo que facilita enormemente su distribución dentro de la comunidad tecnológica.

Para muchos desarrolladores, esto significa que pueden experimentar con modelos de gran escala sin tener que pagar por cada consulta o depender de infraestructuras controladas por una empresa externa.

Una startup, por ejemplo, podría integrar el modelo directamente en su propio producto, adaptarlo mediante técnicas de fine-tuning o utilizarlo como base para desarrollar nuevos sistemas especializados.

Lo que sigue sin estar abierto

A pesar de esta apertura, DeepSeek tampoco comparte todos los elementos del sistema.

Como ocurre con la mayoría de los modelos actuales, los datos completos utilizados durante el entrenamiento no se han publicado. Las empresas suelen evitar hacerlo debido a cuestiones legales relacionadas con derechos de autor, privacidad o la complejidad técnica de gestionar datasets de enorme tamaño.

Esto significa que, aunque los modelos de DeepSeek son mucho más abiertos que muchos de sus competidores, todavía no permiten reproducir completamente el proceso de entrenamiento desde cero.

En otras palabras, incluso los modelos más abiertos de la industria siguen teniendo ciertas limitaciones.

Un cambio en el equilibrio del sector

La estrategia de DeepSeek ha tenido un impacto importante en el debate sobre el futuro de la inteligencia artificial.

Durante los últimos años, muchos de los modelos más potentes del sector han sido desarrollados por empresas que mantienen sus sistemas bajo control propietario. Esto ha generado preocupaciones sobre la concentración de poder tecnológico en un pequeño número de compañías.

La aparición de modelos avanzados con licencias realmente abiertas introduce un elemento nuevo en este equilibrio.

Si sistemas de alto rendimiento pueden publicarse bajo licencias permisivas, investigadores, startups e incluso gobiernos pueden desarrollar aplicaciones propias sin depender exclusivamente de proveedores externos.

Este tipo de apertura también puede acelerar la innovación, ya que permite que miles de desarrolladores experimenten con el modelo, identifiquen mejoras y construyan nuevas herramientas sobre esa base.

El debate continúa

A pesar del entusiasmo que han generado estos lanzamientos, el debate sobre la apertura de los modelos de inteligencia artificial está lejos de resolverse.

Algunas empresas argumentan que una apertura total puede facilitar usos maliciosos o dificultar el control sobre tecnologías cada vez más potentes. Otras sostienen que la transparencia es fundamental para garantizar la seguridad, la investigación científica y la competencia tecnológica.

En este contexto, los modelos como los desarrollados por DeepSeek representan una alternativa interesante dentro del ecosistema actual.

No son completamente abiertos en todos los aspectos, pero muestran que es posible publicar sistemas avanzados con un grado de accesibilidad mucho mayor que el que ofrecen muchos de los modelos comerciales dominantes.

En el próximo artículo veremos cómo estas diferencias de apertura influyen en la práctica en una pregunta muy concreta: qué tipo de modelo conviene utilizar en función del proyecto que queremos construir.

Cuando se habla de modelos abiertos o cerrados en inteligencia artificial, muchas veces se presta atención al código, a los pesos o a los datos de entrenamiento. Sin embargo, hay un elemento que a menudo pasa desapercibido y que, en la práctica, puede ser incluso más importante: la licencia.

La licencia es el contrato legal que define qué puede hacerse con un modelo de inteligencia artificial. Determina si puede utilizarse para fines comerciales, si puede modificarse, si puede redistribuirse o si existen restricciones sobre el tipo de aplicaciones que pueden construirse con él.

En otras palabras, la licencia establece las reglas del juego.

Dos modelos pueden tener exactamente el mismo grado de apertura técnica (por ejemplo, ambos pueden publicar sus pesos) y sin embargo ofrecer posibilidades completamente distintas dependiendo de la licencia bajo la que se distribuyan.

Por esta razón, comprender las licencias es fundamental para cualquier empresa, investigador o desarrollador que quiera utilizar modelos de inteligencia artificial en proyectos reales.

Licencias open source

Las licencias open source son las más abiertas desde el punto de vista legal. Permiten utilizar, modificar y redistribuir el software con pocas restricciones, siempre que se respeten ciertas condiciones básicas, como mantener el aviso de copyright original.

En el mundo del software existen muchas licencias de este tipo, pero algunas de las más conocidas son MIT, Apache 2.0 o GPL.

Cuando un modelo de inteligencia artificial utiliza este tipo de licencias, el acceso suele ser muy flexible. Los desarrolladores pueden integrar el modelo en aplicaciones comerciales, adaptarlo a sus necesidades o incluso construir nuevos sistemas a partir de él.

Este enfoque es especialmente atractivo para la comunidad investigadora y para las startups, ya que facilita experimentar y crear nuevas soluciones sin tener que negociar acuerdos específicos con la empresa que desarrolló el modelo original.

Sin embargo, las licencias abiertas también presentan ciertos desafíos. Una vez que el modelo se publica bajo una licencia muy permisiva, el creador pierde gran parte del control sobre cómo se utilizará. Esto puede permitir usos inesperados o incluso problemáticos, como la generación de contenido dañino o aplicaciones que el desarrollador original no había previsto.

Por esta razón, algunas organizaciones han intentado introducir variantes de licencias abiertas que incluyen requisitos éticos o limitaciones sobre ciertos usos.

Licencias semiabiertas

Entre las licencias completamente abiertas y las completamente propietarias existe una categoría intermedia cada vez más común en inteligencia artificial: las licencias semiabiertas.

Cuando Meta presentó su familia de modelos LLaMA, muchos titulares los describieron como un ejemplo de inteligencia artificial “open source”. La propia empresa utilizó con frecuencia un lenguaje que evocaba los principios del software abierto: democratizar la inteligencia artificial, apoyar a la comunidad investigadora o facilitar el acceso a herramientas avanzadas.

Sin embargo, dentro de la comunidad técnica surgió rápidamente un debate.

¿Puede considerarse realmente open source un modelo como LLaMA?

La respuesta depende de cómo definamos exactamente qué significa “código abierto” en inteligencia artificial.

Qué significa realmente open source

En el mundo del software tradicional, el concepto open source tiene una definición relativamente clara. La Open Source Initiative (OSI), una organización que establece estándares para licencias de código abierto, considera que un software es open source cuando su código puede utilizarse, modificarse y redistribuirse libremente bajo ciertas condiciones.

En otras palabras, la apertura implica que el sistema puede estudiarse, modificarse y reutilizarse sin restricciones significativas.

Cuando trasladamos esta definición al ámbito de los modelos de inteligencia artificial, la situación se vuelve más compleja. Como vimos en los artículos anteriores, un modelo no está compuesto únicamente por código, sino también por pesos entrenados, datos de entrenamiento y procesos de entrenamiento.

Para que un modelo fuera completamente open source en sentido estricto, debería compartir al menos el código y permitir su uso libre, y en muchos casos también los pesos y los elementos necesarios para reproducir el sistema.

Aquí es donde aparece el problema con LLaMA.

Lo que Meta sí publica

Meta publica varios elementos importantes de sus modelos LLaMA.

Los pesos entrenados del modelo pueden descargarse, lo que permite ejecutar el sistema localmente o adaptarlo a tareas específicas. También se ha publicado el código de inferencia y herramientas necesarias para utilizar el modelo.

Esto ha permitido que miles de desarrolladores, investigadores y empresas experimenten con LLaMA, creando nuevas aplicaciones, versiones ajustadas del modelo y proyectos derivados.

En este sentido, LLaMA es claramente más abierto que los modelos completamente cerrados que solo pueden utilizarse a través de APIs.

Pero eso no significa que sea open source en sentido estricto.

Las restricciones de la licencia

El principal motivo es la licencia utilizada por Meta.

A diferencia de las licencias open source tradicionales (como MIT, Apache 2.0 o GPL) LLaMA utiliza una licencia personalizada que impone ciertas restricciones al uso del modelo.

Aunque permite el uso comercial en muchos casos, también establece limitaciones específicas. Por ejemplo, algunas versiones de la licencia incluyen condiciones que restringen el uso por parte de determinadas empresas o proyectos que compitan directamente con Meta en el desarrollo de inteligencia artificial.

Estas restricciones hacen que la licencia no cumpla los criterios establecidos por la Open Source Initiative para considerarse verdaderamente open source.

Por esta razón, muchos especialistas prefieren describir LLaMA como un modelo de pesos abiertos (open weights), en lugar de un modelo open source.

Falta de datos de entrenamiento

Otro elemento que limita la apertura de LLaMA es la ausencia de los datos utilizados durante el entrenamiento.

Meta ha publicado descripciones generales de los datasets utilizados, pero no ha compartido los datos completos ni el proceso detallado de entrenamiento.

Esto significa que, aunque el modelo pueda descargarse y utilizarse, resulta muy difícil reproducir el proceso que llevó a su creación o auditar completamente los datos con los que fue entrenado.

Desde el punto de vista científico, esta falta de transparencia limita la capacidad de los investigadores para comprender completamente cómo se ha construido el sistema.

Un modelo parcialmente abierto

Todo esto no significa que LLaMA sea un modelo cerrado.

De hecho, su publicación ha tenido un impacto enorme en el ecosistema de la inteligencia artificial. El acceso a los pesos ha permitido que investigadores, startups y comunidades de desarrolladores experimenten con modelos avanzados sin depender exclusivamente de proveedores comerciales.

Muchos proyectos derivados, como versiones optimizadas o modelos especializados, han surgido precisamente a partir de LLaMA.

Sin embargo, su grado de apertura sigue siendo parcial.

El modelo se sitúa en una posición intermedia dentro del espectro que vimos en artículos anteriores: más abierto que los sistemas completamente cerrados, pero lejos de cumplir los criterios de apertura total que tradicionalmente se asocian con el software open source.

El lenguaje de la industria

El caso de LLaMA ilustra también un fenómeno cada vez más común en la industria tecnológica.

Las empresas utilizan con frecuencia términos asociados al software abierto (como open source, abierto o comunitario) para describir modelos que en realidad tienen limitaciones importantes.

Esto no es necesariamente engañoso, pero sí puede generar confusión.

Para comprender realmente qué tan abierto es un modelo de inteligencia artificial, no basta con leer el titular del lanzamiento. Es necesario analizar con detalle qué partes del sistema se han publicado, qué licencias se aplican y qué restricciones existen sobre su uso.

En el próximo artículo analizaremos precisamente ese aspecto: las licencias que regulan el uso de los modelos de inteligencia artificial y cómo estas determinan lo que realmente podemos hacer con ellos.