Basta repasar esta semana las clasificaciones de modelos abiertos en X para ver un patron dificil de ignorar. Un recuento de Dr John Seach cuenta al menos ocho laboratorios chinos que entre todos han publicado en 2026 mas modelos open-weight competitivos que el resto del mundo. DeepSeek, Qwen de Alibaba, Kimi de Moonshot, GLM de Zhipu: los mismos nombres encabezan casi todas las clasificaciones abiertas.
Para una empresa europea que valora la IA local, eso plantea una pregunta incomoda. Puedo desplegar un modelo entrenado en China? La respuesta corta: depende de donde lo ejecutes, no de quien lo entreno.
Quien lidera los pesos abiertos en 2026
Segun las clasificaciones que circulan ahora, cuatro de los cinco modelos open-weight mas potentes vienen de laboratorios chinos, y el Llama de Meta es la excepcion mas visible. Los informes de la comunidad situan estos modelos a pocos puntos de los mejores sistemas cerrados, como GPT-5.5 o Claude Opus 4.8, en codigo y razonamiento, y a una fraccion del coste. La distancia exacta es dificil de verificar, pero la direccion se mantiene en varias clasificaciones independientes.
Un ejemplo actual: Kimi K3, de Moonshot. Ya analizamos su lanzamiento previsto antes de la fecha (ver Kimi K3: lo que deben saber las PYMES). Lo nuevo desde aquel articulo es que los pesos se publicaron de verdad el 27 de julio. Segun Times of AI en X, K3 se situa alrededor del cuarto puesto en la clasificacion Agent Arena, al nivel de modelos cerrados de primera linea. Cifras asi conviene leerlas como una foto fija, no como una promesa.
Lo que importa en la practica es la licencia. DeepSeek, por ejemplo, se distribuye bajo la permisiva licencia MIT, y otros bajo Apache 2.0. Ambas permiten uso comercial y ajuste local sin consultar al proveedor.
El reflejo, y lo que tiene de razonable
Desconfiar de un modelo entrenado en China no es absurdo. Solo que a menudo apunta al blanco equivocado. Dos preguntas son reales:
- A donde van mis datos? Central en un servicio alojado. Con pesos estaticos que ejecutas tu, desaparece.
- Que hay en los datos de entrenamiento? Relevante para salidas reguladas, por ejemplo cuando un modelo redacta textos juridicos o medicos. Esa pregunta sigue en pie sea cual sea el origen, y afecta igual a los modelos occidentales.
Lo que rara vez es un problema tecnico: la idea vaga de que un modelo descargado pueda filtrar informacion en silencio durante su uso. Un conjunto de pesos es un archivo. Calcula cuando le dejas calcular, y nada mas.
Por que el despliegue local disuelve la cuestion del origen
Aqui es donde entra el enfoque que aplicamos con clientes. Un modelo open-weight que corre en tu propio hardware es un sistema cerrado. Ninguna consulta sale de la red y ningun proveedor ve tus prompts. Que los pesos se crearan en Hangzhou, Paris o Palo Alto no cambia nada, porque el trafico se detiene en tu firewall.
Ese es el nucleo de nuestra postura sobre la soberania del dato: la soberania no va de que modelo usas, sino de donde ocurre el procesamiento. Un DeepSeek o un Qwen aislado en red expone menos un expediente confidencial que una API cerrada en la nube europea en la que tienes que confiar en el operador. Como es ese entorno en la practica lo describimos en IA local.
Hay un efecto secundario agradable para la verificacion. Como los pesos son abiertos, puedes inspeccionarlos, probarlos con tus propios casos y versionarlos de forma determinista. Un endpoint cerrado no te da nada de eso.
Que supone en hardware
Un punto practico decide a menudo mas que la clasificacion: cabe el modelo en tu maquina? Como regla aproximada de la comunidad, un modelo denso del rango 27B a 32B en cuantizacion de 4 bits se apana con unos 20 a 24 GB de memoria, y un modelo de 70B mas bien con 40 a 48 GB. Eso situa la mayor parte del trabajo diario en una sola estacion de trabajo o en un Mac Studio con memoria unificada holgada.
Los buques insignia de muchos laboratorios chinos, DeepSeek y Kimi entre ellos, son en cambio grandes sistemas mixture-of-experts de cientos de gigabytes en memoria. Esos requieren una maquina con mucha RAM o una variante destilada mas pequena. Para la mayoria de PYMES el modelo mas grande no es la eleccion correcta de todos modos. Lo es el mas pequeno que resuelve la tarea con fiabilidad, porque ahorra hardware y energia mientras mantiene tiempos de respuesta utiles.
Lo que aun debes verificar
Local no significa despreocupado. Antes de que un modelo open-weight chino entre en un proceso de negocio, compensan unas comprobaciones sobrias:
- Lee el texto de la licencia, no la etiqueta. MIT y Apache 2.0 no plantean problemas. Algunos modelos llevan licencias comunitarias propias con clausulas de uso o limites de facturacion. Esa diferencia decide si puedes siquiera usar el modelo con fines comerciales.
- Reproduce los benchmarks tu mismo. No te apoyes en las cifras del proveedor. Un pequeno conjunto de pruebas basado en tus tareas reales dice mas que cualquier clasificacion. Segun nuestra interpretacion, algunos modelos rinden muy distinto en espanol o en tu dominio que en el benchmark en ingles.
- Revisa la salida donde importa. El contenido regulado necesita de todos modos un paso de control humano, con el modelo que sea. Es cuestion de proceso, no de procedencia.
Con esos tres puntos resueltos decides por capacidad y licencia, no por una intuicion sobre una bandera.
Queda una alternativa europea
Nada de esto convierte los modelos chinos en obligatorios. La francesa Mistral tambien publica pesos abiertos competitivos, con la ventaja de una cadena juridica europea y buen rendimiento en lenguas europeas. Lo detallamos en su momento (ver Mistral Open-Weight: IA local soberana en Europa). La conclusion practica es la misma: elige por capacidad y licencia, y ejecuta el resultado en local.
Para las PYMES espanolas, buena parte de este despliegue puede encajar en una ayuda del Kit Digital. Si quieres saber que modelo abierto encaja con tus tareas, tu hardware y tus requisitos de cumplimiento, montamos un proyecto piloto acotado y probamos los candidatos con tus datos reales antes de que te comprometas.