Financiamiento IA código abierto: la pelea de 2026

En pocas palabras: David Siegel, cofundador de Two Sigma, planteó en Fortune el 3 de julio de 2026 que la IA abierta necesita financiamiento deliberado —grants, subsidios y compute donado— porque sin él el ecosistema queda en manos de tres o cuatro empresas cerradas, igual que pasó con el software en los 80.

El 3 de julio de 2026, David Siegel, cofundador de Two Sigma y del Siegel Family Endowment, publicó en Fortune una columna donde plantea que la pelea por la IA abierta es la misma que se dio con el software en los 80, y que sin financiamiento IA código abierto deliberado, el ecosistema queda en manos de tres o cuatro empresas cerradas.

El financiamiento de IA de código abierto es el conjunto de subsidios públicos, grants corporativos, capital de riesgo y donaciones de compute que sostienen modelos, datasets y herramientas cuyos pesos o código se publican bajo licencias que permiten usarlos, modificarlos y redistribuirlos. Incluye desde rondas privadas a laboratorios como Mistral hasta fondos filantrópicos y programas estatales. Es la contracara del gasto en modelos propietarios como los de OpenAI, Google y Anthropic.

En 30 segundos

Siegel escribió la columna el 3 de julio de 2026 y el argumento central es histórico: el software abierto ganó por velocidad colectiva, no por ideología.
La plata está del lado cerrado. Meta sola proyectó decenas de miles de millones de dólares de capex en infraestructura de IA en 2025, un orden de magnitud que ningún fondo abierto se acerca a igualar.
“Abierto” es un término en disputa. La Open Source Initiative sostiene que Llama no califica como código abierto por sus restricciones de licencia; Meta insiste en que sí.
Para una empresa argentina, lo abierto es soberanía de datos: correr el modelo en tu infraestructura y no mandar historias clínicas ni datos financieros a una API de terceros.
Ojo con las cifras que circulan: varios números de “brecha de inversión” que se repiten en blogs no tienen fuente primaria verificable.

¿Por qué el código abierto fue clave en la era del software?

Porque ganó por velocidad, no por moral. Entre los 80 y los 2000, Linux, Apache y después PostgreSQL le comieron mercado a los sistemas propietarios porque miles de personas podían leer el código, parchearlo y mandarlo de vuelta sin pedir permiso. Siegel usa exactamente ese paralelo: la industria ya vivió esta discusión y el resultado no fue ambiguo. Hoy internet corre mayoritariamente sobre software libre.

El detalle que se olvida es que ese triunfo tuvo padrinos con billetera. IBM puso mil millones de dólares en Linux en 2001, cuando Linux todavía era una curiosidad de sysadmins. Sin esa clase de apuesta, el kernel probablemente seguiría siendo un hobby. Sobre eso hablamos en consideraciones de seguridad en IA.

Y acá está la diferencia incómoda con la IA. Escribir un servidor web requiere tiempo y talento. Entrenar un modelo frontera requiere tiempo, talento y una cantidad de GPUs que cuesta más que el presupuesto anual de una universidad mediana. La barrera ya no es el permiso, es la factura eléctrica.

¿Cuál es el riesgo de un ecosistema de IA completamente cerrado?

El riesgo concreto es que un puñado de empresas decida qué aplicaciones existen. Si OpenAI, Google y Anthropic controlan los modelos que sirven, también controlan los términos de uso, los precios, qué casos quedan prohibidos y cuándo se deprecia la versión que tu producto usa. Un cambio de política en San Francisco te rompe el roadmap en Buenos Aires sin que puedas hacer nada.

Ponele que armaste un asistente sobre una API propietaria. Funciona, escala, tenés clientes. Un martes el proveedor sube el precio del modelo un 40%, retira la versión que tenías fine-tuneada y suma una cláusula de uso aceptable que justo pega en tu vertical. ¿Cuál es tu plan B? Si no lo tenés, ese es el problema.

Opacidad de entrenamiento: no sabés con qué datos se entrenó el modelo que tomás como base, así que tampoco podés auditar sus sesgos ni defenderte legalmente si algo sale mal.
Dependencia de una sola factura: el costo por token lo define alguien que no es tu proveedor, es tu único proveedor.
Datos que salen de tu perímetro: cada prompt viaja a un servidor ajeno, algo que en salud o finanzas ya es un problema regulatorio antes que técnico.

¿Qué ventajas ofrece la IA de código abierto a empresas y gobiernos?

La ventaja que más pesa es la soberanía: con pesos abiertos podés correr el modelo en tu propio servidor y ningún dato sale de tu red. Después viene el control de la propiedad intelectual en sectores regulados, la posibilidad de hacer fine-tuning en tu dominio o en tu variante de español, y la salida del vendor lock-in. Ninguna de las cuatro depende de que el modelo sea el mejor del mundo, solo de que sea suficientemente bueno. Esto se conecta con lo que analizamos en limitaciones de los modelos cerrados.

Un hospital que quiere resumir historias clínicas no puede mandar esos textos a una API pública. Un estudio jurídico tampoco. Para esos casos, un modelo de 27B corriendo en un VPS con GPU propia (o en infraestructura local, que para eso están proveedores como donweb.com) resuelve el problema legal antes que el técnico.

¿Qué modelos abiertos lideran hoy el mercado y quién los financia?

Los tres polos son Meta con la familia Llama, Mistral AI en Europa y Hugging Face como infraestructura de distribución. Ninguno se financia igual: Llama sale del capex publicitario de Meta, Mistral levanta capital de riesgo privado, y Hugging Face cobra por hosting y enterprise mientras aloja los pesos que todos los demás publican gratis.

Acá viene lo bueno: dos de los tres modelos de financiamiento son en realidad estrategias corporativas disfrazadas de generosidad. Meta libera Llama porque comoditizar el modelo le baja el valor al de sus competidores, no porque crea en la libertad del software. Es una decisión de negocio razonable, y también es una decisión que Meta puede revertir el día que le convenga.

Y está la pelea semántica. La Open Source Initiative, que mantiene la definición canónica de código abierto desde 1998, sostiene que Llama no califica porque su licencia impone restricciones de uso comercial y no publica los datos de entrenamiento. Meta sigue usando el término igual. Cuando leas “open source AI” en un comunicado, fijate qué dice la licencia, no el titular.

Actor	Fuente de financiamiento	Qué publica	¿Cumple la definición de OSI?
Meta (Llama)	Capex propio de Meta	Pesos, no los datos de entrenamiento	No, según la OSI
Mistral AI	Capital de riesgo privado	Algunos modelos con pesos abiertos, otros solo por API	Depende del modelo
Hugging Face	Ingresos por hosting y planes enterprise	Infraestructura y librerías (Transformers)	Sí, en sus librerías
OpenAI Foundation	Filantropía corporativa	Grants a organizaciones sin fines de lucro	No aplica, no publica modelos

financiamiento ia código abierto diagrama explicativo

¿Quién debería poner la plata: gobiernos o empresas privadas?

La propuesta de Siegel apunta al Estado como proveedor de compute subsidiado, con grants corporativos a universidades como complemento y una regla simple de fondo: si la IA se paga con plata pública, los pesos se publican. La lógica es la misma que sostiene a las bibliotecas o al sistema de patentes con vencimiento, garantizar que el conocimiento financiado por todos termine siendo de todos.

El problema con dejarlo solo en manos privadas ya lo vimos: Meta libera mientras le conviene comoditizar el modelo, y el día que Llama deje de servirle como arma competitiva, la apertura se termina. La filantropía corporativa tampoco alcanza. Los grants de la OpenAI Foundation van a organizaciones sin fines de lucro, lo cual está bien, y también son un rounding error frente a lo que la misma industria gasta en un solo datacenter.

¿Y el financiamiento IA código abierto desde el sector público en 2026? Europa avanzó con fondos vinculados al AI Act y a la estrategia de soberanía digital. Estados Unidos tiene el NAIRR como iniciativa de compute compartido para investigación académica. Ninguno de los dos mueve la aguja al nivel del capex de un hyperscaler. Lo explicamos a fondo en avances en modelos de razonamiento abiertos.

¿Cuáles son los riesgos de seguridad de la IA de código abierto?

Los tres riesgos reales son el mal uso (deepfakes, phishing automatizado, malware asistido), la falta de un equipo dedicado que parchee vulnerabilidades del modelo, y la imposibilidad de revocar el acceso una vez que los pesos están descargados. Publicar un modelo es irreversible: no hay botón de apagado.

Ahora bien, el contraargumento tiene 30 años de evidencia. La seguridad por oscuridad no funciona en criptografía ni en software, y no hay razón para pensar que funcione acá. OpenSSL era abierto y Heartbleed se encontró y se parcheó en días. Los bugs de sistemas cerrados salen a la luz cuando alguien ya los explotó.

¿Qué está confirmado y qué no?

Confirmado: David Siegel publicó su columna en Fortune el 3 de julio de 2026, con el paralelo entre la IA abierta y la batalla del software de los 80.
Confirmado: la Open Source Initiative rechaza que Llama sea código abierto y Meta sostiene lo contrario. La disputa sigue sin resolverse.
Confirmado: la OpenAI Foundation reparte grants a organizaciones sin fines de lucro.
No confirmado: las cifras de “brecha de inversión” que circulan en varios blogs de análisis (del tipo 37,5 mil millones para modelos cerrados contra 14,9 mil millones para abiertos desde 2020) no tienen una fuente primaria que yo haya podido verificar. Tomalas con pinzas hasta que aparezca el dataset.
No confirmado: los montos exactos de las rondas de Mistral se reportaron con cifras distintas según el medio.

Errores comunes al evaluar modelos abiertos

Confundir “pesos abiertos” con “código abierto”. Que puedas descargar el modelo no significa que puedas usarlo comercialmente sin límites. Leé la licencia antes de meterlo en producción, no después de que legales lo pregunte.
Creer que abierto significa gratis. El modelo no cuesta nada, la GPU sí. Un modelo de 70B con throughput decente necesita hardware que se paga por mes, y esa cuenta puede salir más cara que la API propietaria si tu volumen es bajo.
Elegir el modelo más grande porque sí. Para clasificar tickets o extraer entidades, un modelo de 7B fine-tuneado con 500 ejemplos de tu dominio suele ganarle a uno de 70B genérico, y te entra en una placa de consumo.
Ignorar la salida. Subís el modelo, lo probás en local, anda bárbaro, lo mandás a producción y de repente todo se rompe porque el tokenizer no era el mismo, las dependencias cambiaron, la cuantización que usaste degradó justo la tarea que te importaba y nadie documentó nada.

Preguntas Frecuentes

¿Qué es el financiamiento de IA de código abierto?

Es la plata que sostiene modelos, datasets y herramientas de IA publicados con licencias abiertas. Viene de cuatro lugares: capital de riesgo privado, capex corporativo, subsidios públicos de compute y filantropía. Sin ese financiamiento, entrenar un modelo competitivo queda fuera del alcance de cualquiera que no sea un hyperscaler.

¿Por qué importa financiar IA abierta si Meta ya libera Llama gratis?

Porque Meta libera Llama mientras le sirve como estrategia competitiva, no por compromiso. Es una decisión reversible que depende de una sola empresa. Un ecosistema abierto financiado por fuentes diversas (públicas, académicas, corporativas) no queda a merced de que a un CEO le cambie el cálculo. Relacionado: inversión de los gigantes en IA.

¿Cómo se financian PyTorch y Hugging Face?

PyTorch pasó a la Linux Foundation en 2022 y se sostiene con aportes de las empresas miembro, con Meta todavía como contribuyente principal. Hugging Face se financia con ingresos propios: hosting de modelos, Inference Endpoints y planes enterprise, más el capital que levantó en rondas privadas. Los dos casos muestran que la infraestructura abierta necesita un sponsor estable.

¿Un modelo abierto sirve para una empresa argentina chica?

Sí, sobre todo si manejás datos que no pueden salir del país o de tu red. Para volúmenes bajos la API propietaria suele salir más barata, pero si tenés un requisito de privacidad duro o querés fine-tunear en rioplatense, un modelo de 7B a 27B en un VPS con GPU resuelve sin pagar por token.

Esto está directamente ligado al financiamiento de IA abierta, algo que cubrimos con detalle en otro de nuestros artículos.

¿Llama es realmente código abierto?

Según la Open Source Initiative, no. Su licencia impone restricciones de uso comercial para empresas grandes y no publica los datos de entrenamiento, dos requisitos de la definición canónica. Meta sostiene que sí lo es. El término correcto para Llama es “pesos abiertos”.

Conclusión

Lo que cambió en julio de 2026 no es técnico, es de encuadre. Siegel corrió la discusión de “¿los modelos abiertos son peligrosos?” a “¿quién paga para que existan?”, y esa segunda pregunta es la que define el mapa de los próximos cinco años. La respuesta corta hoy es que casi nadie los paga a escala, y por eso el open source va detrás.

Si estás decidiendo stack ahora, hacé una sola cosa concreta: probá tu caso de uso contra un modelo de pesos abiertos antes de firmar el contrato de API. No para migrar mañana, sino para saber cuánto te costaría hacerlo si el precio sube o la licencia cambia. Tener el número calculado vale más que cualquier posición ideológica sobre la apertura.

La IA abierta pierde por plata, no por calidad