La trastienda de los modelos abiertos: qué licencias esconden y por qué casi nunca son código abierto

El Cuñado y el “open source” de TikTok

El Cuñado dice: “Bro, ya no hace falta pagar OpenAI. Hay modelos open source que son mejores, gratis y sin letra pequeña. Los chinos lo liberan todo.”

La realidad es: lo que casi siempre te liberan son los pesos del modelo (los números de la red neuronal, digamos la receta cocinada) bajo una licencia de software. No te dan los datos de entrenamiento, no te dan el código completo con el que se entrenó, no te dan los checkpoints intermedios. Según la OSI (Open Source Initiative), el open source real en IA exige pesos, código de entrenamiento, datos y checkpoints. Eso, en modelos grandes, es extremadamente raro. La mayoría publica pesos bajo MIT o Apache 2.0 y se llama a sí misma “open”. El gap técnico entre abiertos y cerrados en 2026 es de unos pocos puntos en la mayoría de benchmarks; el gap de transparencia sigue siendo un abismo. Eso lo documenta el panorama de modelos LLM open source de 2026: “open source” en IA casi siempre significa solo pesos abiertos.

Por qué importa saberlo: porque si montas un producto encima de un modelo “abierto” sin leer la licencia, puedes acabar incumpliendo atribución, NOTICE, umbrales de usuarios o cláusulas de marca. Y no es humo teórico: en marzo de 2026 ya hay casos públicos de empresas que se han pasado la licencia por el arco del triunfo.

Esto no es un sermón de pureza open source. Es un mapa de la trastienda: qué licencia te da qué, qué te esconde, y qué hacen las empresas cuando el modelo abierto es materia prima barata.

Qué significa “abierto” cuando solo te dan los pesos

Hay que separar tres capas que el marketing mezcla a propósito.

Primera capa: pesos abiertos (open weights). Puedes descargar el archivo del modelo, cargarlo en tu GPU o en un servidor, fine-tunearlo y servirlo. Eso ya es mucho. No es lo mismo que un API de caja negra. Pero no es código abierto en el sentido clásico del software.

Segunda capa: licencia de uso. MIT, Apache 2.0, GPL, licencias “modificadas” de Meta o Moonshot. Aquí se decide si puedes comercializar, si tienes que atribuir, si al superar X usuarios te cae una obligación nueva, o si el trabajo derivado tiene que liberarse igual.

Tercera capa: reproducibilidad. Datos, código de entrenamiento, hiperparámetros, checkpoints. Sin esto no puedes auditar sesgos de origen, no puedes demostrar que no se usó material con derechos, no puedes reconstruir el modelo desde cero. La OSI pone el listón aquí. Casi nadie de la frontera lo cumple.

Los modelos OSS de OpenAI (gpt-oss-120b y gpt-oss-20b) ilustran el truco del lenguaje. Salieron con licencia Apache 2.0: uso, modificación y comercialización con crédito. Suena a apertura total. Pero no comparten datos de entrenamiento ni código fuente del pipeline. No son código abierto en sentido estricto; son pesos con permiso comercial generoso. La cobertura de Fast Company sobre ese movimiento (agosto 2025) lo enmarca como un cambio de estrategia, no como una conversión al open source de manual.

Mismo juego con DeepSeek, Qwen, Gemma, Mistral. Pesos sí. Licencias permisivas sí. Dataset completo y pipeline de entrenamiento: casi nunca. Si alguien te dice “es open source porque está en Hugging Face”, pregúntale por los datos. El silencio es la respuesta.

Pesos abiertos te dan un coche con el capó abierto. Código abierto de verdad te da el plano de la fábrica, la lista de piezas y el historial de soldaduras.

El menú de licencias: MIT, Apache, GPL y las que te joden al crecer

No todas las “licencias abiertas” son iguales. El detalle legal es aburrido hasta el día en que te demanda alguien o te pide un cliente el NOTICE que no guardaste.

MIT (la que parece un salvoconducto)

La MIT, usada por DeepSeek V3, exige una cosa concreta: incluir el aviso de derechos de autor original y el texto de la licencia en cualquier copia o parte sustancial del software. No es un detalle de cortesía. Es el requisito central. Si quitas el archivo LICENSE o el copyright del repo, estás incumpliendo. Así de simple. El análisis de licencias de modelos de IA de julio de 2026 lo deja en negro sobre blanco: el incumplimiento de MIT, como el de Rakuten con DeepSeek V3, invita a litigios.

Apache 2.0 (permisiva, pero con papeleo)

Apache 2.0, la de Qwen 3.5 y Gemma 4, es más exigente en el día a día de un producto:

• Conservar archivos NOTICE.
• Declarar los cambios que hayas hecho.
• Incluye una concesión de patente explícita (algo que MIT no resuelve igual).

No declarar los ajustes no es “un olvido de README”. Es infracción de licencia. Si fine-tuneas Qwen, lo empaquetas y lo vendes como si hubieras inventado la rueda sin mencionar ni el NOTICE ni los cambios, estás en zona de demanda.

En febrero de 2026, Alibaba lanzó Qwen 3.5 bajo Apache 2.0, con versiones de hasta 397B parámetros y cifras fuertes en razonamiento (88.4% en GPQA Diamond) y multimodales. Google sacó Gemma 4 en 2026 también bajo Apache 2.0, hasta 31B, con un 80% en LiveCodeBench, pensado para local y edge. La apuesta es clara: licencia permisiva para adopción global. El precio de esa adopción, para ti, es cumplir NOTICE y atribución. No es gratis en el sentido legal.

GPL (la que asusta a los comerciales)

La GPL exige que los trabajos derivados se publiquen bajo la misma licencia. Efecto viral: si metes el modelo (o una parte sustancial del software bajo GPL) en tu producto cerrado, en muchos escenarios te obliga a liberar. Por eso pocos modelos comerciales de frontera la usan. No es maldad; es que el modelo de negocio de “pesos abiertos + API de pago + enterprise” choca de frente con el copyleft estricto.

Las trampas al escalar: Kimi y Llama

Aquí es donde el Cuñado se atraganta.

La licencia MIT Modificada de Kimi K2.5 añade una cláusula: productos con más de 100 millones de usuarios activos mensuales o 20 millones de dólares en ingresos mensuales deben mostrar de forma destacada el nombre del modelo. Mientras eres un SaaS de 50.000 usuarios, vives en MIT clásica. El día que pegas el estirón, aparece una obligación de marca que no tenías en el Excel del seed. Es una trampa de cumplimiento al escalar: no te frena al principio; te cobra en visibilidad cuando ya no puedes dar marcha atrás fácil.

La licencia de Llama 4 de Meta permite uso comercial, pero exige permiso especial si el producto supera los 700 millones de usuarios activos mensuales. Está pensada para que Google o Microsoft no se lean el modelo de Meta como si fuera un bien común sin negociación. Otra vez: abierto para casi todos, con candado para los monstruos.

Mistral AI juega a la estrategia dual con claridad: Mistral Large 3 (675B total) bajo Apache 2.0 en la línea abierta, y una versión comercial de pago con capacidades adicionales. No es hipocresía; es el modelo de negocio dicho en voz alta. El problema empieza cuando otros venden “totalmente open” y luego resulta que la letra pequeña del umbral o de la atribución no estaba en el hilo de Twitter.

Cuando las empresas grandes se pasan la licencia por el forro

Marzo de 2026 dejó dos ejemplos que no son anécdota de foros.

Cursor (Anysphere), valorada en 29.300 millones de dólares, usó el modelo Kimi K2.5 de Moonshot AI para su función Composer 2 sin atribución. Es el gesto industrial puro: tomar un modelo de pesos abiertos, integrarlo en un producto de pago masivo y borrar el rastro de la licencia. Como si los pesos fueran mineral en bruto y el aviso de copyright un sticker molesto en la caja. El caso quedó bajo escrutinio público; no consta, hasta marzo de 2026, una demanda presentada. Eso no limpia el incumplimiento aparente de atribución. Solo dice que el teatro legal aún no ha arrancado en ese expediente.

Rakuten lanzó “Rakuten AI 3.0” basado en DeepSeek V3 tras eliminar el archivo de licencia MIT del repositorio. Eso no es ambigüedad de marketing. Es violar de forma directa el requisito de la MIT de conservar el aviso de derechos de autor en todas las copias. La reacción pública fue negativa. No tenemos en los hechos un desenlace judicial cerrado; tenemos el hecho bruto: se quitó el LICENSE y se comercializó encima.

¿Por qué lo hacen? Porque el modelo abierto se ha convertido en commodity de I+D. Entrenas o adapta encima, envuelves en UX, cobras suscripción. El aviso de licencia no aporta al MRR. Hasta que un litigio o un cliente enterprise con compliance serio te lo exige.

Hay precedente de tono en el mundo del código asistido por IA. La demanda Doe v. GitHub (Copilot), de noviembre de 2022, alega que GitHub Copilot reproduce código de código abierto sin los avisos de licencia requeridos. Dos reclamos sobrevivieron a la moción de desestimación. No es el mismo caso que un modelo de pesos, pero sienta el ambiente: los tribunales empiezan a mirar la atribución y los avisos como algo más que “buenas prácticas de GitHub”. El mismo hilo legal dice que los tribunales tratan las licencias de modelos de IA como contratos exigibles. Violar atribución en MIT o Apache 2.0 puede acabar en demanda, divulgación forzada de código o medidas cautelares.

No afirmo que Cursor o Rakuten estén condenados. Afirmo lo que consta: uso sin atribución, borrado de LICENSE, escrutinio, y un marco judicial que ya no ríe cuando dices “pero si era open source”.

La frontera técnica ya no justifica el secreto

Durante años el argumento del closed source fue: “Estamos tan por delante que abrir el modelo es regalar la ventaja”. En 2026 ese argumento se deshincha con datos, no con discursos.

DeepSeek V4-Pro alcanza un 80.6% en SWE-bench Verified con licencia MIT, a solo 0.2 puntos de Claude Opus 4.6. Qwen 3.5 y Gemma 4 compiten en razonamiento, código y despliegue local con Apache 2.0. El gap entre abiertos y cerrados es de pocos puntos en la mayoría de benchmarks. Eso no significa que el 80% en un bench sea magia en producción (ya hemos contado por qué el 80% en un benchmark a menudo no significa nada en producción), pero sí tumba la excusa de que “solo se puede competir en cerrado”.

La carrera, además, se mide en adopción, no solo en leaderboard. Los modelos abiertos chinos han copado una parte brutal del conjunto de pesos públicos; el mapa de adopción en Hugging Face y la carrera fuera del laboratorio va en esa dirección. Moonshot y la familia Kimi han apretado la brecha con Anthropic y OpenAI en tiempos ridículos desde el punto de vista de un lab occidental clásico (el hilo de Kimi y la brecha en pesos abiertos va del mismo fenómeno).

Cuando el rendimiento se iguala, la licencia deja de ser un apéndice legal y se convierte en el producto: ¿puedo self-hostear?, ¿puedo fine-tunear sin pedir permiso?, ¿qué pasa al cruzar 100 millones de usuarios?, ¿tengo que poner el logo de Moonshot en la UI?

El Cuñado confunde “casi igual de listo que Claude” con “libre como el aire”. La primera frase es, en varios benches, casi cierta. La segunda es falsa casi siempre.

Lo que la licencia NO te da (y casi nadie declara)

Aquí entra el criterio que debería ser estándar y casi nadie aplica: declarar explícitamente lo que el método no detecta, lo que la licencia no cubre y lo que el marketing no dice.

Una licencia MIT o Apache 2.0 sobre pesos no te da:

• Garantía de que los datos de entrenamiento eran limpios, con licencia o sin PII.
• Derecho a usar marcas, nombres o “powered by” del laboratorio de origen más allá de lo que diga el texto.
• Inmunidad automática si el modelo regurgita código con copyright de terceros (el fantasma de Copilot no se va con un LICENSE.md).
• Reproducibilidad científica. Sin datos y sin pipeline, no auditas; solo confías.
• Un veredicto de “este modelo es mejor”. Una licencia permisiva no es un benchmark.

Y al revés: cumplir la licencia no te absuelve de RGPD, de responsabilidad de producto, ni de que tu fine-tune se salga de la distribución y diga barbaridades a un cliente. La licencia es un contrato sobre el artefacto. No es un seguro de responsabilidad civil.

Las empresas que hacen bien el trabajo de pesos abiertos deberían publicar, junto al model card, una sección de límites del método de apertura, no un descargo de abogados en la página 40. Algo del estilo:

• Qué se publica (pesos, tokenizer, config).
• Qué no se publica (datos, código de entrenamiento, checkpoints).
• Qué exige la licencia al integrar, al fine-tunear y al superar umbrales de usuarios/ingresos.
• Qué métricas de evaluación usaron y qué no miden esas métricas.

Mientras eso no sea norma, el vacío lo rellena el Cuñado: “es open, tío”. Y el vacío lo explotan Cursor y Rakuten: materia prima sin etiqueta.

Si montas un stack con modelos abiertos, el checklist mínimo no es filosófico:

1. Guarda el LICENSE y el NOTICE originales en tu repo y en el artefacto que distribuyes.
2. Declara cambios si la licencia lo pide (Apache 2.0).
3. Revisa umbrales de MAU e ingresos (Kimi, Llama y similares).
4. No borres atribución aunque “quede más limpio” el branding.
5. Separa en la cabeza: permiso de uso del peso ≠ permiso sobre los datos con los que se entrenó.
6. Asume que un día un compliance officer o un juez te pedirá el rastro. Si no lo tienes, el problema eres tú.

La ironía final: en un entorno donde la regulación llega tarde y los modelos cambian cada trimestre, los pesos abiertos bien licenciados son a veces la única apuesta que no te encadena a un vendor que puede apagar el grifo. Eso no los convierte en open source de manual. Los convierte en una herramienta con contrato. Léelo.

Preguntas frecuentes

¿Un modelo con pesos en Hugging Face es código abierto?

No. En la práctica casi siempre son pesos abiertos bajo MIT, Apache 2.0 u otra licencia, sin datos de entrenamiento ni código completo del pipeline. La OSI exige pesos, código de entrenamiento, datos y checkpoints para hablar de open source real en IA; eso es extremadamente raro en modelos grandes. Descarga fácil no equivale a apertura total.

¿Puedo usar DeepSeek, Qwen o Gemma en un producto comercial?

En las versiones citadas con MIT (DeepSeek V3 y V4-Pro) o Apache 2.0 (Qwen 3.5, Gemma 4), el uso comercial suele estar permitido si cumples atribución, NOTICE y declaración de cambios donde toque. No borres el LICENSE. Revisa siempre el texto exacto de la versión que descargas: las “MIT modificadas” y las de Llama añaden umbrales de usuarios o ingresos.

¿Qué pasó con Cursor y Kimi K2.5?

En marzo de 2026, Cursor (Anysphere) usó Kimi K2.5 de Moonshot para Composer 2 sin atribución, en un contexto de empresa valorada en 29.300 millones de dólares. Quedó bajo escrutinio público; no consta demanda presentada hasta esa fecha en los hechos disponibles. El episodio muestra cómo se tratan a veces los pesos abiertos como materia prima sin etiqueta de licencia.

¿Violar la licencia de un modelo de IA tiene consecuencias legales reales?

Los tribunales tratan estas licencias como contratos exigibles. Incumplir atribución en MIT o Apache 2.0 puede derivar en demandas, medidas cautelares o divulgación forzada de código. El caso Doe v. GitHub (Copilot), de 2022, con reclamos que sobrevivieron a desestimación, marca el clima: los avisos de licencia en IA ya no se miran como un detalle decorativo.