LLMs open source vs cerrados en empresa: cómo elegir modelo de IA en 2026 (Llama, Mistral, GPT, Claude, Gemini)

La pregunta de LLM open source empresa ha pasado de ser una curiosidad técnica a ser una decisión estratégica que cualquier comité de dirección que tome IA en serio se va a encontrar encima de la mesa en 2026. Hace dos años no había debate: GPT-4 era dos generaciones por delante de cualquier modelo abierto y nadie sensato montaba un sistema crítico sobre Llama. Hoy la foto ha cambiado. Llama 4, Mistral Large 3, DeepSeek V3 y Qwen 3 compiten cara a cara con los modelos cerrados de OpenAI, Anthropic y Google en muchas tareas reales de negocio, y en algunas —razonamiento técnico, código, documentos largos— les ganan.

En Everglow, como implantadora de IA en empresa, hemos pasado de defender por sistema los modelos cerrados a evaluar caso por caso. Y esa es la moraleja del post: en 2026 no hay un ganador. Hay una decisión que depende de cuatro variables muy concretas, y la mayoría de empresas la toman al revés.

Por qué esta decisión importa más de lo que parece

Elegir LLM no es elegir herramienta. Es elegir proveedor, contrato, latencia, perfil de coste, modelo de privacidad, ruta de migración y techo de rendimiento del sistema que vas a construir encima. Cambiar de modelo a los seis meses no es imposible —los buenos sistemas son agnósticos a modelo— pero es caro y casi siempre revela que la decisión inicial se tomó por inercia.

El error más caro que vemos no es elegir mal. Es elegir sin marco. Empresas que se atan a un proveedor porque alguien probó ChatGPT un viernes y le gustó, sin entender que están firmando dos años de dependencia operativa.

Los dos campos en juego, simplificando:

• Modelos cerrados (propietarios): GPT-5 (OpenAI), Claude 4.5 (Anthropic), Gemini 2.5 (Google). Acceso solo por API. Pagas por token. No ves los pesos. No los puedes desplegar tú.
• Modelos open source (pesos abiertos): Llama 4 (Meta), Mistral Large 3 (Mistral), DeepSeek V3, Qwen 3 (Alibaba). Te puedes descargar el modelo, hostearlo donde quieras, hacer fine-tuning, auditar el comportamiento.

Hay una zona gris: modelos abiertos servidos por terceros (Together, Fireworks, Groq, AWS Bedrock con Llama, etc.). Te ahorran el hosting pero pierdes parte del control. Más sobre esto al final.

Las cuatro variables que de verdad importan

Olvídate de los benchmarks de Twitter. La decisión real depende de cuatro ejes. Si los puntúas honestamente, la respuesta cae sola.

1. Sensibilidad de los datos

Si tu caso de uso toca datos sanitarios, financieros regulados, propiedad intelectual del cliente o secretos industriales, el modelo open source autohospedado pasa de “opción interesante” a “opción seria”. No por mística regulatoria, sino por una razón muy concreta: con un modelo cerrado por API, tus datos salen de tu infraestructura. Hay acuerdos de no entrenamiento, hay regiones europeas, hay enterprise tiers que lo blindan razonablemente bien. Pero el dato físicamente cruza la frontera de tu red.

Con Llama 4 desplegado en tu VPC, el dato nunca sale. Esa diferencia no la arregla un contrato. Para empresas reguladas (banca, salud, seguros, sector público), es la diferencia entre poder lanzar o tener seis meses de fricción con legal y compliance. Lo hemos visto demasiadas veces.

2. Volumen de tokens al mes

Aquí la economía cambia drásticamente entre 1 millón y 100 millones de tokens mensuales. Hagamos números reales con precios de 2026:

• GPT-5: del orden de 5 €/M tokens de input y 15 €/M de output (modelo flagship).
• Claude 4.5 Sonnet: del orden de 3 €/M input y 15 €/M output.
• Llama 4 70B autohospedado en una A100/H100: del orden de 0,2-0,5 €/M tokens cuando saturas la GPU.

A 10 millones de tokens al mes, la diferencia es ruido: 100-200 € arriba o abajo. A 500 millones al mes, hablamos de 5.000-7.500 € en cerrado frente a 500-1.500 € en open source autohospedado. Cuando un copiloto interno se hace popular en una empresa de 500 empleados, llegar a 500M tokens/mes es trivial. Ahí el caso económico para open source se hace evidente.

Pero ojo: el coste de operar el modelo es solo una parte. El coste de mantener el stack (MLOps, evaluación, retrainings, GPU monitoring) no es despreciable. La pregunta correcta no es “cuánto cuesta el token”, es “cuánto cuesta el sistema entero al año”.

3. Tipo de tarea

No todos los modelos son iguales en todas las tareas. Honestamente:

• Razonamiento complejo, agentes multi-paso, tareas que requieren “pensar”: los cerrados (GPT-5, Claude 4.5) siguen marcando la frontera. La diferencia con Llama 4 es real, especialmente en cadenas largas de razonamiento.
• Generación de código de calidad media-alta: empatados. DeepSeek Coder y Qwen Coder rinden tan bien como Claude en muchos benchmarks reales.
• Extracción estructurada de información de documentos: open source rinde igual o mejor cuando hay fine-tuning. Y a coste mucho menor.
• Conversación de soporte al cliente con tono y empatía: cerrados aún tienen ventaja en idiomas no-inglés, sobre todo español.
• Tareas masivas, repetitivas, sin razonamiento complejo (clasificar, resumir, normalizar): open source gana por goleada en relación coste/calidad.

4. Latencia y disponibilidad

Si tu producto necesita responder en <500ms y tener garantías de uptime del 99,9%, las APIs cerradas son hoy más maduras operativamente. Han tenido años para tener fallback regions, rate limit gracioso y SLAs serios. Llama autohospedado en tu cluster K8s lo puede igualar, pero te lo tienes que montar tú. Y eso significa SRE, oncall y observabilidad. No es ciencia ficción, es trabajo real.

Si tu caso de uso es asíncrono (procesar documentos de la noche, generar resúmenes, enviar emails a los 30 minutos), la latencia importa menos y open source brilla.

El marco de decisión que usamos en Everglow

Para no perdernos en el debate, cuando entramos en un cliente nuevo a evaluar qué modelo usar, aplicamos este orden:

1. ¿Los datos son altamente sensibles y/o regulados? Si sí → open source autohospedado entra como candidato fuerte. Si no → seguimos.
2. ¿Volumen previsto > 50M tokens/mes en estado estable? Si sí → calcular TCO real con open source frente a APIs. Casi siempre gana open source pasada esa frontera. Si no → cerrado por simplicidad operativa.
3. ¿Necesitas razonamiento complejo o agentes con muchas herramientas? Si sí y vas a operar a baja escala → empezar con cerrado, validar caso de uso, luego evaluar migración.
4. ¿Tienes equipo (o presupuesto para un partner como Everglow) que sepa operar GPUs y stacks LLM? Si no → cerrado por defecto, aunque pague más. No quieres operar lo que no sabes operar.

Esta jerarquía evita el error más común: empezar por el modelo y no por el problema. El modelo es la última decisión, no la primera.

Lo que la mayoría de empresas se está perdiendo: el modelo híbrido

Casi todas las empresas que implantan IA en serio en 2026 acaban en un patrón híbrido, aunque no lo hayan planeado así. El mapa más común:

• Cerrado (Claude/GPT) para el razonamiento de alto nivel: el “cerebro” del agente, las decisiones complejas, los flujos críticos.
• Open source autohospedado para tareas masivas: clasificación de tickets, extracción de campos, resúmenes batch, búsquedas RAG. El 80% del volumen pasa por aquí.
• Open source fine-tuneado para tareas especializadas: un Llama 4 ajustado con 500 ejemplos de cómo redacta tu equipo de atención al cliente es mejor que cualquier modelo generalista para esa tarea concreta.

Esta arquitectura híbrida es la que mejor ROI nos da en los proyectos donde la implantamos como Everglow. No es ideológica —no se trata de “abrazar el open source” ni de “confiar en los gigantes”— es operativa: usar cada modelo donde rinde mejor.

Las empresas que se atan a un único proveedor en 2026 están pagando una prima de simplicidad que no necesitan pagar. Las que tienen una capa de abstracción y rutean cada tarea al modelo correcto operan a un coste 3-5x menor con la misma calidad.

Para que esto funcione, necesitas dos cosas que la mayoría de empresas no tienen: una capa de routing entre tu aplicación y los modelos (LiteLLM, Portkey, gateways propios) y un sistema de evals que te diga qué modelo gana en qué tarea. Sin eso, la arquitectura híbrida es teoría bonita.

Errores típicos que vemos al elegir modelo

Después de evaluar esta decisión en decenas de empresas, los patrones de error se repiten:

1. Elegir por benchmark de Twitter. Los benchmarks públicos miden capacidades generales. Tu caso de uso es específico. Lo único que cuenta es cómo rinde el modelo en TU eval, sobre TUS datos. Monta evals en la semana 1, no en la semana 20.
2. Optar por open source “porque es gratis”. Los pesos son gratis. La GPU no. El SRE no. Las evals no. Si no tienes capacidad operativa, open source es más caro que una API.
3. Optar por cerrado “porque es más profesional”. El “más profesional” cuesta 10x más a escala. Profesional es elegir bien, no pagar más.
4. Atarse a un proveedor sin abstracción. Si tu código llama directamente a openai.chat.completions.create(...) en mil sitios, vas a sufrir el día que quieras migrar. Y querrás migrar.
5. No probar modelos europeos (Mistral) por reflejo. Mistral Large 3 es competitivo en español, está en regiones europeas y resuelve gran parte de las dudas de compliance. Merece estar en el shortlist.
6. Pensar que la decisión es permanente. No lo es. Esto se reevalúa cada 6 meses. Lo que ganaba hace 18 meses no gana hoy.

Vendor lock-in: la trampa silenciosa

La discusión “open source vs cerrado” muchas veces es en realidad la discusión “lock-in vs portabilidad”. Y en eso los modelos cerrados pierden por diseño.

Si construyes tu sistema con prompts cuidadosamente afinados a un modelo concreto, si usas features propietarias (function calling de OpenAI, tools de Claude, citas estructuradas de Gemini) sin abstracción, el día que ese proveedor suba precios, cambie política, deje un modelo deprecado o tenga una caída de 8 horas, tu negocio sufre. Y todo eso ha pasado en 2024-2026, no es teórico.

La protección no es elegir open source obligatoriamente: es construir el sistema agnóstico a modelo desde el día uno. Capa de prompts unificada, capa de routing, evals que te permiten comparar modelos en tu eval propio. Con esa base, cambiar de proveedor en 2 semanas es realista. Sin ella, son 6 meses y vendor management con abogados.

Cómo decidimos nosotros en proyectos reales

En los proyectos de implantación de IA que ejecutamos como Everglow, las decisiones de los últimos 12 meses han caído así:

• Cliente sector salud, RAG sobre historias clínicas: Llama 4 autohospedado en VPC. Innegociable por compliance.
• Cliente legal, contratos: híbrido. Claude 4.5 para análisis profundo, Mistral autohospedado para extracción de cláusulas a escala.
• Cliente e-commerce, atención al cliente con 200k tickets/mes: open source fine-tuneado en tono propio + Claude como fallback para casos complejos. Ahorro estimado: 70% frente a solo Claude.
• Cliente B2B SaaS, copiloto interno usado por equipo de 50: GPT-5 directamente. Volumen bajo, simplicidad operativa gana al ahorro.
• Cliente industrial, asistente técnico de mantenimiento: Llama 4 fine-tuneado con manuales internos. Funciona offline en planta cuando se cae internet.

Como ves, no hay una respuesta universal. Hay una respuesta correcta por contexto. Y conocer los cinco ejes con los que se decide es lo que separa una elección sólida de una corazonada cara.

Conclusión: la decisión correcta en 2026

Si tu empresa va a implantar IA en serio, la pregunta no es “¿open source o cerrado?”. Es:

• ¿Qué nivel de control sobre los datos necesito?
• ¿Cuánto volumen voy a procesar al año?
• ¿Qué tareas voy a poner sobre el modelo?
• ¿Tengo (o quiero) capacidad operativa para hostearlo yo?
• ¿Cómo blindo el sistema contra cambios del proveedor?

Responde a esas cinco con honestidad —no con lo que te gustaría— y la decisión se vuelve obvia. La mayoría de empresas medianas-grandes acabarán en un patrón híbrido: cerrados para el razonamiento crítico, open source para el volumen, fine-tuning donde rinde. Y todo conectado por una capa de abstracción que mantiene la portabilidad.

Si quieres ayuda a montar esta arquitectura sin equivocarte de modelo y sin firmar un contrato del que no sabes salir, en Everglow somos implantadora de IA en empresa, no proveedor único de ningún modelo: evaluamos por caso, sin agenda. Si estás dándole vueltas a esta decisión, escríbenos en contacto y montamos una sesión técnica para verlo con tus datos y tus números.