El fundador de Mistral, Arthur Mensch, está construyendo el caso a favor de la IA open source. En un posteo en LinkedIn, advierte a las empresas contra la dependencia de modelos de IA cerrados.
Las compañías que venden modelos cerrados están acumulando cada vez más datos, lo que les da una ventana hacia los procesos de negocio de sus clientes, argumenta Mensch. Algunos labs de IA "tienen historial de ir tras sus clientes más exitosos gracias a esa información", según el CEO francés.
Su recomendación a las empresas es guardar los datos en sistemas abiertos, definir sus propias reglas de acceso a la IA y entrenar sus propios modelos, incluso si "esos esfuerzos pueden parecer intimidantes".
"La IA de frontera puede acelerar el crecimiento de tu negocio, pero si no está en tus manos, no va a ser tu crecimiento", escribió Mensch.
Palantir dice algo parecido
Los comentarios de Mensch siguen la línea de declaraciones similares del CEO de Palantir, Alex Karp, que también llamó a las empresas a construir sus propios modelos de IA en vez de depender de soluciones propietarias externas. Palantir además publicó un manifiesto por la IA segura en los negocios que, entre otras cosas, dice: "Controlar tus pesos es controlar tu destino. Los pesos son la forma destilada del conocimiento institucional acumulado y ganado con esfuerzo. Si dejas que otros controlen tus pesos, les permites migrar el alpha de tu negocio hacia el suyo."
¿Por qué Mensch dice lo que dice ahora?
Los argumentos de Mensch son válidos, pero necesitan contexto. Mistral es la única empresa europea con modelos de IA relevantes y no puede competir con modelos top-tier como GPT-5.6 Solor o Fable 5 en desempeño puro. El modelo de negocio de Mistral se apoya fuertemente en la soberanía europea porque ese es el frente donde la compañía tiene más para ganar, aunque cerca del 30% de sus acciones están en manos de inversionistas estadounidenses.
Los grandes modelos de propósito general también han vencido repetidamente a modelos especializados en benchmarks específicos, siempre que el conocimiento de dominio relevante haya estado presente en los datos de entrenamiento. Mensch está defendiendo su propio libro.
El experimento de Bridgewater con Qwen3-235B
Un experimento reciente publicado sobre análisis de documentos financieros lo respalda parcialmente. Conocimiento experto interno que no estuvo incluido en los datos de entrenamiento de los grandes modelos sí puede entregar una ventaja.
El hedge fund Bridgewater y Thinking Machines Lab, la startup fundada por la ex-CTO de OpenAI Mira Murati, hicieron fine-tune del modelo open source Qwen3-235B usando sus propias evaluaciones de inversión.
Según su propio análisis, el modelo fine-tuneado alcanzó 84,7% de precisión en documentos financieros, mientras el mejor modelo de frontera llegó a 78,2%. Los costos operativos fueron aproximadamente 14 veces más bajos.
No fue una comparación independiente y ambas empresas tienen interés en vender sus productos. También es una foto puntual. Compañías como Anthropic u OpenAI podrían simplemente comprar ese tipo de datos para futuros entrenamientos o generarlos ellas mismas, lo que probablemente las volvería a poner arriba.
¿Qué implicancia tiene esto para empresas en Chile y LatAm?
En el mercado chileno, la brecha entre "usar modelo propietario vía API" y "correr modelo abierto en infraestructura propia" se traduce en decisiones concretas. Un modelo como Qwen3-235B (o su predecesor 235B abierto) corre en un cluster de 8 GPUs H100 alquilado en Amazon Web Services por aproximadamente USD 40 la hora (unos CLP 39.000/hora al tipo de cambio actual), lo que suma entre CLP 850.000 y CLP 28 millones al mes según utilización.
Comparado con el gasto típico de una fintech chilena que consume API de GPT-5 o Claude a razón de unos USD 15.000 mensuales (CLP 14 millones), el ROI de la infraestructura propia depende del volumen y de si el equipo tiene expertise MLOps para operar el cluster. Bajo 5.000 consultas/día la API cerrada suele ser más barata; sobre ese umbral, la ecuación empieza a inclinarse hacia el open source con fine-tuning propio, que es exactamente el argumento que Mensch está empujando.
La distinción práctica que Mensch omite: no todas las empresas necesitan modelo propio para todo. Un stack híbrido con API cerrada para el 80% de casos genéricos y modelo abierto fine-tuneado para el dato competitivamente sensible es la arquitectura pragmática que empieza a asomarse en varias empresas B2B latinoamericanas del sector financiero y de salud.
