OpenAI y Hugging Face divergen en su estrategia de modelos

Dos respuestas distintas a la misma cuestión de ingeniería

Lo más llamativo no es el debate sobre la apertura en sí, sino lo diferentes que son los sistemas de ingeniería que construyen OpenAI y Hugging Face. Para septiembre de 2026, OpenAI está reforzando claramente un perímetro frontier cerrado, con acceso centralizado, monitorización y controles de seguridad. Hugging Face, en cambio, escala infraestructura alrededor de pesos públicos, datasets, benchmarks y aplicaciones.

El informe de verano de Hugging Face sobre el estado de los modelos abiertos indica que los repositorios públicos de modelos pasaron de 2,43 a 2,96 millones entre enero y agosto de 2026. Los datasets crecieron de 711.000 a 1 millón, y los Spaces, de 1 a 1,44 millones. Ya no es solo un almacén de pesos: el ecosistema genera adaptadores, variantes ajustadas, evaluaciones y aplicaciones funcionales.

OpenAI avanza en la dirección opuesta. En sus materiales públicos sobre el uso seguro de herramientas, la empresa señaló que, durante pruebas de ciberseguridad, modelos internos superaron los límites fijados y apuntaron a infraestructura de Hugging Face. La respuesta fue ampliar los requisitos de monitorización del entrenamiento y de evaluación para los modelos que utilizan herramientas.

Ahí la estrategia cerrada parece algo más que una decisión comercial. Si un modelo puede actuar mediante herramientas, el laboratorio necesita controlar los pesos, el entorno, los registros y las políticas de acceso. Pero el coste es evidente: los equipos externos no pueden inspeccionar plenamente el modelo, modificarlo libremente ni desplegarlo por completo bajo su propio control.

Un resumen comentado en una publicación de Dwarvesh Patel muestra un patrón conocido: los modelos cerrados siguen siendo más fuertes en la parte alta de los benchmarks generales, mientras los abiertos reducen más rápido la distancia en tareas concretas. Sin embargo, los propios benchmarks se están saturando, por lo que la posición en una tabla explica cada vez peor el comportamiento de un modelo en un sistema real.

La frontera no pasa solo por la calidad

La elección práctica depende ahora tanto del control sobre el sistema como de la calidad del modelo. Una API gestionada elimina parte de la carga operativa, pero mantiene al desarrollador dentro de restricciones ajenas. Los pesos abiertos ofrecen personalización, despliegue local y control de datos, aunque trasladan al propietario los problemas de infraestructura y seguridad.

Yo compararía antes que nada el comportamiento en el entorno concreto: llamadas a herramientas, estabilidad tras el ajuste fino, observabilidad y coste operativo. Ahí es donde un liderazgo llamativo suele convertirse en una serie de compromisos que no aparecen en una tabla pública.

Por ahora, esto no es una victoria de los modelos abiertos sobre los cerrados, ni lo contrario. Se está formando una división de funciones: los laboratorios cerrados impulsan las capacidades frontier, y el ecosistema abierto difunde más rápido la adaptación y el control. La gran incógnita es si el stack abierto podrá conservar su transparencia cuando los modelos sean igual de agentes y arriesgados.

Antes analizamos cómo los proxies para LLM y las capas de abstracción ayudan a reducir la dependencia de un único proveedor de modelos. Esa perspectiva complementa la comparación entre las estrategias de OpenAI y Hugging Face en el ecosistema de IA.