El 24 de julio, Jensen Huang publicó por primera vez en X. No fue para hablar de chips ni de Nvidia — fue para compartir una carta abierta titulada "Open Weights and American AI Leadership", firmada por más de 25 empresas: Nvidia, Meta, Microsoft, Palantir, CrowdStrike, IBM, ServiceNow, Hugging Face, Mistral AI, Mozilla, la Linux Foundation, Andreessen Horowitz, Y Combinator y Perplexity, entre otras. El mensaje central es directo: los modelos abiertos fortalecen la seguridad, aceleran la innovación y habilitan la soberanía tecnológica de los países que los adoptan. Lo que más llama la atención no es quién firmó, sino quién no: OpenAI, Anthropic y Google —los tres laboratorios que dominan el mercado de modelos cerrados— quedaron fuera de la lista.
Para cualquier agencia que hoy tiene que decidir con qué modelos construye sus productos y los de sus clientes, esa ausencia dice tanto como la carta misma.
Qué dice la carta y por qué le urgía a Nvidia
El texto de la carta argumenta que "el mundo necesita tanto modelos de frontera cerrados como modelos de frontera abiertos" y le pide a Washington evitar "restricciones prematuras" sobre modelos de IA descargables. No es un gesto filantrópico: Nvidia vende chips tanto a quien entrena modelos cerrados como a quien entrena y corre modelos abiertos localmente, así que cualquier freno regulatorio a los modelos abiertos reduce directamente el universo de clientes que compran su hardware para self-hosting. Lo mismo aplica, con matices, para Meta (dueña de la familia Llama) y para Hugging Face, cuyo negocio entero depende de que existan modelos abiertos para alojar y distribuir.
El trasfondo: Washington evalúa frenar los modelos abiertos chinos
La carta no salió en el vacío. Cuatro días antes, medios como Axios y TechCrunch reportaron que la administración Trump está revisando la posibilidad de restringir el acceso a modelos de IA chinos —el Departamento de Comercio ha considerado agregar laboratorios chinos a su Entity List, lo que cortaría el acceso desde EE.UU. sin una licencia especial—. El catalizador inmediato fue Kimi K3, el modelo open-weight de 2.8 billones de parámetros que Moonshot AI lanzó el 17 de julio y que, según la propia compañía, supera a GPT-5.5 y a Opus 4.8 en benchmarks de código.
El problema, señalado por Tom's Hardware, es que un modelo de pesos abiertos ya liberado es casi imposible de "prohibir" en la práctica: una vez que los pesos están descargados y replicados en miles de servidores privados, ninguna sanción los borra de internet. Por eso el enfoque que se está discutiendo no es una prohibición frontal, sino fricción regulatoria —licencias, sanciones, revisiones de propiedad intelectual— que funcione como una prohibición de facto sin decirlo abiertamente. El 21 de julio, el secretario del Tesoro, Scott Bessent, anunció que el gobierno revisará modelos chinos de código abierto por posible robo de propiedad intelectual, con sanciones como posible consecuencia.
Por qué esto no es solo política de Washington
Es fácil leer esto como una pelea lejana entre gobiernos y laboratorios. No lo es, por dos razones concretas:
- La opción de auto-hospedar ya es real y ya es barata. Modelos como Kimi K3 o DeepSeek se pueden descargar y correr en infraestructura propia, lo que le da a cualquier empresa —no solo a las gigantes— la opción de mantener sus datos dentro de su propio perímetro y reducir drásticamente el costo de inferencia frente a pagar por API a un modelo cerrado.
- La disputa regulatoria puede cambiar esa opción de un día para otro. Si Washington decide restringir el acceso o el uso comercial de modelos chinos abiertos, cualquier stack que dependa de ellos —incluso corriendo en tu propia infraestructura, fuera de EE.UU.— queda en una zona gris legal que ningún cliente serio quiere heredar sin saberlo.
En otras palabras: la pregunta "¿qué modelo uso?" dejó de ser solo técnica (¿cuál razona mejor?) o económica (¿cuál es más barato?). Ahora también es geopolítica y regulatoria, y esa tercera variable puede cambiar de valor por una decisión que ni tu agencia ni tu cliente tomaron.
Soberanía de datos: el ángulo que más importa en LATAM
La carta de Huang usa la palabra "soberanía" a propósito. Para una agencia o un cliente en México, Colombia, Chile o Brasil, esto no es abstracto: significa poder decidir en qué servidor —y bajo qué jurisdicción— vive la información de tus usuarios o pacientes o clientes. Un modelo abierto que puedes correr en infraestructura local (o en un proveedor cloud dentro de la región) le da a una empresa LATAM un grado de control sobre sus datos que ningún API cerrado, alojado en un data center estadounidense, puede ofrecer de la misma forma. Esa es, probablemente, la razón real por la que este debate de política estadounidense también debería estar en el radar de cualquier founder o CTO en la región.
Lo que esto significa para agencias y developers
Si tu agencia está definiendo o revisando su stack de IA para los próximos meses, esta pelea entre modelos abiertos y cerrados debería influir en al menos cuatro decisiones concretas:
- No apuestes todo tu stack a un solo modelo o proveedor. La disputa regulatoria demuestra que el acceso a un modelo puede cambiar por razones que no controlas. Diseña arquitecturas que permitan cambiar de modelo (abierto o cerrado) sin reescribir toda tu aplicación.
- Evalúa el auto-hospedaje como opción real, no como experimento. Si manejas datos sensibles de clientes en LATAM, correr un modelo abierto en infraestructura propia o regional puede ser la diferencia entre cumplir con expectativas de privacidad locales y depender de la política exterior de otro país.
- Documenta la procedencia del modelo en cada propuesta. Un cliente que pregunta "¿de dónde viene el modelo que usas y quién controla sus pesos?" merece una respuesta clara — y poder responderla bien ya es un diferenciador comercial, no solo un tecnicismo.
- Sigue de cerca la política, no solo los benchmarks. Hasta hace unos meses, elegir modelo era una decisión de rendimiento y precio. Hoy también es una decisión de riesgo regulatorio, y ese riesgo se mueve más rápido que los ciclos de lanzamiento de modelos.
La lección de fondo: la fractura entre IA abierta y cerrada ya no es un debate de nicho para investigadores. Es una variable de negocio que determina qué tan expuesta está tu agencia —y tus clientes— a decisiones regulatorias que se toman en otro país. Quien entienda esto primero va a poder ofrecer algo que hoy casi nadie ofrece explícitamente: una estrategia de modelo con plan B.
Si estás revisando qué modelos usar en tu stack, cómo evaluar el auto-hospedaje, o cómo explicarle a un cliente por qué esto importa, escríbenos a comercial@geekvibes.agency. Es justo el tipo de conversación que nos gusta tener antes de que el cliente pregunte.
