Open source AI must win — por qué tu stack no es tuyo

Acto 1: Claude te dice que no, y vos no podés hacer nada.

Hace unas semanas, usuarios de Claude Fable reportaron algo inquietante: el modelo decidió no ayudarlos. Sin aviso, sin explicación. Simplemente se negó. No fue un outage — fue una decisión editorial implementada del lado del servidor, sobre la que el usuario tiene cero control y cero visibilidad.

Imaginá que tu SaaS depende de Claude para generar reportes financieros para tus clientes. Un día, Claude decide que cierto tipo de análisis está fuera de sus políticas. Tu producto deja de funcionar. Tus clientes llaman. Vos no tenés a quién llamar.

Eso no es un bug. Es una arquitectura de dependencia.

Acto 2: El capacity crunch que nadie te cuenta.

Microsoft — sí, Microsoft — está usando AWS para correr sus propios modelos de AI. ¿La razón? Azure no da abasto. La demanda de cómputo para entrenar y servir modelos frontier superó la capacidad de su propia nube.

Esto no es un chisme de infraestructura. Es una señal de que ni los dueños de la nube tienen capacidad ilimitada. Cuando el capacity crunch pega, ¿a quién pensás que van a priorizar? ¿A tu startup de 15 personas en Córdoba o a sus contratos enterprise multimillonarios?

La respuesta es obvia. Y es la misma para OpenAI, Anthropic, Google. Todos priorizan a sus mejores clientes. Vos no sos uno de ellos.

Acto 3: Tres empresas controlan los modelos frontier.

OpenAI, Anthropic, Google. Tres. Nada más. Cada una con su API, sus términos, sus precios, sus restricciones de uso, sus decisiones unilaterales sobre lo que podés y no podés hacer con el modelo que estás pagando.

Esto no es competencia de mercado. Es un oligopolio de inteligencia como servicio. Y la inteligencia como servicio es el nuevo vendor lock-in — peor que el de AWS, porque no estás lockeado a infraestructura, estás lockeado a tu capacidad de razonar.

Acá es donde el manifiesto de Osman pega distinto al discurso tradicional del software libre. No te está pidiendo que liberes tu código por principios. Te está diciendo que si tu negocio depende de un modelo que no podés inspeccionar, modificar, ni correr en tu propia infraestructura, tu negocio no es tuyo.

No es Linux vs Windows. No es una batalla de licenses. Es tener soberanía sobre tu propia capacidad de pensar.

Cuando usás un modelo open source — Llama, Mistral, DeepSeek, Qwen — vos decidís dónde corre, con qué datos, bajo qué reglas. Podés fine-tunearlo con tus datos sin pedirle permiso a nadie. Podés correrlo on-premise, en tu VPC, o en tu laptop. Podés auditar exactamente qué hace.

Cuando usás una API cerrada, no podés hacer nada de eso. Tenés un endpoint y una factura. Y rezás para que el endpoint siga funcionando igual la semana que viene.

Para un founder argentino o latinoamericano, esto no es teoría. Es supervivencia. Pagás en dólares. Dependés de latencia que cruza hemisferios. Y tenés cero leverage si el vendor cambia las reglas. Si OpenAI triplica el precio de GPT-5, ¿qué hacés? ¿Le pasás el aumento a tus clientes que ganan en pesos? ¿Reescribís tu producto en dos semanas?

La respuesta no es "elegir mejor vendor". Es no tener un solo vendor.

No te estoy diciendo que borres tu API key de OpenAI y corras todo en local mañana. Eso sería irresponsable. Te estoy diciendo que diseñes tu stack como si el vendor fuera a desaparecer. Porque eventualmente, de una forma u otra, va a desaparecer.

Tres principios para arrancar:

1. Model-agnostic por diseño. Tu capa de negocio no debería saber si el modelo atrás es GPT, Claude, o Llama corriendo en tu propio servidor. Un adapter layer — literalmente una abstracción que traduce tus requests al formato de cada provider — te permite cambiar de modelo sin tocar una línea de lógica de negocio. LiteLLM, OpenRouter, o 100 líneas de Python que escribís en una tarde.

2. Self-host lo que puedas, managed lo que necesites. No necesitás un cluster de GPUs en tu oficina. Pero sí podés correr modelos chicos — 7B, 13B, incluso 70B cuantizados — para tareas que no requieren frontier intelligence: clasificación, extracción, summarization, embeddings. Un modelo de 7B en una MacBook Pro con 64GB de RAM corre a 30 tokens por segundo. Para el 80% de los casos de uso de una startup, eso alcanza.

3. Multi-provider desde el día uno. No elijas uno. Elegí tres. Si tu stack solo habla con OpenAI, replantealo. Arrancá con un modelo abierto como primario — Llama 4, Mistral, DeepSeek — y usá los modelos cerrados como fallback o para tareas donde la diferencia de calidad justifica el riesgo de dependencia. Pero que el core de tu producto no dependa de un solo endpoint.