Esta semana han ocurrido dos cosas que, vistas por separado, parecen inconexas. Juntas cuentan la historia de hacia dónde va realmente la industria de la inteligencia artificial.

La primera: Anthropic ha desactivado Fable y Mythos, sus modelos más avanzados, después de que el gobierno de EE.UU. le prohibiera dar acceso a ciudadanos no americanos. Por orden ejecutiva, estos modelos se consideran una amenaza para la seguridad nacional si salen del país.

La segunda: IplanRIO, la empresa de tecnología del ayuntamiento de Río de Janeiro —un gobierno municipal— ha fine-tuneado el modelo Qwen 3.5-397B-A17B de Alibaba, lo ha llamado Rio 3.5 Open 397B, y lo ha liberado con licencia MIT. El modelo ha entrado directamente al top 3 de modelos open-source del mundo, superando incluso a Qwen 3.7 Plus, el modelo base del que parte.

El contraste no puede ser más brutal. Mientras Estados Unidos cierra el acceso a su tecnología más avanzada por seguridad nacional, un equipo de funcionarios municipales brasileños ha producido uno de los mejores modelos abiertos del mundo partiendo de una base china.

El muro americano

La decisión de Anthropic no es aislada. Es la materialización de una política que lleva meses cocinándose en Washington: considerar los modelos de frontera como activos estratégicos equiparables a armamento. La lógica es comprensible —un modelo con capacidades de razonamiento avanzadas es una herramienta de poder— pero el efecto práctico es empujar a todo el ecosistema internacional fuera del alcance de la mejor tecnología americana.

Si eres desarrollador en Brasil, India, España o cualquier país fuera del círculo de confianza de EE.UU., tu acceso a los modelos que Anthropic considera de frontera se acaba de cortar. No hay API. No hay descarga. No hay alternativa si dependías de ellos.

Esto tiene una consecuencia inmediata: la demanda de alternativas se dispara. Y las alternativas, hoy, son cada vez más potentes, más abiertas y más baratas de ejecutar.

El milagro de Río

Rio 3.5 Open 397B es importante por tres razones que van más allá de sus benchmarks.

Primera: usa una arquitectura MoE (Mixture of Experts) con 397B parámetros totales pero solo 17B activos por inferencia. Eso significa que ejecutarlo cuesta una fracción de lo que cuesta un modelo denso de tamaño equivalente. Es un modelo de categoría frontier con coste de inferencia de modelo mediano. En la práctica, versiones cuantizadas pueden ejecutarse en hardware que muchos desarrolladores ya tienen en casa.

Segunda: su innovación clave, SwiReasoning, es un framework de razonamiento que alterna entre chain-of-thought explícito y razonamiento latente según la confianza del modelo en cada paso. No necesita fine-tuning adicional —es training-free— y optimiza la eficiencia de tokens sin perder precisión. Razona mejor gastando menos.

Tercera, y quizá la más reveladora: lo ha hecho un ayuntamiento. Un equipo gubernamental municipal ha fine-tuneado un modelo base chino y ha producido un resultado que compite con los mejores modelos propietarios del mundo. Esto no era posible hace seis meses. Hoy, el fine-tuning de precisión sobre modelos base potentes está al alcance de organizaciones con recursos modestos.

El modelo tiene además una ventana de contexto de 1 millón de tokens y rendimiento multilingüe excelente —portugués, español, chino, inglés. No es un modelo de nicho.

La ventaja china se consolida

El base de Rio 3.5 es Qwen 3.5 de Alibaba. No es casualidad que esta semana también haya aparecido Nex-N2-Pro 397B, otro fine-tune del mismo modelo, también con resultados SOTA. Alibaba ha hecho algo que ningún gigante americano ha hecho: liberar un modelo base de 397B parámetros con licencia abierta, permitiendo que cualquiera lo fine-tunee, lo mejore y lo redistribuya.

El resultado es que el ecosistema open-source global está convergiendo sobre modelos chinos como base. No por ideología, sino porque son los mejores disponibles que se pueden descargar, modificar y ejecutar sin restricciones. Mientras EE.UU. cierra, China abre. Y el mercado sigue al que abre.

Esto tiene una consecuencia directa en costes de inferencia. Los modelos chinos como Qwen 3.5 están optimizados para ejecutarse de forma eficiente —17B parámetros activos frente a densos de 70B+— lo que se traduce en menos VRAM, menos latencia y menos coste por consulta. Para equipos pequeños, startups o proyectos personales, la diferencia es abismal.

Y Ollama en todo esto

Con modelos abiertos cada vez más potentes y ligeros, la inferencia local en Ollama se vuelve una opción real para tareas que hasta hace poco requerían una llamada a una API cloud.

Un modelo MoE de 397B con 17B activos en 4 bits cabe en 12-14 GB de VRAM. Una RTX 4090 o una configuración con dos GPUs de gama media pueden ejecutarlo. No necesitas un cluster ni un datacenter. Necesitas hardware que ya existe en muchos setups de desarrollo.

Y aquí está lo interesante: el gap entre lo que corre en local y lo que ofrece una API cloud se está cerrando desde ambos lados. Los modelos locales son cada vez más capaces, y los modelos cloud —especialmente los americanos— son cada vez más inaccesibles o restringidos.

Mi sistema ya es híbrido. Tengo modelos locales para análisis financiero (donde no puedo enviar datos a terceros) y llamadas a modelos cloud cuando necesito capacidad adicional. La línea entre ambos se difumina cada mes.

El patrón que se está consolidando es claro:

Modelos locales para tareas sensibles, datos privados o latencia crítica. Documentos financieros, estrategia de producto, código propietario —cosas que no deberían salir de tu máquina.
Modelos cloud para tareas pesadas que requieren el modelo completo o acceso a información actualizada.
Modelos abiertos como base fine-tuneados con datos propios para cada dominio, sin depender de la hoja de ruta de un proveedor externo.

Lo que viene

Dos predicciones, basadas en lo que esta semana ha confirmado:

1. El fine-tuning municipal y regional se acelera. Si Río puede hacerlo, cualquier gobierno, universidad o mediana empresa con un par de GPUs y un equipo técnico decente puede fine-tunear modelos de frontera para su dominio específico. La barrera no es técnica, es de decisión. Veremos modelos regionales en todos los idiomas y verticales.

2. La arquitectura híbrida se vuelve el estándar de facto. Empresas que hoy usan exclusivamente APIs cloud empezarán a mantener modelos locales como respaldo y para tareas específicas. No por ahorro —que también— sino por soberanía tecnológica. Cuando un gobierno puede cortar el acceso a tus modelos de la noche a la mañana, tener una alternativa local no es un lujo. Es seguro de continuidad.

Rio 3.5 demuestra que los modelos abiertos alcanzan calidad frontier más rápido de lo que nadie anticipó. Las restricciones de Anthropic demuestran que depender de un solo proveedor cloud para tu infraestructura de IA es un riesgo estratégico. La combinación de ambas señales dibuja un mapa donde la pregunta ya no es «modelo abierto o cerrado», sino «qué parte de mi sistema va en local y qué parte en cloud».

El futuro de la IA no es completamente abierto ni completamente cerrado. Es híbrido. Y cuanto antes se adopte esa mentalidad, más control se tiene sobre la tecnología que realmente importa.