Por qué «Copilot» no siempre significa lo mismo

Microsoft ha convertido deliberadamente el nombre Copilot en una marca general, de forma similar a como otras corporaciones hacen con marcas para familias enteras de productos. Sin embargo, detrás de la superficie, las variantes se diferencian claramente: en la base de datos a la que tienen acceso, en el modelo de lenguaje utilizado y en los compromisos de seguridad y protección de datos que se aplican en cada caso.

Copilot en Windows

La variante integrada en la barra de tareas es principalmente un chat de propósito general para preguntas cotidianas, investigación y tareas de escritura sencillas. No tiene acceso directo a documentos ni correos electrónicos internos de la empresa, por lo que funcionalmente está más cerca de un chatbot clásico que de un verdadero asistente de oficina.

Microsoft 365 Copilot (Business y Enterprise)

Esta variante es la verdadera versión empresarial. Está conectada, a través de la llamada interfaz Microsoft Graph, con los documentos, correos electrónicos, entradas de calendario y chats a los que el usuario correspondiente ya tiene acceso de por sí. Gracias a ello puede, por ejemplo, elaborar un resumen que se base realmente en los archivos de proyecto reales de un equipo, en lugar de limitarse a reproducir conocimiento general del mundo. Esta conexión es la diferencia técnica decisiva frente a todas las demás variantes de Copilot.

Microsoft 365 Premium (sucesor de Copilot Pro)

El nivel pensado para usuarios privados y autónomos aporta funciones completas de Copilot a las aplicaciones personales de Office, pero sin la conexión profunda con una red empresarial de múltiples usuarios que ofrece la variante Business. Está dirigido a personas individuales, no a equipos.

GitHub Copilot: una línea de producto propia

Para completar el panorama, cabe mencionar que GitHub Copilot es un producto independiente para desarrolladores de software que ayuda a escribir código de programación. Solo comparte con las demás variantes de Copilot el nombre de marca y parte de la tecnología subyacente, pero está dirigido a un público completamente distinto y aquí solo se menciona a modo de contextualización.

Qué modelos de IA hay realmente detrás

Durante mucho tiempo, prácticamente toda la familia Copilot funcionó exclusivamente con modelos de OpenAI. Esto ha cambiado en 2026. En julio de 2026, Microsoft y OpenAI anunciaron que el nuevo modelo GPT-5.6 se convertiría en el modelo preferido para Microsoft 365 Copilot en Word, Excel, PowerPoint y los nuevos espacios de trabajo de Copilot. El modelo está optimizado específicamente para el trabajo del conocimiento y debería funcionar de forma más eficiente que sus predecesores en tareas más complejas y de varias etapas.

Al mismo tiempo, Microsoft ha ampliado su estrategia y ofrece desde 2025, en Microsoft 365 Copilot, también modelos de Anthropic. En la práctica, en muchos entornos empresariales los administradores ya pueden elegir o restringir qué modelo se utiliza para cada aplicación. Esta es una diferencia importante frente a los proveedores de un único modelo: técnicamente, Copilot funciona más bien como un panel de control que media en segundo plano entre varios modelos, en lugar de como un único modelo de lenguaje inmutable.

Quien pregunte «qué modelo utiliza Copilot» ya no obtiene en 2026 una respuesta sencilla. La pregunta más acertada es: qué modelo utiliza Copilot en este momento para esta tarea concreta, y si eso se puede modificar en la configuración.

Tabla comparativa de las variantes de Copilot

Ejemplos prácticos de aplicación en el día a día de oficina

Ejemplo 1: gestionar la avalancha de correos en Outlook

Un administrativo vuelve de una ausencia de dos semanas y se encuentra con más de 200 correos electrónicos sin leer. Copilot resume los hilos largos, marca los correos que requieren una acción directa y propone borradores de respuesta listos para las consultas rutinarias. En lugar de abrir cada mensaje por separado, el empleado obtiene una visión general en pocos minutos.

Ejemplo 2: resumen de reunión en Teams

Tras una reunión de proyecto de una hora, Copilot genera automáticamente un resumen con las decisiones más importantes, las preguntas abiertas y una lista de tareas concretas, incluida la persona responsable de cada una. Quien no haya podido asistir no necesita ver la grabación, sino que puede leer el resumen en pocos minutos.

Ejemplo 3: crear una tabla de rentabilidad en Excel

Un ejemplo relacionado con el sector inmobiliario: un administrador de fincas quiere calcular la rentabilidad bruta del alquiler de varios posibles precios de compra para un edificio plurifamiliar. Le describe a Copilot en Excel, en un lenguaje normal, qué columnas necesita, por ejemplo precio de compra, alquiler anual, gastos adicionales y la rentabilidad en porcentaje calculada a partir de ellos. Copilot construye a partir de eso una estructura básica con las fórmulas correspondientes, que el administrador ajusta después a las cifras reales de su inmueble. Es importante tener en cuenta que Copilot ofrece una plantilla de cálculo útil, pero la revisión del contenido de las fórmulas y de los valores utilizados sigue siendo tarea del propio administrador.

Ejemplo 4: revisar el texto de un dossier de inmueble en Word

Una agencia inmobiliaria ha redactado un texto objetivo, pero lingüísticamente muy árido, para el dossier de un inmueble. Copilot en Word puede, a petición, darle al texto un tono más cercano y agradable de leer, proponer frases más cortas o eliminar repeticiones, sin modificar los datos reales del inmueble. La persona sigue siendo responsable de la exactitud del contenido de los datos, mientras que Copilot se encarga solo del trabajo fino a nivel lingüístico.

Ejemplo 5: primera estructura de diapositivas en PowerPoint

Para una presentación interna sobre los resultados trimestrales, Copilot ofrece, a partir de un breve texto con palabras clave, una primera estructura de diapositivas con propuestas de tipos de gráficos adecuados. Esto ahorra sobre todo la laboriosa primera media hora de estructuración, mientras que la elaboración real del contenido sigue siendo trabajo manual.

Qué significa en concreto el cambio de modelo para los usuarios

En el trabajo diario en Word, Excel u Outlook, la mayoría de los usuarios apenas notan el cambio de un modelo a otro, ya que Microsoft gestiona la selección de modelo casi por completo de forma automática en segundo plano. El tema resulta relevante sobre todo para los responsables de TI de las empresas, que pueden determinar en la configuración de administrador qué modelos están permitidos para su organización, por ejemplo por motivos de protección de datos. Para los usuarios privados, por lo general solo queda la elección del nivel de suscripción, pero no la selección individual del modelo.

Preguntas frecuentes sobre los modelos de Copilot

¿Está GPT-5.6 disponible en todas las variantes de Copilot?

No. GPT-5.6 se utiliza sobre todo en Microsoft 365 Copilot y en Microsoft 365 Premium. La variante gratuita de Windows utiliza en parte versiones de modelo simplificadas o más antiguas.

¿Puedo elegir yo mismo, como usuario, qué modelo utiliza Copilot?

En entornos empresariales, los administradores pueden restringir o habilitar la selección de modelo. Los usuarios privados, por lo general, no tienen selección directa de modelo, sino solo la elección del nivel de suscripción.

¿Por qué Microsoft utiliza, además de OpenAI, también modelos de Anthropic?

Desde 2025, Microsoft sigue de forma deliberada una estrategia con varios proveedores de modelos, para poder emplear en cada caso el modelo más adecuado según la tarea y no depender de un único proveedor.

¿Es GitHub Copilot lo mismo que Microsoft 365 Copilot?

No, GitHub Copilot es un producto independiente para el desarrollo de software, con sus propios modelos y su propia estructura de precios, que solo comparte el nombre de marca con la versión de oficina.

¿Son fiables los resultados de cálculo de Copilot en Excel?

Copilot ofrece una buena estructura base y propuestas de fórmulas adecuadas, pero el control del contenido de los valores y las fórmulas sigue teniendo que realizarlo una persona, especialmente en cálculos relevantes desde el punto de vista empresarial.

Un resumen de los distintos niveles de precios, las cuestiones de protección de datos y la valoración general de Microsoft Copilot se ofrece en la página del proveedor Microsoft Copilot de un vistazo. Quien prefiera ver la comparación con los otros ocho proveedores encontrará el resumen en la página principal Comparativa de todos los modelos de IA.

El principio básico: búsqueda web más modelo de lenguaje en lugar de respuesta de memoria

Por qué un modelo de lenguaje puro no basta por sí solo

Un gran modelo de lenguaje, como el que hay detrás de los chatbots clásicos, se entrenó en un momento determinado con enormes cantidades de texto. Después de eso posee muchísimo conocimiento general, pero no tiene acceso automático a acontecimientos nuevos, cifras actuales o estudios recién publicados. Si se le pregunta a un modelo así por el tipo de interés de referencia actual o por un cambio legislativo aprobado ayer, puede o bien decir honestamente que no lo sabe, o -en el peor de los casos- inventar algo falso que suene plausible. Precisamente este problema lo resuelve Perplexity con un procedimiento de dos fases.

La interacción: el retrieval se encuentra con la generación de texto

En la primera fase, la llamada retrieval (recuperación), Perplexity examina páginas web actuales, artículos de noticias, portales especializados y, en parte, bases de datos científicas en busca de contenidos relacionados con la pregunta planteada. Estos resultados se filtran, se ordenan por relevancia y fiabilidad, y se transmiten como base a un modelo de lenguaje. Solo en la segunda fase el modelo de lenguaje resume estos resultados en una respuesta comprensible y coherente, añadiendo a cada afirmación una nota a pie de página que remite a la fuente correspondiente. Puede imaginarse como un asistente de investigación extremadamente rápido que primero lee diez artículos especializados y después dicta un resumen con referencias de fuentes, solo que este proceso dura unos pocos segundos.

El modelo de lenguaje no «sabe» la respuesta a una pregunta de actualidad, sino que la lee en tiempo real a partir de fuentes recién encontradas y la traduce a un lenguaje comprensible.

¿Qué modelos hay exactamente detrás?

Modelos Sonar propios para consultas estándar

Para la mayoría de las consultas cotidianas, Perplexity utiliza sus propios modelos, desarrollados internamente, de la llamada serie Sonar. Estos están entrenados específicamente para evaluar de forma eficiente los resultados de la búsqueda web y convertirlos rápidamente en una respuesta limpia y respaldada por fuentes. La ventaja de los modelos propios radica sobre todo en la velocidad y la eficiencia en costes: para preguntas fácticas sencillas no es necesario recurrir al modelo disponible más complejo.

Acceso a modelos externos de primer nivel según la suscripción

Para preguntas más complejas, análisis más largos o cuando se solicita expresamente, Perplexity recurre además a modelos de lenguaje externos de grandes proveedores, según disponibilidad y nivel de suscripción, por ejemplo modelos actuales de las series de OpenAI (GPT), Anthropic (Claude) y Google (Gemini). Perplexity no desarrolla estos modelos, sino que los integra a través de interfaces de programación y los combina con su propia tecnología de búsqueda. Los usuarios Pro pueden a menudo elegir de forma específica en la configuración avanzada qué modelo debe formular una respuesta, mientras que la versión gratuita realiza esta elección automáticamente en segundo plano.

Model Council: comparar varios modelos de primer nivel a la vez

Para los suscriptores de Max existe una función especial, denominada a menudo «Model Council»: Perplexity procesa la misma pregunta en paralelo con varios modelos de lenguaje líderes, compara los resultados entre sí y resume en qué puntos coinciden los modelos, en qué se diferencian y qué aspectos ha destacado especialmente bien cada modelo. Para el usuario medio esto suele ser un esfuerzo innecesario, pero para quienes quieren fundamentar bien una decisión realmente importante y compleja, la comparación de modelos puede aportar perspectivas adicionales valiosas.

Deep Research: investigación autónoma en varias etapas

Además existe un modo llamado Deep Research, en el que Perplexity no realiza una única búsqueda, sino que planifica de forma autónoma varios pasos de búsqueda consecutivos: primero se obtiene una visión general, después se investigan de forma específica subpreguntas concretas y, al final, se genera un informe más largo y estructurado con numerosas referencias a fuentes. Este modo tarda considerablemente más que una consulta normal, pero a cambio ofrece resultados más fundamentados en temas más complejos, como los análisis de mercado.

Modos y niveles en comparación

Ejemplos de aplicación en la vida cotidiana y profesional

Ejemplo 1: pregunta fáctica rápida en el día a día

Una usuaria quiere saber cuál es la tasa de inflación actual en Alemania. La búsqueda estándar ofrece en pocos segundos una respuesta breve con el valor actual junto con la referencia a la comunicación correspondiente de la Oficina Federal de Estadística alemana, mucho más rápido que consultar varias páginas web una por una.

Ejemplo 2: investigación sobre los tipos de interés hipotecarios actuales con referencias de fuentes

Un empleado administrativo del área de financiación inmobiliaria quiere elaborar un panorama general de la evolución actual de los tipos de interés hipotecarios para una nota interna. Formula la pregunta sobre el nivel aproximado de interés para préstamos hipotecarios a diez años y se muestra las fuentes en las que se basa la respuesta, por ejemplo informes actuales de portales financieros o estadísticas de tipos de interés. Aquí es importante tener en cuenta: Perplexity ofrece una buena primera orientación con pruebas verificables, pero no sustituye un asesoramiento financiero vinculante ni una consulta de condiciones bancarias actualizada al día. Aun así, para una valoración rápida y basada en fuentes antes de una reunión de asesoramiento, la utilidad es real.

Ejemplo 3: resumen de un informe de mercado extenso o de un contrato de alquiler

Un administrador de fincas que sube un informe de mercado extenso o un contrato de alquiler de varias páginas en formato PDF a un Space puede después hacer preguntas específicas al respecto, por ejemplo sobre las conclusiones más importantes, los plazos de preaviso o determinados indicadores. Perplexity recurre tanto al documento subido como, de forma complementaria, a la búsqueda web actual para contextualizar las afirmaciones; sin embargo, esto no sustituye una revisión legal por parte de un profesional.

Ejemplo 4: preparación de una reunión especializada con varias perspectivas

Antes de una decisión importante, por ejemplo una definición estratégica dentro de la propia empresa, el modo Model Council puede ser útil: tres modelos de primer nivel diferentes procesan la misma pregunta, y el resumen muestra en qué puntos coinciden las valoraciones y en qué se diferencian. Esto no sustituye un asesoramiento profesional, pero ofrece una perspectiva más amplia que una única respuesta de IA.

Ejemplo 5: traducción rápida y contextualización de fuentes en otros idiomas

Dado que muchos artículos especializados y estudios solo están disponibles en inglés, Perplexity puede incorporar fuentes en otros idiomas directamente al resumen en español, incluyendo la referencia al original. Esto evita a menudo el rodeo de utilizar una herramienta de traducción independiente.

¿Qué significa esta tecnología para la fiabilidad de las respuestas?

La combinación de búsqueda web y modelo de lenguaje reduce considerablemente el riesgo de afirmaciones inventadas, ya que, en el caso ideal, cada afirmación puede remitirse a una fuente real. Sin embargo, esto no descarta por completo un error: las propias fuentes web en las que se basa también pueden estar desactualizadas, ser incompletas o simplemente erróneas, y un modelo de lenguaje puede perder matices al resumir. Por eso la regla de oro sigue siendo: las referencias de fuentes son una gran ayuda para la comprobación, pero no sustituyen una mirada crítica propia, especialmente en decisiones relevantes desde el punto de vista empresarial o financiero.

Cuanto más importante sea la decisión, más merece la pena echar un vistazo a la fuente original detrás de la nota a pie de página, y no solo al resumen de la IA.

Preguntas frecuentes (FAQ)

¿Qué modelo de IA utiliza exactamente Perplexity?

No existe un único modelo fijo. Perplexity combina sus propios modelos Sonar con modelos externos de primer nivel de distintos proveedores, y elige automáticamente o a petición del usuario la combinación adecuada según la consulta, el modo y el nivel de suscripción.

¿Cuál es la diferencia entre Pro Search y Deep Research?

Pro Search responde a una pregunta en una única pasada, mientras que Deep Research planifica de forma autónoma varios pasos de búsqueda consecutivos y, al final, entrega un informe más detallado y estructurado.

¿Merece la pena el modo Model Council para particulares?

Para preguntas cotidianas sencillas, por lo general no, ya que el esfuerzo adicional apenas aporta valor. En cuestiones realmente importantes y con consecuencias relevantes, sin embargo, la perspectiva de varios modelos puede tener sentido.

¿Puedo confiar ciegamente en las referencias de fuentes?

No. Las notas a pie de página facilitan considerablemente la comprobación, pero no sustituyen una valoración propia de la fuente, especialmente cuando una decisión tiene consecuencias financieras o legales.

¿Por qué Perplexity responde a veces de forma distinta a la misma pregunta?

Dado que en segundo plano pueden entrar en juego distintos modelos y resultados de búsqueda según la carga del sistema, el nivel de suscripción y las fuentes encontradas, son normales las formulaciones o los enfoques ligeramente diferentes.

Un resumen de Perplexity AI como producto completo, los precios y su valoración en materia de privacidad de datos se ofrece en la página general del proveedor: Perplexity AI: el motor de búsqueda con IA y referencias de fuentes de un vistazo. Una comparación con los demás grandes proveedores de IA dentro del conjunto se encuentra en la página general: Comparativa de modelos de IA.

De startup parisina a campeón europeo de la IA

El foco está en Mistral AI como empresa, el producto Le Chat (que en 2026 se renombró como Mistral Vibe), la familia de modelos desde Large hasta Small, los modelos de precios actuales y la cuestión de para quién resulta especialmente rentable este proveedor, todo ello enmarcado en nuestro resumen de modelos de IA comparados.

• Sitio web de Mistral AI
• Abrir Mistral Vibe directamente

Fundada por antiguos investigadores de Meta y Google

Mistral AI se fundó en abril de 2023 en París. Sus tres fundadores —Arthur Mensch, Guillaume Lample y Timothée Lacroix— no partieron de la nada: habían trabajado previamente en Meta AI (el laboratorio de investigación de IA de Facebook) y en DeepMind (la filial de IA de Google) en grandes modelos de lenguaje. Este origen no es casual, sino que explica por qué Mistral pudo competir técnicamente desde el principio de igual a igual con los proveedores estadounidenses, a pesar de que la empresa es muchas veces más pequeña que OpenAI, Google o Meta.

La misión: la propia respuesta de Europa al dominio de la IA estadounidense

Mistral se presenta explícitamente como un contrapeso europeo a la dependencia tecnológica de los grandes grupos de nube e IA estadounidenses. La empresa se describe a menudo como «la soberanía digital de Europa en acción»: Francia y la UE apoyan también políticamente a Mistral, porque una empresa de IA potente con sede y marco jurídico en la UE es, para muchos organismos públicos, ministerios y sectores regulados, sencillamente la única opción que cumple el derecho europeo de protección de datos sin rodeos.

Regla mnemotécnica: Mistral AI no es un fenómeno menor, sino actualmente la empresa de IA más importante con sede central y centros de datos en la Unión Europea.

El producto: de Le Chat a Mistral Vibe

Durante años, la aplicación de chat de Mistral se llamó simplemente Le Chat («el chat») y se podía usar como aplicación y en el navegador, como competencia directa de ChatGPT. En mayo de 2026, Mistral renombró su asistente y lo transformó en Mistral Vibe. Los clientes existentes conservaron automáticamente todas sus conversaciones, configuraciones y suscripciones anteriores; solo cambiaron el nombre y el alcance de las funciones.

Qué puede hacer hoy Mistral Vibe (antes Le Chat)

• Función de chat: conversación clásica con el modelo de IA, tal como se conoce de otros proveedores.
• Búsqueda web: la información actual de internet se incorpora directamente a la respuesta.
• Generación de imágenes: creación de gráficos e ilustraciones a partir de descripciones de texto.
• Análisis de documentos: se pueden subir y resumir PDF, contratos o tablas de Excel.
• Work Mode: una conexión con Google Workspace, Outlook y Slack, con la que la IA gestiona directamente citas, correos electrónicos y tareas.
• Code Mode: una conexión con GitHub, con la que se automatizan tareas de programación sencillas hasta llegar a «pull requests» terminados (cambios de código preparados y presentados para su revisión).

Para la mayoría de los usuarios particulares y las oficinas más pequeñas son relevantes sobre todo los cuatro primeros puntos. Work Mode y Code Mode están dirigidos más bien a empresas con su propio departamento de TI.

La familia de modelos de Mistral: un modelo para cada tarea

Quien se adentra en Mistral AI se encuentra rápidamente con toda una serie de nombres de modelos distintos: Large, Medium, Small, Codestral, Devstral, Magistral, Ministral, Pixtral. Para los no iniciados, esto parece al principio confuso. En realidad, sin embargo, detrás de esta diversidad hay un sistema claro: Mistral ofrece modelos de distinto tamaño y grado de especialización para diferentes casos de uso, y parte de ellos incluso de forma gratuita para su propio alojamiento.

Mistral distingue a grandes rasgos entre modelos de lenguaje generales (para comprensión de texto, resúmenes, investigación, preguntas cotidianas) y modelos especializados para determinadas tareas, como programación, razonamiento lógico o comprensión de imágenes. Quien usa Mistral Vibe en el día a día suele recibir la selección resuelta automáticamente en segundo plano; quien, en cambio, utiliza los modelos de forma específica a través de la interfaz de programación (API) para sus propias aplicaciones, debería conocer las diferencias.

Modelos de lenguaje generales

• Mistral Large 3: el modelo insignia de Mistral, publicado a finales de 2025. Ofrece la máxima calidad de respuesta, una ventana de contexto muy amplia de alrededor de 256.000 fragmentos de texto (tokens) y es adecuado para tareas complejas como análisis de contratos largos o investigaciones exigentes.
• Mistral Medium 3.5: un modelo de gama media que se actualizó en la primavera de 2026. Ofrece un buen equilibrio entre velocidad, coste y calidad, y muchas pequeñas y medianas empresas lo utilizan como modelo para el día a día.
• Mistral Small 4: un modelo compacto, muy rápido y económico para tareas sencillas con un alto volumen de mensajes, como respuestas cortas automatizadas en atención al cliente.

Modelos especializados

• Codestral: especializado en código de programación, se utiliza en muchos entornos de desarrollo como autocompletado.
• Devstral 2: un modelo grande especializado en tareas completas de programación, capaz de trabajar de forma autónoma desde el enunciado del problema hasta una propuesta de código terminada.
• Magistral: la familia de modelos de razonamiento de Mistral, especializada en el razonamiento lógico en varias etapas, por ejemplo en cuestiones matemáticas o jurídicas con varios pasos intermedios.
• Pixtral: así se llamaba originalmente el modelo de comprensión de imágenes de Mistral, utilizado por ejemplo para leer documentos escaneados o fotos. La marca independiente Pixtral se retiró en 2026, y las capacidades de imagen se integran ahora directamente en Large 3, Medium 3.5 y Small 4.
• Ministral (3B / 8B / 14B): modelos muy pequeños y eficientes en recursos, pensados para su uso en dispositivos móviles o en aplicaciones sin conexión permanente a internet.

Regla mnemotécnica: más grande no siempre significa más adecuado; para tareas sencillas y recurrentes, un modelo pequeño suele ofrecer un resultado suficientemente bueno de forma más rápida y económica que el gran modelo insignia.

Modelos abiertos frente a modelos cerrados: un rasgo distintivo de Mistral

Una diferencia central con muchos proveedores estadounidenses: Mistral publica varios de sus modelos como modelos abiertos (en inglés: open weight) bajo la licencia Apache 2.0. Esto significa que cualquiera puede descargar estos modelos de forma gratuita, ejecutarlos en su propio hardware e incluso adaptarlos para sus propios fines. Entre los modelos disponibles de forma abierta se encuentran, entre otros, Mistral Small, el modelo compacto «Nemo», la variante Ministral 8B, el antiguo modelo Mixtral y Codestral Mamba.

El gran modelo insignia Mistral Large, así como las versiones Medium más recientes, siguen siendo, en cambio, propietarios, es decir, solo se pueden usar a través de la API de pago o de Mistral Vibe. Para empresas con requisitos de seguridad especialmente altos, por ejemplo administraciones públicas que no pueden permitir que ningún dato salga de su propio centro de datos, esta combinación resulta especialmente interesante: alojar un modelo abierto por cuenta propia y mantener así el control total, sin tener que renunciar por completo al uso de la IA.

Tabla comparativa de las versiones de modelo más importantes

Modelos de precios de un vistazo

Mistral apuesta deliberadamente por un modelo de precios sencillo y transparente con pocos niveles. Esto diferencia al proveedor de algunos competidores que trabajan con una confusa multitud de variantes de suscripción.

Un dato importante para situar la oferta: la suscripción Pro de Mistral se considera en la prensa especializada una de las más económicas entre los grandes proveedores de IA que ofrece acceso completo a un modelo insignia realmente potente. Quien trabaje a diario con IA ahorra aquí de forma notable en comparación con algunos competidores estadounidenses.

Protección de datos y RGPD: la mayor ventaja de Mistral

La diferencia más importante entre Mistral y los conocidos proveedores de IA estadounidenses o chinos no está en la pura capacidad de los modelos, sino en el marco jurídico. Mistral AI es una empresa francesa con sede central en París y, por tanto, está sujeta por completo al derecho europeo, incluido el Reglamento General de Protección de Datos (RGPD) y el nuevo Reglamento de IA de la UE (AI Act).

Por qué esto es concretamente importante para los usuarios alemanes

En muchos proveedores estadounidenses, las empresas y administraciones públicas deben comprobar si una transferencia de datos a Estados Unidos está siquiera permitida, qué acuerdo de adecuación se aplica y si son necesarias cláusulas contractuales adicionales. Esta comprobación cuesta tiempo, a menudo requiere asesoramiento externo en protección de datos y sigue suponiendo un cierto riesgo residual jurídico, porque la situación política en torno a este tipo de acuerdos ha cambiado repetidamente.

Con Mistral, este problema desaparece en gran medida: los servidores se encuentran, a elección, en Francia o Alemania, no hay transferencia de datos a terceros países y no es necesario recurrir a acuerdos internacionales inestables. Para gestores administrativos, municipios, despachos de abogados, consultas médicas o también administraciones de fincas que trabajan con datos especialmente sensibles, esto supone una ventaja práctica tangible y no un mero argumento de marketing.

Regla mnemotécnica: no es solo el tamaño del modelo lo que decide si una IA es adecuada para el uso con datos sensibles, sino en qué marco jurídico se encuentran realmente la empresa y los servidores.

Puntos fuertes y débiles de Mistral AI

¿Para quién es adecuada Mistral AI?

Mistral AI es especialmente adecuada para todos aquellos para quienes la protección de datos en la inteligencia artificial es importante.

• Administraciones públicas y organismos oficiales
• Despachos de abogados y consultas médicas
• Departamentos de recursos humanos
• Pequeñas empresas con datos de clientes
• Autónomos con relaciones de alquiler

Quien, en cambio, solo busca el modelo más potente y la protección de datos es secundaria, encontrará en algunos proveedores estadounidenses un mayor alcance de funciones.

Ejemplo práctico: comparación de costes para una pequeña oficina

Una agencia inmobiliaria con cinco empleados utiliza Mistral para la correspondencia con inquilinos y los resúmenes de contratos.

• Suscripción Pro: 15 euros por persona/mes
• Coste del equipo: unos 75 euros/mes
• Modelo completo para todos los empleados
• Análisis de documentos para contratos de alquiler incluido
• Los datos permanecen demostrablemente en la UE

En un proveedor estadounidense comparable a menudo se aplica un precio similar. Sin embargo, la oficina debe comprobar además con qué base jurídica los datos de los inquilinos pueden transferirse a Estados Unidos; con Mistral, esto no es necesario.

Quien esté interesado en la IA en el sector inmobiliario encontrará en Lukinski AI un complemento alemán para cuestiones específicas del sector inmobiliario.

Ejemplos prácticos: qué modelo para qué tarea

Ejemplo 1: resumen de un contrato de alquiler

Una gestora administrativa de una empresa de administración de fincas sube un contrato de alquiler de doce páginas a Mistral Vibe y hace que le resuma en frases sencillas las cláusulas más importantes sobre plazos de preaviso y gastos adicionales. Como los datos se procesan en un centro de datos de Mistral en Europa, no es necesaria la comprobación, habitual en otros casos, de una transferencia a un tercer país, lo que supone un claro ahorro de tiempo frente al uso de un servicio estadounidense para el mismo fin. No obstante, sigue siendo importante: la IA ofrece un resumen para orientación propia, no información jurídicamente vinculante.

Ejemplo 2: cálculo sobre automatización de atención al cliente

Una tienda online recibe diariamente unas 500 consultas breves de clientes sobre el estado de envío y devoluciones. Con el modelo compacto Mistral Small 4, el procesamiento por cada millón de fragmentos de texto procesados cuesta solo una fracción del precio del gran modelo Large 3. Con unas 500 consultas al día y una media de 300 fragmentos de texto por consulta y respuesta, resultan aproximadamente 150.000 fragmentos de texto al día, es decir, unos 4,5 millones al mes. Con el modelo pequeño, los costes de cálculo mensuales se mantienen así en el rango bajo de un solo dígito en euros; con el gran modelo insignia, el mismo proceso sería muchas veces más caro, sin que la calidad de la respuesta mejore de forma perceptible para esta tarea sencilla.

Ejemplo 3: apoyo a la programación con Codestral

Un pequeño equipo de software utiliza Codestral directamente en su entorno de desarrollo para autocompletar código de programación. Esto ahorra, en promedio, un porcentaje de dos cifras del tiempo de escritura para bloques de código recurrentes.

Ejemplo 4: reconocimiento de imágenes con Mistral Small 4

Una aseguradora hace que las fotos de siniestros se revisen previamente de forma automática con las capacidades de imagen integradas en Mistral Small 4 (antes comercializadas como modelo independiente Pixtral), para detectar declaraciones claramente falsas antes de que una persona termine de tramitar el caso.

Ejemplo 5: cálculo en varias etapas con Magistral

Una asesoría fiscal hace que Magistral prepare un cálculo de ejemplo en varias etapas sobre la amortización de un inmueble, con el fin de anotar los pasos de cálculo individuales de forma comprensible para la clientela; la revisión definitiva sigue correspondiendo, por supuesto, al asesor fiscal.

Regla mnemotécnica: cuanto más sensible o cuanto mayor sea el volumen de una tarea, más importante se vuelve elegir de forma consciente el modelo adecuado; no toda tarea necesita el modelo insignia más caro.

¿Cómo se elige el modelo adecuado?

Preguntas frecuentes sobre Mistral AI

¿Le Chat es ahora lo mismo que Mistral Vibe?

Sí. Mistral renombró su aplicación de chat en mayo de 2026, de Le Chat a Mistral Vibe, y la amplió con funciones adicionales como Work Mode y Code Mode. Las cuentas, historiales de chat y suscripciones existentes se conservaron automáticamente.

¿Es Mistral AI realmente conforme con el RGPD?

Mistral AI, como empresa francesa, está sujeta directamente al RGPD y al Reglamento de IA de la UE. Los servidores pueden operarse en Francia o Alemania, y no es necesaria ninguna transferencia de datos a Estados Unidos. No obstante, para un uso jurídicamente seguro en la propia empresa, conviene revisar el acuerdo de tratamiento de datos vigente de Mistral.

¿Cuánto cuesta Mistral AI en comparación con otros proveedores?

El modelo gratuito basta para un uso ocasional; la suscripción Pro cuesta unos 15 euros al mes y se considera uno de los accesos completos más económicos del mercado a un modelo insignia.

¿Cuál es la diferencia entre Mistral Large y Mistral Small?

Large es el modelo grande, más potente y más caro, para tareas complejas. Small es mucho más compacto, más rápido, más económico y está pensado para tareas sencillas de alto volumen. Para la mayoría de las preguntas cotidianas, Small o Medium son más que suficientes.

¿Puedo ejecutar los modelos de Mistral de forma gratuita en mis propios servidores?

Sí, varios modelos como Mistral Small, Ministral 8B o Codestral Mamba tienen licencia abierta (Apache 2.0) y se pueden descargar y ejecutar de forma gratuita, siempre que se disponga del hardware adecuado, una ventaja frente a casi todos los proveedores estadounidenses cerrados.

¿Qué modelo de Mistral es adecuado para resumir contratos?

Para contratos más largos, Mistral Large 3 es el más adecuado por su amplia ventana de contexto, ya que también puede procesar por completo documentos muy extensos.

¿Es Magistral lo mismo que Mistral Large?

No. Magistral es una familia de modelos propia, especializada en el razonamiento lógico en varias etapas, mientras que Large es un modelo de lenguaje general para usos amplios.

¿Para qué grupos profesionales resulta especialmente rentable Mistral?

Se benefician especialmente las profesiones con una alta necesidad de protección de datos: administración pública, despachos de abogados, consultas médicas, departamentos de recursos humanos y administradores de fincas que trabajan habitualmente con datos personales.

Una comparación de los diez proveedores de IA de nuestro clúster está disponible en la página general Modelos de IA comparados.

¿Quién está detrás de DeepSeek?

• Sitio web de DeepSeek
• Abrir DeepSeek Chat directamente

DeepSeek se fundó en 2023 en Hangzhou y está estrechamente vinculada al fondo de cobertura chino High-Flyer Capital Management, de cuya infraestructura de centros de datos surgió originalmente la empresa. El fundador Liang Wenfeng, licenciado por la Universidad de Zhejiang, ya había creado antes de fundar DeepSeek, junto con High-Flyer, una empresa que desarrollaba estrategias de trading cuantitativo con aprendizaje automático. La experiencia adquirida allí en el uso eficiente de la capacidad de cálculo se trasladó directamente al posterior desarrollo de la IA.

El objetivo declarado de DeepSeek es el desarrollo de la llamada inteligencia artificial general, es decir, una IA que alcance o supere el pensamiento humano en el mayor número posible de ámbitos, en lugar de resolver bien únicamente tareas individuales como los sistemas anteriores. A diferencia de muchos proveedores occidentales, DeepSeek sigue de forma coherente una estrategia de peso abierto: los pesos del modelo se publican y están disponibles para su descarga y uso propio. Esta apertura, unida a unos costes de entrenamiento y de uso llamativamente bajos, fue el verdadero desencadenante de la repercusión mundial en enero de 2025.

DeepSeek demostró al sector que los modelos de IA potentes no requieren necesariamente presupuestos multimillonarios; esto hizo que el proveedor se hiciera conocido de la noche a la mañana, pero también plantea preguntas sobre el origen y la seguridad de los datos.

Los productos de DeepSeek de un vistazo

La aplicación de chat

Para el uso privado inicial, DeepSeek ofrece una aplicación de chat gratuita, disponible como sitio web y como aplicación para iOS y Android. El manejo se parece al de los chatbots conocidos: se escribe una pregunta o tarea y se recibe una respuesta en texto, opcionalmente con un «proceso de razonamiento» visible si está activado un modelo de razonamiento. La aplicación también admite la carga de archivos e imágenes para su análisis, así como una función de búsqueda web con la que se puede incorporar información actual.

La API para empresas y desarrolladores

Para empresas, agencias y desarrolladores, DeepSeek ofrece una interfaz de programación (API) a través de la cual se pueden conectar aplicaciones propias, chatbots o procesamientos automatizados de texto a los modelos de DeepSeek. El uso de la API se factura por la cantidad de texto procesada, medida en los llamados tokens, comparable de forma aproximada con fragmentos de palabras. Precisamente aquí radica la principal ventaja de DeepSeek frente a muchos competidores.

La familia de modelos de DeepSeek de un vistazo

Quien se adentra en DeepSeek se encuentra rápidamente con toda una serie de nombres de modelos: V3, V3.1, V3.2, R1, V4 Flash, V4 Pro. Para los ajenos al tema esto puede parecer confuso, pero detrás de cada versión hay una idea clara. DeepSeek publica sus modelos en intervalos relativamente cortos y suele numerar las nuevas versiones de forma consecutiva. A grandes rasgos, los modelos se pueden dividir en dos líneas: la serie clásica V (V3, V3.1, V3.2 y, ahora, V4) para tareas generales de texto, y la serie R (actualmente R1) para tareas en las que la IA debe derivar su respuesta en pasos intermedios comprensibles, un llamado modelo de razonamiento.

¿Qué significa «peso abierto» y por qué es importante?

La arquitectura Mixture-of-Experts explicada de forma sencilla

La mayoría de los modelos de DeepSeek utilizan una técnica llamada Mixture-of-Experts. Se puede imaginar como un gran equipo de especialistas: en lugar de consultar a todo el equipo en cada solicitud, el sistema selecciona automáticamente solo a los pocos expertos que realmente se necesitan para la tarea concreta. Esto hace que una sola solicitud consuma mucha menos capacidad de cálculo que en los modelos que siempre activan el sistema completo, y esta es la principal razón de los precios bajos.

Qué significa la licencia MIT para los usuarios

DeepSeek publica los llamados pesos del modelo (los «ajustes entrenados» del modelo) de forma abierta y bajo la licencia MIT. Esto significa que cualquiera —incluidas las empresas— puede descargar los modelos, ejecutarlos en sus propios servidores, adaptarlos e incluso reutilizarlos comercialmente, sin pagar tarifas de licencia. Para empresas con conocimientos técnicos, esto abre una posibilidad interesante: aprovechar la potencia de los modelos sin enviar datos a los servidores de DeepSeek en China, si el modelo se ejecuta en su lugar en infraestructura propia o europea.

Regla mnemotécnica: la tecnología de los modelos de DeepSeek se puede usar de forma más respetuosa con la privacidad que el servicio de chat estándar, siempre que se ejecute el modelo por cuenta propia y no se envíen datos a China.

DeepSeek R1: el modelo de razonamiento

DeepSeek-R1 fue el modelo que dio a conocer a DeepSeek en todo el mundo a principios de 2025. La diferencia con los modelos de lenguaje clásicos: R1 «piensa» de forma visible en varios pasos antes de dar una respuesta definitiva, de forma similar a una persona que resuelve un cálculo paso a paso en un borrador en lugar de adivinar directamente el resultado. Estos pasos intermedios incluso se pueden mostrar en la aplicación de chat. Gracias a ello, R1 logra resultados claramente mejores que los modelos de «respuesta inmediata» en tareas con una lógica clara, como matemáticas, búsqueda de errores de programación o análisis de texto en varias etapas. La desventaja: pensar en varios pasos consume más tiempo de cálculo y, por tanto, resulta más caro por la misma cantidad de texto que los modelos V más sencillos.

DeepSeek V4: el buque insignia actual

En la primavera de 2026, DeepSeek presentó la generación V4, que se ofrece en dos variantes.

La «ventana de contexto» describe la cantidad de texto que el modelo puede «tener en cuenta» al mismo tiempo; una ventana de contexto grande permite, por ejemplo, procesar un libro completo o varios documentos contractuales largos en una sola pasada.

Modelos de precios: por qué DeepSeek es tan económico

Desde su lanzamiento, DeepSeek se posiciona deliberadamente como la alternativa más económica entre los grandes proveedores de IA. Esto es posible gracias a una arquitectura de modelo especialmente eficiente (una llamada estructura Mixture-of-Experts, en la que para cada solicitud solo calcula realmente una pequeña parte del modelo total), así como a una política de precios agresiva en la competencia por los desarrolladores.

A modo de comparación: los modelos comparables de proveedores estadounidenses consolidados suelen costar varias veces más en una clase de rendimiento similar. Además, los nuevos clientes reciben en DeepSeek un contingente de tokens gratuitos, y las solicitudes repetidas y similares se facturan de forma mucho más económica mediante una memoria intermedia (caché). Para los usuarios particulares, la aplicación de chat es en cualquier caso de uso gratuito; solo un volumen de uso muy alto o funciones ampliadas tienen coste.

Ejemplo de cálculo: coste de una tarea típica

Un gestor administrativo hace resumir un documento de 30 páginas (unas 15.000 palabras, equivalentes a unos 20.000 tokens) y recibe de vuelta un resumen de unas 1.000 palabras (unos 1.300 tokens).

• Con V4 Flash: 20.000 tokens de entrada × 0,14 dólares / 1 millón = 0,0028 dólares, más 1.300 tokens de salida × 0,28 dólares / 1 millón = 0,00036 dólares. Coste total: menos de 0,01 dólares.
• Con V4 Pro: 20.000 tokens de entrada × 0,44 dólares / 1 millón = 0,0088 dólares, más 1.300 tokens de salida × 0,87 dólares / 1 millón = 0,00113 dólares. Coste total: alrededor de 0,01 dólares.

Incluso con cien resúmenes de este tipo al día, los costes puros de la API se sitúan, por tanto, en el rango de unos pocos euros al mes; el verdadero esfuerzo suele estar en la integración técnica, no en el precio del modelo.

Protección de datos y RGPD: la cuestión central

Quien utiliza DeepSeek a través de la aplicación oficial o de la API estándar envía sus entradas a servidores que se operan en China. Esta es la diferencia decisiva con muchos otros proveedores de IA y el punto que los usuarios alemanes deben entender sin falta antes de usarlo.

Por qué la ubicación del servidor en China es relevante legalmente

El Reglamento General de Protección de Datos (RGPD) solo permite la transferencia de datos personales a países fuera de la UE bajo determinadas condiciones. Para China no existe una llamada decisión de adecuación de la Comisión Europea que certifique un nivel de protección de datos comparable al de la UE. Además, las leyes chinas —en particular la Ley de Ciberseguridad y la Ley de Seguridad de Datos— obligan a las empresas con sede en China a conceder a las autoridades chinas, si así lo solicitan, acceso a los datos, incluso sin que la persona afectada sea informada de ello o sin que un tribunal alemán pueda ordenarlo. Precisamente esta posibilidad de acceso estatal hace que sea jurídicamente muy difícil concluir de forma positiva una llamada evaluación de impacto de la transferencia, es decir, un examen con el que una empresa debe demostrar, antes de transferir datos a un país fuera de la UE, que estos están suficientemente protegidos allí, tal como exige el RGPD para las transferencias de datos a terceros países inseguros.

Qué significa esto en la práctica para usted

Para los particulares que utilizan DeepSeek para preguntas cotidianas y poco críticas (por ejemplo, ayuda de redacción, investigación general o traducciones sin contenido sensible), el riesgo legal es manejable, ya que en general no se trata de un tratamiento con fines comerciales. La situación es distinta en cuanto se introducen datos personales de terceros, secretos empresariales, datos de clientes, datos de salud o información financiera. Las empresas y autónomos que quieran usar DeepSeek con fines profesionales necesitarían en realidad un contrato de tratamiento de datos y un representante designado del proveedor en la UE; ninguno de los dos elementos lo ofrece DeepSeek en la actualidad de forma suficiente. Varias autoridades regionales alemanas de protección de datos llevan a cabo desde 2025 procedimientos formales de revisión al respecto, y el uso de la aplicación de chat oficial sigue siendo valorado críticamente o restringido en parte del territorio alemán.

Una alternativa más respetuosa con la privacidad

Es importante saber lo siguiente: como DeepSeek publica sus modelos de forma abierta como los llamados modelos de peso abierto, las empresas con conocimientos técnicos también pueden ejecutar los modelos en su propio hardware o en un proveedor de nube europeo. En este caso, los datos no salen en ningún momento de la infraestructura propia o europea, y el problema de los terceros países desaparece por completo. Sin embargo, para la mayoría de los gestores administrativos y las empresas más pequeñas, un funcionamiento propio de este tipo apenas resulta realista desde el punto de vista técnico y económico.

Regla mnemotécnica: en la variante estándar de DeepSeek, las preguntas privadas y poco críticas no son problemáticas, pero los datos personales o profesionalmente sensibles no tienen nada que hacer en el campo de entrada.

Puntos fuertes y débiles de un vistazo

¿Para quién es adecuado DeepSeek?

DeepSeek se adapta a usuarios conscientes de los costes sin datos sensibles.

• Particulares para borradores de texto
• Investigación general y ayuda para el estudio
• Apoyo a la programación en el ámbito privado
• Desarrolladores centrados en el precio

Para agentes inmobiliarios, administradores de fincas y empresas con datos de clientes, contratos de alquiler o dosieres, se recomienda más bien evitar las ofertas estándar. Para un tratamiento jurídicamente seguro con alojamiento alemán, Lukinski AI resulta más adecuado.

Ejemplos prácticos de la vida cotidiana y profesional

1. Redactar y revisar textos

V4 Flash o V3.2 son adecuados para redactar y pulir lingüísticamente correos electrónicos, cartas de presentación o textos para redes sociales, sin problemas para fines privados.

2. Programación y búsqueda de errores

R1 y V4 Pro se utilizan con frecuencia como apoyo en código de programación, por ejemplo para explicar errores o completar fragmentos de código.

3. Investigación y resúmenes

Artículos especializados largos, estudios o situaciones informativas se pueden resumir en una sola pasada gracias a la amplia ventana de contexto, lo que puede ahorrar mucho tiempo de lectura a los gestores administrativos.

4. Análisis de documentación inmobiliaria y financiera (con reservas)

Técnicamente, un modelo de DeepSeek también podría analizar dosieres, contratos de alquiler o documentación de financiación y extraer los puntos clave. Sin embargo, como estos documentos casi siempre contienen datos personales de arrendatarios, compradores o prestatarios, se recomienda encarecidamente no utilizar la API estándar de DeepSeek para este fin, mientras no se garantice una base contractual conforme con el RGPD y un lugar de procesamiento europeo. Quien busque para estos casos de uso una solución de IA jurídicamente segura con alojamiento alemán, encontrará en Lukinski AI una vía más adecuada.

5. Chatbot de atención al cliente para consultas poco críticas

Para preguntas estándar sencillas y no personales (por ejemplo, horarios de apertura o información general de productos), un modelo de DeepSeek se puede integrar de forma económica como base de un chatbot, siempre que en las conversaciones no se procesen datos de clientes.

Ejemplo de cálculo: lo económico que es realmente DeepSeek en el día a día

Un gestor administrativo hace preformular mensualmente unas 200 consultas breves de clientes con DeepSeek V4 Flash, cada una con unos 500 tokens de entrada y 700 tokens de salida estimados.

• Entrada: 200 × 500 = 100.000 tokens, a 0,14 dólares por millón de tokens, esto supone unos 0,014 dólares
• Salida: 200 × 700 = 140.000 tokens, a 0,28 dólares por millón de tokens, esto supone unos 0,039 dólares
• Coste total mensual: menos de 0,10 dólares

Este ejemplo de cálculo muestra por qué DeepSeek se considera especialmente económico en volúmenes de texto poco críticos; no obstante, la decisión real no debería basarse en el precio, sino en la protección de datos.

Regla mnemotécnica: el precio y el rendimiento hablan a favor de DeepSeek, pero en el uso profesional con datos sensibles la protección de datos siempre debería ser el primer criterio de decisión, no el ahorro de costes.

Límites y cuestiones pendientes

A pesar de la impresionante relación precio-rendimiento, existen limitaciones: DeepSeek no ofrece hasta ahora una generación de imágenes o vídeo propia y madura como algunos competidores, la integración con software de terceros (plugins, integraciones de ofimática) está menos desarrollada, y la situación de la protección de datos en el uso de los servicios estándar sigue sin aclararse y continúa siendo revisada por las autoridades alemanas.

Preguntas frecuentes sobre DeepSeek

¿Está prohibido DeepSeek en Alemania?

No existe una prohibición general en todo el país. Sin embargo, varias autoridades regionales alemanas de protección de datos examinan críticamente su uso, y en algunos ámbitos —por ejemplo, en dispositivos de la administración pública o en determinados estados federados— ya existen restricciones o recomendaciones en contra de su uso.

¿Puedo usar DeepSeek de forma gratuita?

Sí, la aplicación de chat es gratuita para uso privado. Para el uso de la API a través de aplicaciones propias se aplican tarifas según la cantidad de texto, aunque los nuevos clientes reciben un contingente inicial gratuito.

¿DeepSeek almacena mis entradas?

Sí, como en la mayoría de las IA de chat, las entradas y los historiales de chat se almacenan y, según los avisos de privacidad, se utilizan entre otras cosas para mejorar el modelo. En el caso de DeepSeek, el almacenamiento se realiza en servidores ubicados en China.

¿Es DeepSeek mejor que ChatGPT?

No se puede responder de forma general. En pruebas independientes, los modelos están muy próximos en muchas tareas; DeepSeek destaca sobre todo en el precio, mientras que otros proveedores a veces se sitúan por delante en protección de datos, funciones adicionales o generación de imágenes.

¿Cuál es la diferencia entre V4 Flash y V4 Pro?

Flash es más económico y rápido, pero algo menos preciso en tareas complejas. Pro ofrece mayor precisión, pero cuesta aproximadamente el triple por cantidad de texto procesada.

¿Puedo ejecutar un modelo de DeepSeek por mi cuenta?

Sí, dado que los modelos se publican de forma abierta bajo la licencia MIT, se pueden ejecutar en hardware propio o alquilado con suficiente capacidad, aunque esto requiere conocimientos técnicos y una inversión correspondiente en capacidad de cálculo.

¿Es R1 lo mismo que ChatGPT con «modo de razonamiento»?

El principio básico es similar: ambos muestran un proceso de resolución en varios pasos antes de la respuesta propiamente dicha, pero la implementación técnica concreta y los datos de entrenamiento subyacentes difieren entre los proveedores.

Otros proveedores de IA en comparación se recogen en la página comparativa de todos los proveedores de IA.

¿Qué significa realmente «código abierto» o «peso abierto» en una IA?

La diferencia con ChatGPT, Claude y Gemini

En la mayoría de los chatbots de IA conocidos, como ChatGPT de OpenAI, Claude de Anthropic o Gemini de Google, el cálculo propiamente dicho se ejecuta exclusivamente en los servidores del proveedor correspondiente. Se escribe una pregunta, la solicitud viaja por internet hasta el centro de datos del proveedor, allí se procesa y la respuesta vuelve. El modelo en sí —es decir, el enorme archivo con los patrones de «razonamiento» entrenados— permanece siempre en manos del proveedor y no puede ser consultado ni descargado por nadie externo.

Con Llama esto es diferente. Meta publica los pesos del modelo entrenado para su descarga. Quien disponga de los requisitos técnicos necesarios puede instalar y ejecutar Llama en su propio servidor, en su propio entorno en la nube o incluso en un PC potente, sin que se envíe una sola solicitud a los servidores de Meta. Precisamente por eso, en el caso de Llama se habla con más precisión de «peso abierto» (open weight) en lugar de software de código abierto en el sentido clásico: los resultados entrenados son abiertos y utilizables, pero los datos exactos de entrenamiento y el proceso completo de entrenamiento no son totalmente públicos.

¿Qué significa esto en concreto: autohospedar en lugar de usar un servicio en la nube?

«Autohospedar» significa que una empresa o una persona particular con conocimientos técnicos configura el software de forma que la IA se ejecute en su propio hardware, ya sea un servidor propio en la oficina, un servidor alquilado en un centro de datos alemán o una nube privada. La gran ventaja: todos los datos que se introducen en la IA nunca salen, en este caso, de la propia infraestructura. No hay ninguna empresa externa que lea, almacene o analice las solicitudes para sus propios fines. Esta es la diferencia estructural decisiva con Meta AI como producto acabado, que siempre se ejecuta a través de los propios servidores de Meta, o con ChatGPT y Claude, en los que el autoalojamiento no es técnicamente posible en absoluto.

Un modelo de peso abierto como Llama es como una receta que se puede descargar y cocinar en la propia cocina. Un chatbot clásico en la nube es como un restaurante al que hay que ir siempre, porque nunca se llega a ver la receta.

Las generaciones de Llama de un vistazo

Llama 1 y 2: los inicios

La primera versión de Llama, de la primavera de 2023, estaba pensada inicialmente solo para fines de investigación y sirvió sobre todo para que los modelos de IA abiertos empezaran a tomarse en serio. Con Llama 2, en el verano de 2023, Meta abrió por primera vez explícitamente el uso también para fines comerciales, sentando así las bases de una amplia comunidad de desarrolladores que trabaja sobre Llama.

Llama 3: el gran avance

Con Llama 3, en 2024, Meta mejoró sobre todo la calidad de las respuestas, el multilingüismo y la capacidad de manejar textos considerablemente más largos. Llama 3 se considera la versión con la que los modelos abiertos pudieron competir por primera vez en serio con los mejores modelos cerrados, y se convirtió en la base de numerosas aplicaciones empresariales.

Llama 4: Scout, Maverick y Behemoth

La generación actual, Llama 4, llegó en abril de 2025 y trajo un importante salto técnico: los modelos están construidos desde el principio de forma «multimodal», es decir, entienden no solo texto, sino también imágenes en un único modelo. La familia consta de varios tamaños: Llama 4 Scout es la variante más compacta y eficiente para tareas más sencillas y para su uso con hardware limitado. Llama 4 Maverick es la variante más potente y polivalente para tareas más exigentes. Llama 4 Behemoth es, con diferencia, el modelo más grande de la familia y sirvió inicialmente sobre todo como «modelo profesor» interno, con el que se entrenaron las variantes más pequeñas; a mediados de 2026 todavía no estaba definitivamente aclarado si y cuándo Behemoth estará disponible públicamente como modelo independiente.

La licencia de Llama: lo que conviene saber

Aunque Llama se suele denominar a menudo «modelo de código abierto», en sentido estricto esto no es del todo correcto. Según la definición oficial de software de código abierto, el uso debería ser completamente sin restricciones, y ese no es el caso de Llama. Meta permite el uso comercial de forma muy amplia, con una excepción importante: quien opere un producto o servicio con más de 700 millones de usuarios activos mensuales necesita una licencia independiente directamente de Meta. Para la inmensa mayoría de las empresas, incluidas las pymes más grandes o las empresas inmobiliarias, este límite carece por completo de relevancia práctica, ya que se encuentra órdenes de magnitud por debajo. No obstante, es importante conocer las condiciones exactas de la licencia antes de integrar Llama de forma permanente en un producto propio.

Para casi cualquier empresa normal en Alemania, el límite de licencia de 700 millones de usuarios es pura teoría. Lo relevante es cómo y dónde se ejecuta Llama, no si está legalmente permitido.

Ejemplos de uso en la vida cotidiana y profesional

Ejemplo 1: preguntas cotidianas en el chat

El uso más sencillo se da a través de Meta AI: una pregunta sobre una receta de cocina, una traducción, un breve resumen de un texto. Aquí Llama se ejecuta en segundo plano en los propios servidores de Meta, sin que el usuario o la usuaria se dé siquiera cuenta.

Ejemplo 2: los desarrolladores construyen sus propias aplicaciones

Una empresa de software puede descargar un modelo Llama e integrarlo en su propia aplicación, por ejemplo un chatbot de atención al cliente, sin pagar por cada solicitud individual a un proveedor de nube externo. Los costes recurrentes consisten entonces en el propio servidor, en lugar de en una facturación por solicitud.

Ejemplo 3: datos sensibles en el sector inmobiliario y financiero

Un ejemplo de la práctica: una agencia inmobiliaria quiere crear textos de dosieres, descripciones de inmuebles o notas internas sobre posibles compradores con ayuda de la IA, sin que los datos de clientes, precios de compra o borradores de contratos se transmitan a un proveedor de nube estadounidense. Con un modelo Llama alojado por cuenta propia en un servidor en Alemania, esta información permanece por completo dentro de la propia infraestructura. Esto no sustituye una plena conformidad con la protección de datos, pero sí supone una diferencia estructural respecto a un chatbot en la nube, en el que los datos salen por principio de la propia empresa. Es importante tener en cuenta que el esfuerzo de configuración, mantenimiento y actualización de un modelo propio es real y debe planificarse de forma realista antes de decidirse por esta opción.

Ejemplo 4: traducción y multilingüismo en administraciones públicas

Algunos organismos públicos o equipos de tramitación más grandes utilizan modelos abiertos como Llama para clasificar previamente solicitudes en varios idiomas o para preformular respuestas estándar, sin transmitir datos de ciudadanos a un servicio de nube externo.

Ejemplo 5: un sencillo cálculo sobre la lógica de costes

Supongamos que una pequeña empresa procesa mensualmente unas 50.000 solicitudes de IA para la redacción de textos. A través de un chatbot comercial en la nube con facturación por solicitud, según el proveedor y el tamaño del modelo, pueden acumularse rápidamente varios cientos de euros al mes, ya que los costes aumentan con el volumen de uso. En cambio, un servidor propio con un modelo Llama más compacto como Scout genera costes en gran medida fijos de alquiler y funcionamiento del servidor, independientemente de si se procesan 10.000 o 80.000 solicitudes al mes. A partir de cierto volumen de uso, el funcionamiento propio puede resultar así más económico que la facturación continua por solicitud, aunque solo si ya se dispone de los conocimientos técnicos necesarios para la configuración y el mantenimiento, o si estos se contratan. Para un uso pequeño e irregular, un servicio en la nube suele seguir siendo la opción más práctica.

Preguntas frecuentes

¿Se puede usar Llama de forma completamente gratuita?

La descarga y el uso de los pesos del modelo son gratuitos para la gran mayoría de los casos de uso. Los costes surgen del funcionamiento, es decir, del hardware del servidor o de la capacidad de cálculo en la nube necesaria para ejecutar el modelo.

¿Necesito conocimientos de programación para ejecutar Llama por mi cuenta?

Para el funcionamiento independiente suelen ser necesarios conocimientos técnicos especializados o un proveedor de servicios informáticos. Para el uso normal a través de Meta AI en WhatsApp o en la aplicación, en cambio, no se necesitan conocimientos previos.

¿Un modelo Llama alojado por cuenta propia es automáticamente conforme con el RGPD?

No, nada es automático. Sin embargo, el autoalojamiento crea el requisito técnico para que los datos no tengan que salir de la propia empresa, lo cual constituye una base importante para soluciones respetuosas con la privacidad. La implementación jurídica concreta sigue siendo necesaria de todos modos.

¿Cuál es la diferencia entre Llama 4 Scout y Maverick?

Scout es la variante más compacta y eficiente en recursos para tareas más sencillas y servidores más pequeños, mientras que Maverick es la variante más potente para aplicaciones más exigentes, con la correspondiente mayor necesidad de hardware.

¿Puede cualquier empresa utilizar Llama en sus propios productos?

Para la inmensa mayoría de las empresas, sí, dentro de las condiciones de la licencia de Llama. Solo en el caso de servicios con más de 700 millones de usuarios activos mensuales es necesario un acuerdo independiente con Meta.

Quien, tras este análisis técnico en profundidad, quiera volver a situar el producto final Meta AI en la vida cotidiana, encontrará el resumen en la página del proveedor sobre Meta. Una comparación con los demás grandes proveedores de IA está disponible en la página general del clúster de modelos de IA.