El modelo grande que no depende de Estados Unidos ni de China

Casi toda la conversación sobre inteligencia artificial pasa por el mismo lugar: un puñado de empresas de Estados Unidos, y un puñado creciente de China. Eso no es un accidente ni una opinión — es una descripción de dónde se entrenan los modelos más usados y de bajo qué leyes operan las empresas que los ofrecen. Para un negocio fuera de esos dos países, usar IA casi siempre significa que los datos, el precio y las reglas del juego los decide alguien en otra jurisdicción.

Mistral lleva años siendo la excepción visible: una empresa europea que compite de cerca con los modelos grandes y que, a diferencia de casi todos ellos, libera los pesos de buena parte de lo que construye. El 6 de octubre presentó Large 4, su modelo insignia más reciente, con esa misma promesa — y esta vez apuntando directo a lo que más preocupa a un negocio que depende de la IA para algo serio: quién tiene el control.

Esta pieza explica qué es exactamente Large 4, qué tan bueno es según lo que se puede verificar hoy, y por qué la pregunta de “quién controla el modelo que uso” debería estar en la misma lista de decisiones que “quién controla mis datos”.

Qué es exactamente, según lo que se puede verificar

Large 4 es un modelo multimodal —recibe texto e imágenes, responde en texto— construido con una arquitectura de mezcla de expertos: en vez de activar todo el modelo para cada respuesta, activa solo una parte. La documentación de Mistral describe un total cercano a 1 billón de parámetros, con alrededor de 50 mil millones activos en cualquier tarea dada. La cifra exacta de parámetros activos varía entre 49 y 52 mil millones según la fuente que se consulte, y ni la propia documentación de Mistral es consistente entre sus páginas — lo señalamos porque la regla de esta pieza es no esconder lo que no cuadra.

Mistral dice haberlo entrenado desde cero en su propio clúster de 3,800 GPU Grace Blackwell de NVIDIA, en centros de datos propios dentro de Europa. Es un dato que importa más de lo que parece: significa que, a diferencia de rentar cómputo de un proveedor estadounidense, todo el proceso —del entrenamiento al servicio— puede quedarse dentro de una sola jurisdicción.

El lanzamiento del 6 de octubre fue una vista previa pública por API y por Mistral Studio, su plataforma propia — es decir, ya se puede usar hoy, aunque todavía como servicio alojado por Mistral. La empresa prometió liberar los pesos descargables para finales de octubre, lo que permitiría a cualquiera correr el modelo en su propia infraestructura. Al momento de escribir esto esa fecha todavía no se cumplió, así que quien quiera depender de esa parte de la promesa debe tratarla como lo que es: un plan anunciado, no un hecho.

Sobre la ventana de contexto —cuánto texto puede “recordar” el modelo dentro de una misma conversación— Mistral anuncia 1 millón de tokens, pero la documentación de OpenRouter, un proveedor que da acceso al mismo modelo, muestra 524,288. No hay manera de confirmar cuál es la cifra real sin acceso directo a la infraestructura de Mistral, así que lo correcto es anotar la discrepancia, no resolverla a favor de la más grande.

Qué puedes hacer con esto hoy mismo, sin esperar a los pesos abiertos

Antes de llegar a si vale la pena depender menos de un proveedor, vale la pena ser claros en algo: nada de esto es hipotético. Large 4 ya se puede usar hoy, por dos caminos. El primero es Mistral Studio, la plataforma propia de la empresa, pensada para construir con el modelo sin escribir una sola línea de infraestructura. El segundo es la API directa, la misma que usan los desarrolladores que integran el modelo a su propio software.

La documentación oficial lista un conjunto de capacidades pensado directamente para negocios, no solo para conversación: salidas estructuradas (que el modelo responda en un formato fijo, útil para alimentar un sistema propio sin tener que interpretar texto libre), llamado a funciones (que el modelo pueda disparar una acción en otro sistema), preguntas y respuestas sobre documentos, procesamiento por lotes para volúmenes grandes, y lo que Mistral llama “conversaciones de agente” — hilos donde el modelo sostiene una tarea de varios pasos, no solo una respuesta aislada.

Hay un detalle que la cobertura técnica repite y que vale la pena subrayar para un público que no construye software: Mistral afirma que donde Large 4 más se distancia de los modelos cerrados no es en escribir código, sino en “visual grounding” — la capacidad de ubicar con precisión qué hay dentro de una imagen y responder preguntas específicas sobre ella, en vez de describirla en términos generales. Es la clase de cosa que importa para leer una factura escaneada, un plano o una foto de un producto dañado, y es justo el tipo de tarea donde un modelo que solo entiende texto se queda corto.

Ninguna de estas capacidades exige esperar a que los pesos sean descargables. Lo único que cambia después de esa liberación es dónde corre el modelo — no qué puede hacer.

Qué tan bueno es, y qué tan bueno dice ser

Mistral posiciona a Large 4 para trabajo agéntico y de código, no solo para conversación. En DeepSWE v1.1, un benchmark de tareas de ingeniería de software, reporta 61.7% de aciertos — apenas arriba del 61% que reporta GLM-5.3, otro modelo abierto. En una evaluación independiente de calidad de código con jueces humanos, la versión previa de Large 4 obtuvo 3.74 de 5, por debajo de Claude Opus 5 pero por encima de Kimi K3 y del propio GLM-5.3.

Hay que leer estas cifras con la misma cautela que pedimos siempre: casi todo el benchmark de desempeño viene de la propia Mistral, no de una evaluación externa reproducible. La evaluación con jueces humanos es la única que no sale directamente de la empresa, y aun esa mide la versión previa, no la que finalmente se libere con los pesos abiertos. Tratarlo como “el mejor modelo abierto de octubre” sería adelantarse a datos que todavía no existen de forma independiente.

Lo que sí se puede afirmar con más confianza es el precio, porque ahí la cifra es contractual, no un benchmark: la tarifa de lanzamiento lista $1.36 por millón de tokens de entrada y $4.18 por millón de salida, con un descuento de lanzamiento del 50% que la deja en $0.68 y $2.09 respectivamente mientras dure la promoción. Es más caro que varios modelos chinos de pesos abiertos y más barato que los modelos insignia cerrados de Estados Unidos — exactamente a medio camino, que es donde Mistral se ha posicionado desde que existe.

Por qué la soberanía no es un tema solo de gobiernos

Cuando se habla de “soberanía de datos” suena a un problema de Estados, no de negocios. Pero la misma lógica que aplica a un país aplica a una empresa chica: si todo tu trabajo crítico pasa por un servidor que no controlas, en un país cuyas leyes no puedes cambiar, operado por una empresa que puede modificar precio o condiciones sin que tengas voto, estás expuesto exactamente de la misma forma que un país que depende de un solo proveedor de energía.

Que un modelo libere sus pesos cambia esa ecuación de dos formas concretas. La primera: puedes correrlo en tu propia infraestructura, o en la de alguien de tu confianza, si algún día el proveedor original sube el precio, cambia los términos o deja de operar donde estás. La segunda, menos obvia: puedes auditar qué hace el modelo, en vez de confiar en lo que una empresa dice que hace su API cerrada.

Ninguna de las dos cosas resuelve el problema hoy mismo para la mayoría de los negocios — correr un modelo de un billón de parámetros exige infraestructura que casi nadie tiene en casa. Lo que sí cambia es la opción. Hoy, para la mayoría, depender de un modelo cerrado es la única alternativa real. Un modelo insignia con pesos abiertos, aunque se use alojado al principio, es la diferencia entre no tener opción y tener una que todavía no ejerces.

Qué significa esto si tu negocio no está ni en Europa ni en Estados Unidos

Vale la pena ser directos sobre algo que se presta a confusión: cambiar a un modelo europeo no te pone automáticamente bajo las protecciones legales de Europa. Las reglas que aplican dependen del contrato que firmes con Mistral, no de dónde esté su sede. Lo que sí cambia, con o sin esas protecciones, es algo más simple: dejas de tener un solo bloque —Estados Unidos o China— decidiendo por default las reglas de toda la industria que usas.

Para un negocio que opera en español, fuera de esos dos países, la pregunta práctica no es “¿me conviene lo europeo sobre lo estadounidense?”. Es más chica y más útil: “¿tengo, para lo importante, más de una opción real?”. Hoy, para la mayoría, la respuesta es no — y eso es cierto sin importar si el proveedor único que usan está en San Francisco, en Pekín o en París. Un modelo insignia más en la lista, con una promesa de pesos abiertos encima, no resuelve esa falta de opciones por sí solo. La amplía.

Y hay una segunda consecuencia, menos hablada: la competencia entre regiones que compiten por ofrecer IA más abierta tiende a bajar el precio y a subir la transparencia para todos los que no están en ninguna de ellas. No hace falta elegir bando para beneficiarse de que haya más de uno.

Por qué la promesa de Mistral pesa distinto a la de otros

Prometer pesos abiertos es fácil de anunciar y fácil de no cumplir — por eso esta pieza insiste en tratarlo como promesa, no como hecho. Pero no es una promesa sin antecedentes. Mistral construyó buena parte de su reputación liberando los pesos de modelos anteriores, desde los primeros Mistral 7B hasta la familia Mixtral, en un momento en que casi ningún laboratorio grande lo hacía. No es garantía de que Large 4 siga ese camino sin demora, pero sí es un historial distinto al de una empresa que nunca ha liberado nada y promete hacerlo por primera vez.

Esa diferencia importa para decidir qué tanto confiar en la fecha de finales de octubre. Un historial de cumplir no es prueba de que se vaya a cumplir otra vez — es la única señal disponible antes de que pase, y es mejor que no tener ninguna.

La evidencia en contra

Una pieza que solo cuenta lo favorable es publicidad, no análisis. Estas son las objeciones reales a todo lo anterior.

La promesa de pesos abiertos todavía no se cumplió. Mientras se escribe esto, Large 4 solo existe como servicio alojado por Mistral — exactamente el tipo de dependencia que esta pieza describe como riesgo. La ventaja de la soberanía es, por ahora, una promesa con fecha, no un hecho.

Los benchmarks son casi todos de la propia empresa. Ya se dijo arriba y vale repetirlo: no hay suficiente evaluación independiente para saber si Large 4 realmente compite con los modelos insignia cerrados, o si solo compite con otros modelos abiertos.

Correr un modelo propio tiene un costo real que casi nadie cuenta. Los pesos abiertos resuelven la dependencia del proveedor, no la necesidad de infraestructura, de personal técnico y de mantenimiento. Para la mayoría de los negocios, seguir usando la versión alojada —de Mistral o de quien sea— seguirá siendo lo más práctico, y eso también es depender de un proveedor.

Europa no es neutral por default. Cambiar de depender de Estados Unidos a depender de Europa sigue siendo depender de una sola región. La diversificación real exige más de una alternativa evaluada, no sustituir un único punto de falla por otro.

El historial de Mistral habla de su disposición, no de la calidad de este modelo. Haber liberado pesos antes dice que es probable que lo vuelva a hacer. No dice que Large 4 en particular sea mejor que lo que ya usas para tu caso puntual — eso solo lo contesta probarlo con tu propia tarea, no con el historial de la empresa.

Cuándo esto no te sirve

Si lo que usas hoy funciona y nunca falló. Diversificar proveedor tiene un costo de tiempo y aprendizaje. Si tu dependencia actual nunca te ha costado nada, migrar por precaución pura puede costar más de lo que previene.

Si no tienes quién lo mantenga. Un modelo de pesos abiertos corriendo en tu propia infraestructura necesita a alguien que lo actualice, lo monitoree y lo repare cuando falle. Sin esa persona, la soberanía que ganas en el papel se pierde en la práctica.

Si tu caso de uso no es sensible. Si lo que haces con IA no toca datos de clientes, finanzas o información que no querrías ver filtrada, el argumento de soberanía pesa menos. No todo negocio necesita blindarse igual.

Si necesitas la mejor calidad hoy, no la más soberana. Los benchmarks disponibles, con toda su cautela, no ponen a Large 4 por encima de los modelos insignia cerrados en calidad pura. Quien decide solo por desempeño, hoy, probablemente siga con lo que ya usa.

Qué hacer el lunes

Paso 1 (15 minutos). Llena las dos primeras preguntas del checklist sobre el proveedor de IA que más usas hoy para algo importante. Si no puedes contestar en qué país se procesan tus datos, ese es tu primer pendiente — antes de evaluar cualquier modelo nuevo.

Paso 2 (20 minutos). Prueba Large 4 en Mistral Studio o por API con una tarea real que hoy le das a tu proveedor actual — no una demo, la tarea de verdad. Compara el resultado, no el nombre del modelo.

Paso 3 (10 minutos). Anota la fecha en que Mistral prometió liberar los pesos abiertos y pon un recordatorio. Si para entonces no cumplió, eso también es información — sobre qué tan en serio tomar la promesa la próxima vez.