Los modelos de IA chinos de pesos abiertos lideran el uso y presionan la estrategia de Estados Unidos

Los modelos de IA chinos de pesos abiertos concentran ahora más del 80 por ciento del uso de modelos en una importante plataforma de modelos abiertos, pese a la ventaja inicial de Estados Unidos. El investigador Nathan Lambert presentó recientemente ese vuelco ante un grupo de miembros y asesores del Congreso. Su mensaje resultó incómodo: los laboratorios chinos no se limitan a alcanzar a los sistemas estadounidenses copiándolos. Han construido un ciclo de lanzamientos más rápido, una distribución más sólida y una ventaja cada vez mayor frente a los modelos abiertos estadounidenses.

Las cifras no significan que los modelos chinos dominen todas las formas de uso global de inteligencia artificial. OpenAI, Anthropic y Google siguen operando sistemas propietarios líderes, mientras gran parte del tráfico empresarial continúa siendo privado. Los datos disponibles muestran, en cambio, un dominio dentro del mercado cada vez más importante de pesos abiertos, donde los desarrolladores pueden descargar o adaptar los parámetros entrenados de un modelo.

La distinción importa, pero no hace menos relevante el vuelco. Llama de Meta definió en su momento este mercado. Ahora Qwen de Alibaba, Kimi de Moonshot AI, GLM de Z.ai y DeepSeek concentran buena parte de su uso e investigación. El Congreso debe decidir si este cambio refleja una extracción injusta, una ejecución más sólida o un fallo estructural en la estrategia estadounidense de modelos abiertos.

Los modelos de IA chinos de pesos abiertos tomaron la delantera donde los desarrolladores pueden cambiar de opción

El cambio más evidente no es una sola victoria en benchmarks. Es la concentración de la actividad de modelos abiertos en torno a sistemas desarrollados por laboratorios chinos.

Lambert, destacado investigador de modelos abiertos y coautor del proyecto estadounidense Truly Open Models, publicó una versión ampliada de sus declaraciones preparadas para el Congreso el 21 de septiembre. Su evaluación de modelos abiertos sostiene que las empresas chinas lideran la categoría de pesos abiertos desde aproximadamente abril de 2025.

Un modelo de pesos abiertos pone sus parámetros entrenados a disposición para descarga o uso posterior. Esto permite a los desarrolladores inspeccionar, modificar, ajustar y operar el modelo en infraestructura bajo su control. No es necesariamente de código abierto, porque el desarrollador puede retener los datos de entrenamiento, el código de entrenamiento u otros componentes necesarios para reproducirlo.

Los modelos cerrados funcionan de otra manera. Productos como los principales sistemas de OpenAI y Anthropic suelen ofrecer acceso mediante aplicaciones alojadas o interfaces de programación de aplicaciones. Los clientes pueden utilizar la capacidad, pero no descargar el modelo subyacente ni operarlo de forma independiente.

Estados Unidos estableció el modelo comercial inicial para los pesos abiertos mediante la familia Llama de Meta. Google añadió posteriormente Gemma, mientras Nvidia y varios laboratorios más pequeños lanzaron sus propias alternativas. Esa posición se ha debilitado a medida que los laboratorios chinos lanzan modelos más potentes con mayor frecuencia.

La instantánea de benchmarks de Lambert, fechada el 14 de septiembre, situó a GLM-5.3, GLM-5.3-Flash de Z.ai y Kimi K3 de Moonshot AI en 45, 42 y 44 puntos en el Artificial Analysis Intelligence Index. Los principales modelos abiertos estadounidenses de su comparación obtuvieron entre 23 y 26 puntos.

Estas puntuaciones no son medidas universales de la calidad de los modelos. Combinan el rendimiento en evaluaciones seleccionadas y pueden favorecer a modelos optimizados para tareas populares y medibles. Sin embargo, el tamaño y la persistencia de la brecha dificultan descartarla como un artefacto de las pruebas.

Los datos de distribución apuntan en la misma dirección. Lambert estima que los modelos desarrollados en China han acumulado 3.200 millones de descargas en Hugging Face, aproximadamente el doble del total estadounidense. Afirma que la ventaja de China en descargas se ha ampliado hasta unos 1.600 millones desde que superó por primera vez a Estados Unidos en julio de 2025.

OpenRouter ofrece otra perspectiva. El servicio enruta solicitudes entre numerosos modelos alojados, por lo que resulta útil para desarrolladores que quieren comparar o cambiar de sistemas. Según Lambert, el tráfico semanal de modelos abiertos en la plataforma pasó de aproximadamente 1 billón de tokens en septiembre de 2025 a unos 80 billones.

Los modelos chinos elevaron su participación en ese tráfico de modelos abiertos desde cerca del 70 por ciento hasta más del 80 por ciento. Mozilla determinó por separado que siete de los diez modelos más utilizados de OpenRouter por volumen de tokens en agosto fueron desarrollados en China y de pesos abiertos. Su informe sobre IA de código abierto también concluyó que un modelo abierto lideró por primera vez el recuento semanal de solicitudes de la plataforma ese mes.

OpenRouter no representa toda la economía de la IA. Sus usuarios están especialmente dispuestos a probar alternativas, y muchos clientes acceden a modelos cerrados estadounidenses mediante contratos directos que OpenRouter no puede observar. Las implementaciones privadas también permanecen en gran medida fuera de la vista.

Llamar a estas cifras “uso global” sin esa salvedad exagera la evidencia. Aun así, una conclusión más defendible sigue siendo significativa: los modelos de IA chinos de pesos abiertos dominan los mercados más visibles para la experimentación con modelos abiertos y la inferencia enrutada.

Ese es precisamente el ámbito donde los desarrolladores pueden comparar modelos con menos obstáculos contractuales. Las decisiones resultantes revelan qué ocurre cuando la lealtad a la marca, el software integrado y los acuerdos empresariales directos ejercen menor influencia.

El déficit estadounidense de modelos abiertos ya es un problema empresarial

La adopción de modelos chinos está presionando a los desarrolladores estadounidenses de modelos abiertos, pero también genera un conflicto de políticas para las empresas estadounidenses que ya construyen sobre esos sistemas.

El problema competitivo va más allá de las clasificaciones de modelos. Lambert identificó a Harvey, Cursor, DoorDash, Airbnb y Perplexity entre las empresas que utilizan o desarrollan con familias de modelos chinos. Sus aplicaciones abarcan desde el trabajo jurídico y el desarrollo de software hasta la atención al cliente y la investigación.

Estas empresas tienen arquitecturas y perfiles de riesgo distintos. Usar un modelo mediante una interfaz alojada no equivale a descargarlo en un entorno controlado. Ninguna de las dos opciones implica automáticamente que información sensible de clientes llegue a un proveedor chino.

Aun así, el patrón más amplio importa. Los desarrolladores eligen Qwen, Kimi, DeepSeek y GLM porque estas familias ofrecen una combinación práctica de capacidad, flexibilidad, velocidad y menores costes operativos. Estas ventajas cobran especial importancia en los agentes de IA que llaman repetidamente a un modelo mientras completan tareas de varios pasos.

Una pequeña diferencia en el coste de inferencia se acumula cuando un agente planifica, escribe código, verifica resultados y vuelve a intentar pasos fallidos. Un modelo de pesos abiertos también puede ajustarse para un flujo de trabajo específico o desplegarse en infraestructura elegida por el cliente.

Ese control atrae a empresas preocupadas por la dependencia de proveedores. Un proveedor de modelos cerrados puede cambiar las políticas de uso, retirar un modelo, ajustar el acceso o restringir determinadas solicitudes. Los pesos descargados no pueden retirarse de forma remota de las máquinas que ya los contienen.

La contrapartida aparece en la encuesta de desarrolladores de Mozilla. Los modelos abiertos llegaron a más desarrolladores que los modelos cerrados en su muestra, pero entraron en producción con menor frecuencia. Los encuestados citaron el coste de infraestructura, la seguridad, el cumplimiento normativo, el mantenimiento, la complejidad del despliegue y el soporte limitado como obstáculos recurrentes.

Los proveedores cerrados integran más de esos requisitos operativos. Habitualmente ofrecen documentación de cumplimiento, seguridad gestionada, garantías de servicio y una contraparte a la que los clientes pueden exigir responsabilidades. Operar un modelo abierto traslada una mayor responsabilidad al adoptante.

Por tanto, los modelos de IA chinos de pesos abiertos no ganan todas las decisiones de compra. Resultan convincentes cuando la portabilidad, la personalización, el rendimiento o la independencia del proveedor importan más que una gobernanza integrada.

Su influencia en la investigación puede resultar aún más difícil de revertir. Lambert examinó artículos en cinco categorías de aprendizaje automático muy utilizadas en arXiv. Su análisis concluyó que Qwen aparecía en aproximadamente el 30 por ciento de los artículos recientes, frente a cerca del 21 por ciento de Llama.

Más del 40 por ciento de los artículos mencionaba al menos un modelo chino de pesos abiertos, mientras que alrededor del 30 por ciento mencionaba una familia estadounidense. Las proporciones exactas pueden variar según las definiciones de modelos y las decisiones de muestreo. No obstante, la tendencia sugiere que Qwen se ha convertido en infraestructura central para la investigación.

La adopción en investigación crea un ciclo de refuerzo. Estudiantes y laboratorios desarrollan herramientas en torno a los modelos a los que pueden acceder. Esas herramientas reducen el coste de futuros experimentos, lo que fomenta más artículos, integraciones y profesionales capacitados.

Posteriormente, las empresas contratan a esos profesionales. Los productos heredan bibliotecas y métodos de evaluación conocidos. Una familia de modelos puede convertirse en un estándar del sector sin controlar el chatbot propietario más capaz.

Por ello, el Congreso afronta algo más que una disputa convencional por cuota de mercado. Restringir los modelos chinos podría perturbar a empresas e investigadores estadounidenses. Dejar el mercado intacto podría profundizar la dependencia de tecnología desarrollada bajo el entorno legal y estratégico de otro país.

La presión recae más directamente sobre las empresas estadounidenses que sostienen que Estados Unidos puede liderar la IA manteniendo cerrados sus mejores sistemas. Los laboratorios propietarios pueden seguir teniendo éxito comercial aunque la capa abierta migre a otros lugares. El resultado nacional es distinto porque la capa abierta extiende capacidades, estándares e influencia más allá de un puñado de proveedores.

China superó a los modelos abiertos estadounidenses mediante lanzamientos, no con un único truco

El vuelco central es que el liderazgo estadounidense en la frontera tecnológica ya no produce liderazgo estadounidense en modelos que todos pueden inspeccionar y desplegar.

Washington se ha centrado en gran medida en la destilación de modelos. La destilación entrena un sistema utilizando las salidas de otro, normalmente más potente. La técnica es habitual en todo el sector, aunque obtener esas salidas mediante cuentas falsas o la evasión de controles de acceso plantea cuestiones legales y de seguridad independientes.

El Comité de Seguridad Nacional de la Cámara de Representantes y el Comité Selecto sobre China de la Cámara abrieron una investigación conjunta sobre IA en abril. Su investigación nombró a DeepSeek, Alibaba, Moonshot AI y MiniMax mientras examinaba la procedencia de modelos, la ciberseguridad, la seguridad de datos y la exposición de la cadena de suministro.

Los comités también preguntaron a Anysphere y Airbnb sobre sus vínculos con modelos chinos. Una carta se centró en informes según los cuales Composer 2 de Cursor dependía de un modelo de Moonshot. Otra planteó inquietudes sobre la selección de Qwen por parte de Airbnb para tareas de atención al cliente.

Los legisladores sostienen que una extracción no autorizada podría permitir a laboratorios extranjeros reproducir capacidades valiosas sin igualar la inversión estadounidense en investigación o salvaguardas. También advierten que la dependencia de modelos extranjeros podría exponer a usuarios estadounidenses a censura, vigilancia o riesgos de seguridad.

Estas preocupaciones merecen ser investigadas. Aún no explican todo el cambio de mercado.

Lambert estima que impedir por completo la destilación ampliaría la distancia entre China y la frontera estadounidense de modelos cerrados en apenas uno o dos meses. Su estimación no ha sido probada de forma independiente, y los registros de entrenamiento de los principales laboratorios siguen siendo privados. Sin embargo, cuestiona la idea de que las salidas robadas ofrezcan una explicación completa.

Los laboratorios chinos también lanzan modelos con mayor frecuencia. La evaluación de un modelo captura el rendimiento en un momento determinado, por lo que una cadencia de lanzamientos más rápida ofrece a un laboratorio más oportunidades de incorporar nuevos métodos y responder a la demanda de los usuarios. Los modelos abiertos estadounidenses a menudo permanecen sin cambios mientras sus equivalentes cerrados continúan avanzando.

La selección de tareas también importa. Los desarrolladores chinos se han concentrado en áreas comercialmente visibles, como la programación agéntica, donde una fuerte demanda genera abundante retroalimentación y resultados medibles. Lambert afirma que su ventaja se reduce en tareas científicas menos estructuradas.

Esto no demuestra que los sistemas chinos sean ampliamente superiores a todos los modelos estadounidenses. Los principales sistemas cerrados de Estados Unidos siguen por delante en tareas profesionales, científicas y de larga duración importantes. El problema es que esos sistemas son servicios alquilados, no bases generalmente disponibles para una implementación independiente.

Las restricciones de hardware pueden haber reforzado la eficiencia. Los controles de exportación de Estados Unidos se diseñaron para limitar el acceso chino a los equipos informáticos más avanzados. Los laboratorios chinos respondieron haciendo hincapié en técnicas de entrenamiento, eficiencia de inferencia y arquitecturas que logran más con recursos limitados.

Sería demasiado simplista atribuir a los controles de exportación el liderazgo de China en modelos abiertos. Los mismos laboratorios también se benefician de una importante inversión nacional, un profundo talento de ingeniería y una preferencia política explícita por difundir estándares chinos de IA. Las restricciones y el apoyo pueden operar al mismo tiempo.

Las licencias crean otra ventaja. Los desarrolladores pueden descargar muchos pesos de modelos chinos, modificarlos e integrarlos en productos sin esperar acceso a un proveedor propietario de frontera. Las condiciones varían, y los pesos abiertos no siempre implican un uso sin restricciones. Aun así, ofrecen a los creadores más margen que una API por sí sola.

El resultado es una asimetría. Los laboratorios estadounidenses realizan gran parte de la investigación de frontera más costosa, mientras que las empresas chinas empaquetan cada vez más capacidades cercanas a la frontera en sistemas que otras organizaciones pueden poseer y adaptar.

Se trata tanto de una estrategia de distribución como de una estrategia científica. Un modelo ligeramente menos potente puede generar más influencia cuando es asequible, personalizable y está ampliamente disponible. Linux, Android y el software web abierto recuerdan históricamente que la capa más distribuida no siempre se origina en el producto propietario más avanzado.

Las empresas estadounidenses todavía tienen posibles respuestas. OpenAI ha vuelto a entrar en el mercado de pesos abiertos, Google sigue desarrollando Gemma y Nvidia lanza modelos Nemotron con recursos de apoyo inusualmente detallados. Lambert señala que los modelos estadounidenses comparables pueden lograr una adopción desproporcionada cuando su capacidad es competitiva.

Sin embargo, los lanzamientos ocasionales no eliminarán una ventaja construida mediante actualizaciones continuas e inversión en la comunidad. Los desarrolladores necesitan familias de modelos predecibles, documentación, términos permisivos y la confianza de que llegará la próxima versión.

Por tanto, la competencia es la ejecución abierta china frente al repliegue abierto estadounidense. La destilación forma parte de la historia, pero tratarla como toda la historia permite que la estrategia de modelos de Estados Unidos eluda el escrutinio.

Las cifras de uso no demuestran la supremacía global de la IA

La evidencia más sólida respalda el dominio chino en los canales de modelos abiertos, no en todos los chatbots, contratos corporativos o implementaciones privadas del mundo.

Los datos de OpenRouter son valiosos porque capturan solicitudes reales en muchos modelos. Un estudio de uso de tokens de 2026 analizó más de 100 billones de tokens del servicio, ofreciendo una visión inusualmente detallada del comportamiento de los desarrolladores.

Esa amplitud no convierte a OpenRouter en un censo. Los usuarios que eligen una puerta de enlace multimodelo difieren de las empresas comprometidas con un contrato directo con OpenAI, Anthropic, Google o Microsoft. La plataforma puede sobrerrepresentar naturalmente a quienes buscan alternativas abiertas.

Los recuentos de tokens también requieren contexto. Los modelos de razonamiento pueden consumir muchos tokens ocultos o intermedios para producir una respuesta. Los agentes de programación pueden generar llamadas repetidas durante una sola tarea. Un modelo puede liderar en volumen de tokens sin liderar en número de usuarios, ingresos o flujos de trabajo empresariales completados.

Las descargas plantean un problema de medición diferente. Una persona puede descargar varias versiones, mientras que una implementación en la nube puede atender a miles de personas desde una sola copia. Los sistemas automatizados también pueden inflar los recuentos sin un uso correspondiente en producción.

Las menciones académicas indican influencia, pero no necesariamente aprobación. Un artículo puede evaluar las debilidades de un modelo, usarlo como referencia o mencionar varias familias. El recuento sigue reflejando la atención de los investigadores, pero no debe presentarse como una medida directa de la adopción económica.

Los resultados de los benchmarks tienen sus propias limitaciones. Los laboratorios pueden optimizar los lanzamientos para pruebas visibles, mientras que los conjuntos de evaluación pueden infravalorar la fiabilidad, la experiencia en dominios específicos, el rendimiento con contextos largos o la estabilidad operativa. Algunos resultados comunicados por proveedores utilizan configuraciones personalizadas difíciles de comparar.

El análisis de Mozilla de septiembre ilustra el panorama mixto. Los modelos abiertos casi habían alcanzado a los principales sistemas cerrados en medidas seleccionadas de capacidad y programación. Los modelos cerrados conservaron ventajas en trabajo profesional basado en conocimiento, recuperación con contextos largos, cumplimiento empresarial y rendición de cuentas.

Esa brecha importa para implementaciones de alto riesgo. Una empresa que procesa archivos legales, registros financieros o información sanitaria necesita más que una puntuación sólida en programación. Necesita controles de acceso, pistas de auditoría, actualizaciones predecibles y una responsabilidad clara cuando algo falla.

La seguridad también opera en ambas direcciones. Los pesos descargables permiten a los defensores inspeccionar y modificar sistemas, pero también impiden que el desarrollador original haga cumplir las salvaguardas después del lanzamiento. Los proveedores cerrados conservan el control, aunque los investigadores a veces descubren que sus filtros de seguridad bloquean trabajo defensivo legítimo.

Un ejemplo surgió cuando Hugging Face investigó un incidente de ciberseguridad relacionado con IA. Según Lambert y Scientific American, los investigadores utilizaron un modelo chino de pesos abiertos después de que sistemas comerciales estadounidenses rechazaran partes del análisis.

Ese episodio no demuestra que menos salvaguardas produzcan una mejor seguridad en general. Muestra que las restricciones a nivel de modelo pueden obstaculizar trabajo legítimo y que la seguridad depende del sistema circundante. Los permisos, el aislamiento, el registro y la revisión humana pueden importar tanto como el origen del modelo.

El riesgo político sigue siendo real. Las API alojadas en China pueden plantear cuestiones de jurisdicción de datos, y el comportamiento de los modelos puede reflejar controles de contenido exigidos por el gobierno. Los pesos operados localmente reducen algunos riesgos de transmisión, pero no revelan automáticamente el proceso de entrenamiento ni eliminan vulnerabilidades ocultas.

Por tanto, el Congreso debería separar al menos tres cuestiones. ¿Obtuvo un laboratorio ilegalmente resultados de un proveedor estadounidense? ¿Una implementación concreta expone datos sensibles o sistemas críticos? ¿Debería Estados Unidos invertir con más agresividad en sus propios modelos abiertos?

Combinar esas preguntas en un único argumento sobre la «IA china» produce una política imprecisa. Un servicio alojado que gestiona información sensible merece un tratamiento distinto de los pesos disponibles públicamente que se ejecutan dentro del entorno controlado de una empresa estadounidense.

Las restricciones amplias también podrían proteger de la competencia a los proveedores cerrados dominantes de Estados Unidos. Si las empresas más pequeñas pierden acceso a modelos abiertos capaces, podrían depender más de los mismos laboratorios que presionan por un control más estricto.

La evidencia justifica preocupación, no pánico. Los modelos de IA chinos de pesos abiertos han conseguido una ventaja medible en capacidad, distribución y atención de los investigadores. Las limitaciones de los conjuntos de datos no borran esa ventaja, pero deberían restringir las afirmaciones de supremacía global total.

Tres señales mostrarán si Estados Unidos puede revertir el cambio

La próxima etapa se decidirá por los lanzamientos estadounidenses, la política empresarial y si los modelos chinos mantienen su ventaja fuera de los mercados de modelos abiertos.

La primera señal es el rendimiento y la adopción de los próximos lanzamientos importantes de pesos abiertos estadounidenses. Meta, Google, Nvidia, OpenAI y los laboratorios estadounidenses emergentes necesitan modelos que lleguen cerca de la frontera propietaria, no muchos meses después.

La paridad en benchmarks por sí sola no bastará. Los desarrolladores observarán las licencias, los tamaños de los modelos, los requisitos de implementación, la documentación, el soporte para ajuste fino y la cadencia de lanzamientos. Un sólido lanzamiento único seguido de un largo silencio no reconstruirá un ecosistema.

Si los modelos abiertos estadounidenses comienzan a igualar los lanzamientos chinos mientras obtienen rápidamente descargas y citas de investigación, el diagnóstico de Lambert se debilitará. Si siguen llegando más tarde y con menor capacidad, el déficit estructural será más difícil de negar.

La segunda señal es el resultado del escrutinio del Congreso y del poder ejecutivo. Los legisladores están examinando la destilación, la seguridad de los datos, las cadenas de suministro y el uso de sistemas chinos por empresas estadounidenses. Su respuesta final podría ir desde una aplicación específica de la ley contra el acceso engañoso hasta restricciones amplias sobre modelos o proveedores.

Una norma limitada dirigida a cuentas fraudulentas, evasión de acceso o entidades sancionadas abordaría la presunta conducta indebida sin tratar a cada modelo abierto como una amenaza. También preservaría los flujos de trabajo legítimos de destilación y datos sintéticos utilizados en toda la industria.

Una restricción amplia produciría una prueba diferente. Los desarrolladores podrían migrar a alternativas estadounidenses, seguir utilizando pesos ya descargados o trasladar cargas de trabajo fuera de la jurisdicción estadounidense. Cada respuesta revelaría cuánto poder de influencia conserva realmente Washington sobre el software portable.

La tercera señal es el uso más allá de OpenRouter, Hugging Face y otras plataformas centradas primero en modelos abiertos. La evidencia de proveedores de nube, implementaciones corporativas, agentes de software y acuerdos empresariales directos aclararía si la ventaja actual es amplia o está concentrada.

Esa medición debe separar las API alojadas de las implementaciones locales. También debe distinguir el volumen de tokens, los usuarios activos, los ingresos y las cargas de trabajo completadas. Cada métrica responde a una pregunta diferente.

Las evaluaciones independientes importarán a medida que los modelos entren en tareas más largas y de mayor impacto. Los benchmarks de programación ayudaron a los laboratorios chinos a captar atención, pero los compradores empresariales pondrán a prueba la fiabilidad, la seguridad, el conocimiento profesional y el trabajo autónomo sostenido.

Si las familias chinas mantienen su ventaja en esos entornos, la expresión «uso global» será más fácil de defender. Si su ventaja sigue concentrada entre quienes cambian de modelo y los usuarios de investigación, el mercado parecerá más fragmentado.

El debate político también se cruzará con la seguridad de la IA. OpenAI y Anthropic han defendido controles más estrictos en torno a sistemas altamente capaces. La distribución china de pesos abiertos complica cualquier marco de seguridad construido en torno a un pequeño número de proveedores que conservan el control técnico.

Una vez que los pesos circulan, la regulación no puede depender de que un proveedor desactive el acceso. Los gobiernos y las empresas necesitan salvaguardas a nivel de implementación, incluidos permisos restringidos, herramientas supervisadas, entornos aislados y una autoridad humana clara.

Ese cambio afecta al trabajo cotidiano basado en conocimiento. Los equipos combinan cada vez más múltiples modelos con documentos internos, registros de reuniones e historial de proyectos. Una base de conocimientos de IA bien gobernada debe controlar lo que cualquier modelo puede recuperar y qué acciones puede realizar, independientemente de dónde se haya desarrollado ese modelo.

Para desarrolladores y compradores empresariales, la lección inmediata no es seleccionar sistemas solo por nacionalidad o posición en las clasificaciones. Evalúen el modelo, la ruta de alojamiento, el recorrido de los datos, la licencia, los controles operativos y las opciones de sustitución como un único paquete.

Los modelos de IA chinos de pesos abiertos ya han cambiado la posición negociadora. Dan a los desarrolladores alternativas a la frontera cerrada estadounidense, al tiempo que dejan al descubierto el débil estado de la oferta estadounidense de modelos abiertos.

La pregunta para los próximos meses es concreta: ¿lanzarán los laboratorios estadounidenses modelos competitivos que los desarrolladores puedan realmente poseer y adaptar, o intentará Washington eliminar mediante regulación una ventaja de distribución que no logró construir?