Conceptos fundamentales

Modelo de fundación

Un modelo de fundación es un modelo de IA general entrenado a gran escala con datos heterogéneos, sobre el cual se construyen aplicaciones específicas. Términos como GPT-5.4, Claude Opus 4.6, Gemini 3 Pro o Llama 4 se refieren a modelos de fundación. Su construcción cuesta cientos de millones de euros y solo unas pocas empresas en el mundo los entrenan, lo que concentra el mercado.

Por Ana María González Actualizado: 27 de abril de 2026 Verificado vigente: 30 de abril de 2026

Definición rápida

Respuesta directa

Explicación ampliada

El nombre "modelo de fundación" (foundation model) viene de un informe de Stanford de 2021 que acuñó el término para reflejar que estos modelos sirven como base sobre la que construir múltiples productos. Una vez entrenado un modelo de fundación, sirve para chat, asistente de programación, traductor, sistema de respuesta a documentos o agente, sin reentrenamiento. Las empresas que entrenan modelos de fundación de frontera son pocas: OpenAI (familia GPT-5), Anthropic (Claude Opus, Sonnet, Haiku), Google (Gemini), Meta (Llama, abierto), Mistral (modelos europeos abiertos y cerrados), xAI (Grok) y unas cuantas chinas (Qwen, DeepSeek). El coste de entrenamiento (compute, datos, ingeniería) ronda los 100-500 millones de dólares por modelo, lo que crea concentración de mercado y dependencia geopolítica. La elección entre modelos de fundación cerrados (API) y abiertos (descargables y desplegables localmente, como Llama o Mistral) tiene implicaciones de soberanía de datos, coste y flexibilidad. La frontera (qué modelo es mejor para qué) cambia cada pocos meses, así que los benchmarks importan menos que la consistencia con el caso de uso propio.

Por qué importa para tu empresa

Aplicación práctica

Cuando una empresa decide qué herramienta de IA usar, está implícitamente eligiendo un modelo de fundación detrás. Conviene saber que la decisión se puede revisar: las APIs son intercambiables y la mayoría de las plataformas permiten cambiar el modelo subyacente. Esto reduce el riesgo de "vendor lock-in" si se diseña la integración pensando en abstraerse del modelo concreto.

Ejemplo concreto

Caso real

Una pyme construye un asistente para responder consultas de clientes basado en GPT-4o vía API en 2025. A los 8 meses, OpenAI retira GPT-4o (febrero 2026) y la pyme tiene que migrar a GPT-5.3. En paralelo, Claude Opus 4.6 está dando mejores respuestas en español a un coste similar. Si la integración se hizo bien (capa de abstracción entre el código de negocio y el modelo concreto), cambiar de proveedor o migrar de modelo retirado es un día de trabajo. Si se hizo mal (lógica acoplada a las particularidades de un modelo), puede ser una semana. Esto se diseña al principio.