ALIA y AMALIA: dos modelos abiertos ibéricos y qué puede hacer una empresa con ellos
España y Portugal tienen modelos de lenguaje públicos y abiertos. Qué dicen sus fichas, cuánta memoria piden y cuándo no compensa usarlos.
Qué son, y qué dice cada uno de sí mismo
España y Portugal tienen ahora, cada uno, un modelo de lenguaje público y abierto. Conviene saber qué es cada uno antes de decidir si sirve. ALIA viene del Barcelona Supercomputing Center, a través de su laboratorio de tecnologías del lenguaje. ALIA-40b tiene cerca de 40.000 millones de parámetros (40,43 según la ficha del modelo), se preentrenó en 35 lenguas europeas y pasó después por un posentrenamiento concentrado en español, catalán, euskera, gallego e inglés. La versión de instrucciones más reciente que hemos visto es la 2606, de junio de 2026, y existen también versiones cuantizadas en formato GGUF. La licencia es Apache 2.0. AMALIA es el modelo del Gobierno portugués, presentado en su versión final el 1 de julio de 2026. Se entrenó para portugués europeo, y el Gobierno dice que comprende texto, documentos, imágenes y habla. La web del proyecto indica como ámbitos de aplicación la educación, la cultura y los museos, los medios de comunicación y la ciencia. Está disponible en código abierto y, según la web del proyecto, los materiales están bajo licencia Apache 2.0, con conjuntos de datos en Hugging Face. En las páginas que hemos leído no hemos encontrado los tamaños o versiones de AMALIA, así que no los citamos.
Lo que dice la ficha del modelo
Las fichas de los modelos son la parte más honesta de cualquier lanzamiento, y la de ALIA dice más que la prensa. Dice, para empezar, para qué no se diseñó el modelo: llamadas autónomas a funciones, generación de código especializada y razonamiento avanzado. Para una empresa que quiere construir agentes que llaman a herramientas, es información de primera importancia y está en una línea de la ficha. Dice también que, pese a la alineación de seguridad y de valores, el modelo puede producir de vez en cuando salidas no deseadas, y que la evaluación de red teaming tuvo una tasa media de éxito de ataque del 4,5 %. Recomienda temperaturas de muestreo entre 0 y 0,2 y desaconseja las penalizaciones de repetición. Y avisa, en términos inequívocos, de que no se use en aplicaciones críticas sin pruebas exhaustivas y mitigación. Nada de esto es un defecto escondido: es un documento haciendo su trabajo. Merece la pena leer la ficha del modelo que se piensa usar antes de leer cualquier noticia sobre él, incluida esta.
La cuenta del hardware
La pregunta que decide muchas cosas es la más aburrida: ¿cabe en el servidor? Hemos hecho la cuenta, y es aritmética, no una prueba. Un modelo guarda cada parámetro en memoria. Con 40,43 miles de millones de parámetros, a 16 bits (2 bytes cada uno) solo los pesos ocupan cerca de 81 GB. A 8 bits, unos 40 GB. A 4 bits, unos 20 GB. Y esto sin contar la memoria de la conversación: el modelo admite contextos de hasta 163.840 tokens, y los contextos largos multiplican el consumo. La documentación del modelo recomienda vLLM para inferencia en precisión completa y llama.cpp para las versiones cuantizadas. Son las herramientas adecuadas, pero mandan los números de arriba. Un VPS de entrada como el de nuestra guía de Llama 3 8B no sirve para este modelo. Necesita una GPU con mucha memoria, o varias, y eso cambia el coste en un orden de magnitud. Las cuentas son nuestras y son un límite inferior: solo los pesos. No hemos medido nada con este modelo.
| Precisión | Bytes por parámetro | Memoria solo para los pesos |
|---|---|---|
| 16 bits (media precisión) | 2 | ~81 GB |
| 8 bits (cuantizado) | 1 | ~40 GB |
| 4 bits (cuantizado) | 0,5 | ~20 GB |
Cuándo tiene sentido
Hay tres razones que aguantan un análisis, y una cuarta que suele ser solo entusiasmo. La primera es la soberanía de los datos. Un modelo que corre en su infraestructura no envía texto de clientes a un tercero, y eso simplifica la conversación sobre encargados del tratamiento en el marco del RGPD. No la elimina, pero la acorta. La segunda es el idioma. ALIA cubre el gallego, el catalán y el euskera en el posentrenamiento, lo cual es raro. AMALIA se hizo para portugués europeo, y quien ha visto a un modelo generalista responder en portugués de Brasil sabe el valor de un objetivo definido. Dicho esto, no tenemos números que muestren que uno es mejor que otro en un caso concreto, y no los vamos a inventar. La tercera es la previsibilidad del coste en volúmenes altos: una vez pagado el hardware, cada petición adicional cuesta poco. Solo compensa por encima de cierto volumen, que depende de su caso. La cuarta, de la que desconfiamos, es «es público, luego es mejor». Público y abierto significa que se puede usar, inspeccionar y alojar. No significa que responda mejor a sus preguntas que el modelo que ya usa.
Cuándo decimos que no
También hay casos en los que le decimos a un cliente que no. Si el trabajo es razonamiento difícil, generación de código o agentes que llaman a herramientas de forma autónoma, la propia ficha de ALIA dice que no se hizo para eso. Un modelo de frontera por API lo hará mejor, y la diferencia de coste difícilmente compensa la diferencia de calidad. Si el volumen es bajo, una API es casi siempre más barata que una GPU alquilada 24 horas al día para responder a unas decenas de peticiones. Si nadie en la empresa sabe operar un servidor con GPU, el coste real incluye el tiempo de quien lo va a mantener, y ese tiempo rara vez entra en la hoja de cálculo. Y si la aplicación es crítica, la ficha de ALIA pide pruebas exhaustivas antes de ponerla en producción. Esto vale para cualquier modelo, pero aquí está escrito en el documento oficial.
La ley no desaparece porque el modelo sea abierto
Usar un modelo abierto y público no quita obligaciones a nadie. Un chatbot construido sobre ALIA o sobre AMALIA sigue siendo un sistema de IA que habla con personas, y el artículo 50 del Reglamento de IA se le aplica igual que a uno construido sobre cualquier otro: el primer mensaje tiene que decir que es inteligencia artificial. Lo explicamos en el artículo sobre el Ómnibus Digital. La licencia Apache 2.0 permite el uso comercial, y eso es lo que hace. No traslada la responsabilidad por lo que dice el modelo: esa queda con quien lo pone en producción. Y el RGPD sigue aplicándose. Alojar el modelo en casa cambia quién es encargado del tratamiento, no la necesidad de base legal, de registro de actividades y de medidas técnicas adecuadas para los datos que le pasan.
Cómo probar antes de decidir
Si quiere saber si uno de estos modelos sirve, la prueba es barata y no necesita servidor propio de entrada. Reúna cincuenta casos reales: preguntas que hacen sus clientes, documentos que resumen sus colaboradores, textos que tiene que redactar. Cincuenta bastan para ver patrones y son pocos para engañarse con estadística. Ejecute los mismos cincuenta en el modelo que usa hoy y en el candidato, sin decirle a quien evalúa cuál es cuál. Cuente solo los errores que importan para su negocio: un importe equivocado, una promesa que la empresa no hace, una respuesta en el idioma equivocado. Ignore el estilo. Mida la latencia y calcule el coste por mil peticiones en las dos opciones, incluido el hardware. Después decida con lo que ha medido. Si la diferencia no justifica el cambio, quedarse donde está es una respuesta perfectamente buena.
Fijar la versión y preguntar al proveedor
Algo que muestra el listado de ALIA en Hugging Face y que suele pasar desapercibido: hay varias versiones en circulación. Vimos las de instrucciones 2512, 2601 y 2606, además de una variante para llamada a funciones también de junio de 2026. Los números son meses de lanzamiento, y cada versión puede responder de forma distinta a la misma pregunta. La consecuencia práctica es fijar la versión. Si un sistema en producción apunta a «la última», su comportamiento puede cambiar sin que nadie lo haya decidido, y la prueba de los cincuenta casos deja de valer el día en que se sustituye el modelo. Anote qué versión probó y repita la prueba antes de cambiarla. Si quien le propone un chatbot sobre uno de estos modelos es un proveedor, hay cuatro preguntas que merece la pena hacer por escrito. Qué modelo y qué versión, exactamente. Dónde se ejecuta y en qué país quedan los datos. Qué pasa con los registros de las conversaciones y durante cuánto tiempo. Y cómo y cuándo van a volver a probar cuando cambie el modelo. Una respuesta vaga a cualquiera de ellas le dice más sobre el proveedor que cualquier demostración.
Preguntas Frecuentes (FAQ)
¿ALIA y AMALIA son gratuitos para uso comercial?
Según las fuentes que hemos consultado, ambos están bajo licencia Apache 2.0, que permite el uso comercial. El coste está en la infraestructura para ejecutarlos, no en la licencia. Lea la licencia en el repositorio del modelo que elija antes de construir sobre él.
¿Puedo ejecutar ALIA-40b en un VPS barato?
Por aritmética, no. Solo los pesos a 16 bits ocupan unos 81 GB y, a 4 bits, unos 20 GB, sin contar la memoria del contexto. Es una estimación nuestra de límite inferior, no una medición.
¿AMALIA sirve para otras variantes del portugués?
Se entrenó para portugués europeo. No tenemos datos sobre su rendimiento en otras variantes, y no vamos a presumirlos.
¿Cuál es mejor, ALIA o AMALIA?
No hay comparación directa aquí: sirven a lenguas distintas y no hemos probado ninguno de los dos. Depende del idioma y del caso de uso, y la única forma de saberlo es la prueba con casos reales descrita arriba.
¿Alojar el modelo en casa exime del RGPD?
No. Reduce el número de encargados del tratamiento a declarar, pero siguen haciendo falta base legal, registro de actividades y medidas técnicas adecuadas. Este artículo no es asesoramiento jurídico.