OpenAI está cerrando su plataforma de ajuste fino de autoservicio, un movimiento que obliga a las empresas que dependen de modelos personalizados a buscar alternativas antes de que las versiones ajustadas de GPT-4o, GPT-4o mini, GPT-4.1 y GPT-4.1 mini dejen de funcionar. Los clientes existentes elegibles podrán crear trabajos de entrenamiento solo hasta el 6 de enero de 2027, y el 14 de enero se apagarán tanto los modelos ajustados como sus modelos base. Para el ecosistema tecnológico de México y América Latina, donde muchas startups y equipos de desarrollo han construido productos sobre estas herramientas, el plazo es ajustado y exige una planeación inmediata.
Un modelo ajustado es un modelo estándar de OpenAI que ha recibido entrenamiento adicional con ejemplos propios para realizar una tarea específica. Los pesos, es decir, los números aprendidos que componen el modelo, permanecen con OpenAI, pero los datos son del cliente. Eso incluye los ejemplos de entrenamiento, los casos de prueba y las solicitudes de producción que el modelo ha respondido. Con esos datos es posible entrenar un reemplazo propio.
¿Qué está pasando y por qué importa?
La noticia, confirmada en la página de deprecaciones de OpenAI y en su guía de ajuste fino supervisado, marca el fin de una era para los equipos que apostaron por personalizar modelos de lenguaje. El cierre no es inmediato, pero el calendario es implacable: quedan aproximadamente ocho semanas y media desde mediados de noviembre hasta el 14 de enero, lo que deja siete semanas laborales efectivas si se considera el receso de fin de año.
Para las empresas latinoamericanas, el impacto es doble. Por un lado, deben migrar sus modelos a alternativas abiertas o de otros proveedores. Por otro, deben hacerlo sin violar las políticas de uso de OpenAI, que a partir del 20 de noviembre de 2026 prohíben usar sus modelos o sus salidas para generar, preparar, seleccionar o suministrar material de entrenamiento para modelos que busquen sustituir a los de OpenAI.
Los datos son tuyos, pero los pesos no
La distinción es crucial. OpenAI no ofrece forma de exportar los pesos de un modelo ajustado. Sin embargo, el cliente conserva los archivos de entrenamiento y los casos de prueba. Eso es suficiente para entrenar un nuevo modelo en otra plataforma. Es como cerrar un restaurante en un local rentado: la cocina se queda con el arrendador, pero las recetas y el registro de lo que pidieron los clientes son tuyos, y bastan para reabrir en otro lugar.
El primer paso es documentar qué hace el modelo antiguo y qué tan bien lo hace. Mientras siga respondiendo, es la referencia que el nuevo modelo debe superar. Si los casos de prueba están en OpenAI Evals, la fecha límite es más próxima, porque la API de Evals se apaga el 30 de noviembre.
Recupera tus datos de entrenamiento
OpenAI indica que los datos de entrenamiento se pueden recuperar con la API de Files, pero hay reportes de desarrolladores que señalan que los archivos subidos para ajuste fino no se pueden descargar. Por eso, lo primero es buscar una copia local. Si no existe, conviene probar la API ahora y no en enero. El tráfico de producción requiere cuidado, porque las respuestas fueron escritas por un modelo de OpenAI. Las entradas de los usuarios no son salidas de OpenAI, pero las respuestas corregidas por el equipo a partir de un borrador del modelo son una zona gris que debe consultarse con el equipo legal.
Script para inventariar tus modelos ajustados
Antes de reconstruir cualquier cosa, es necesario saber exactamente qué modelos ajustados tiene la organización. Un script puede listar cada modelo con su modelo base y el ID del archivo de entrenamiento. Mantén una copia local de cada archivo de esa lista. Si usas una herramienta de observabilidad, exporta las solicitudes primero.
Prepara el conjunto de datos
El siguiente paso es construir un conjunto de datos con las respuestas que el equipo aceptó, no con las respuestas del modelo. Entrenar con las salidas del modelo antiguo le enseña también sus errores. La respuesta que una persona del equipo aceptó, o el resultado final en el sistema de registro, es un mejor objetivo. El script debe omitir solicitudes sin respuesta aceptada, eliminar entradas repetidas y reservar aproximadamente una de cada cinco conversaciones para pruebas, de modo que ninguna conversación quede en ambos lados.
En conversaciones de varios turnos, los mensajes anteriores del asistente fueron escritos por el modelo de OpenAI. Reemplázalos con las respuestas aceptadas por el equipo o elimina esas filas antes de entrenar. Luego, fusiona el resultado con el archivo de entrenamiento original y elimina duplicados. Antes de entrenar, lee 50 filas al azar y verifica que todos los tipos de solicitud estén representados y que ningún caso de prueba esté en el archivo de entrenamiento.
Elige un modelo abierto y entrena
Los modelos de pesos abiertos permiten entrenar y ejecutar donde se desee, dentro de su licencia. Un modelo más pequeño entrenado para una tarea específica a menudo puede igualar al modelo ajustado original. En el benchmark de revisión de contratos de Overmind, un modelo pequeño entrenado con su plataforma obtuvo 91.6% frente al 82.0% de un modelo insignia de frontera en más de 4,000 preguntas de más de 100 contratos, con un costo 20 veces menor. La métrica es F1, que penaliza tanto las cláusulas omitidas como las falsas alarmas.
Otras publicaciones apuntan en la misma dirección. LoRA es una técnica que entrena un pequeño complemento llamado adaptador y deja intactos los pesos originales. En LoRA Land, un informe técnico de 2024 de la empresa Predibase, el mejor ajuste LoRA de diez modelos abiertos pequeños superó a GPT-4 en la mayoría de 31 tareas, muchas de ellas de clasificación. GPT-4 se mantuvo por delante en 6 tareas más amplias, como programación en Python.
Opciones de modelos base abiertos
La tabla original lista seis modelos que se pueden entrenar: Qwen3.5-2B, Llama 3.1 8B Instruct, Qwen3.5-9B, Gemma 4 12B, gpt-oss-20b y Qwen3.8-27B. Los tamaños van de 2 mil millones a 27 mil millones de parámetros. Los pesos en 16 bits ocupan aproximadamente 2 GB de memoria GPU por cada mil millones de parámetros, más espacio para las solicitudes en vuelo. El costo de ejecución baja con el tamaño, aunque no siempre por debajo de lo que se paga hoy. En OpenRouter, el precio de lista por token de salida del Qwen3.5-9B base era aproximadamente 13 veces menor que el de un GPT-4.1 mini ajustado, y el de gpt-oss-20b unas 36 veces menor. El Qwen3.8-27B era más caro que un GPT-4o mini ajustado.
Evalúa y cambia el tráfico de forma gradual
Antes de ver resultados, define qué significa “tan bueno como” y aplica ese criterio a ambos modelos. Ambos hablan la misma API, así que un script puede puntuarlos. Si el nuevo modelo está detrás de un endpoint compatible con OpenAI, el cambio es de configuración: se mantiene el SDK de OpenAI y se cambian la URL base, la clave de API y el nombre del modelo. Antes de cambiar, verifica qué APIs de OpenAI soporta el nuevo proveedor. Por ejemplo, el endpoint de Overmind sirve Chat Completions con streaming y llamadas a herramientas, pero no la API de Responses, así que cualquier llamada a Responses debe migrarse primero a Chat Completions.
Si prefieres ejecutar el modelo tú mismo, descarga los pesos entrenados y sírvelos con un servidor compatible con OpenAI como vLLM. Tras un entrenamiento LoRA, la descarga es un adaptador que vLLM carga sobre el modelo base abierto. vLLM acepta adaptadores hasta rango 16 a menos que se eleve –max-lora-rank, así que ajústalo al menos al valor r en el archivo adapter_config.json del adaptador. El comando de ejemplo usa 64, que cubre los rangos predeterminados de Overmind de 16 y 32. Llama 3.1 es un modelo con acceso restringido, así que acepta su licencia en Hugging Face e inicia sesión antes de ejecutar.
Mueve el tráfico por etapas: primero en modo sombra, donde el nuevo modelo responde una copia de cada solicitud en vivo y los usuarios siguen viendo la respuesta del modelo antiguo. Compara ambos en tráfico real, luego migra al 5% de los usuarios, después a la mitad y finalmente a todos. Mantén el modelo de OpenAI como respaldo hasta que se apague.
Calendario de siete semanas
Con un inicio a mediados de noviembre, hay alrededor de ocho semanas y media hasta el 14 de enero, por lo que caben siete semanas laborales con como máximo una semana libre. Las semanas 6 y 7 caen en Navidad y Año Nuevo, así que si el equipo toma un descanso de más de una semana, conviene empezar antes. Si se desea un último ajuste fino de OpenAI como respaldo, el trabajo debe iniciarse antes del 6 de enero.
Overmind cubre los pasos de datos, entrenamiento, comparación y servicio, y un agente de programación puede ejecutar cada uno. Si tienes un modelo ajustado de OpenAI en producción, puedes abrir el repositorio de tu producto en Claude Code, Cursor, Codex u OpenCode y pegar la instrucción de configuración. Si no hay repositorio, se puede empezar gratis y subir el archivo JSONL con el que se entrenó.
Preguntas frecuentes
¿Hasta cuándo puedo crear nuevos trabajos de ajuste fino?
Los clientes existentes elegibles pueden crear nuevos trabajos de ajuste fino hasta el 6 de enero de 2027. Un modelo ajustado sigue respondiendo hasta que su modelo base se apaga. Para GPT-4o, GPT-4o mini, GPT-4.1 y GPT-4.1 mini, eso ocurre el 14 de enero de 2027.
¿Puedo exportar mi modelo ajustado?
No. La documentación de OpenAI no describe ninguna forma de exportar los pesos de un modelo ajustado, y un checkpoint ajustado solo se puede compartir con otros proyectos dentro de la misma organización de OpenAI. Lo que sí se conserva son los archivos de entrenamiento y los casos de prueba, con los que se puede entrenar un nuevo modelo.
¿Puedo usar las respuestas de OpenAI para entrenar mi reemplazo?
Hay que revisar los términos. A partir del 20 de noviembre de 2026, las políticas de uso de OpenAI prohíben usar sus salidas para preparar datos de entrenamiento para modelos que busquen sustituir a los de OpenAI. Las entradas de los usuarios y las respuestas escritas desde cero por el equipo no son salidas de OpenAI. Las respuestas corregidas a partir de un borrador del modelo son una zona gris, así que consulta a tu equipo legal si tienes dudas.
¿Qué modelo debería elegir?
Empieza con uno pequeño. Entrena un modelo de 2B a 9B en la misma tarea y evalúalo contra tu ajuste fino en el mismo conjunto de pruebas. Pasa a un modelo más grande solo si los pequeños no alcanzan.
¿Cuánto trabajo implica el cambio?
Muy poco si el nuevo modelo está detrás de un endpoint compatible con OpenAI. Solo cambias la URL base, la clave de API y el nombre del modelo. Las llamadas a la API de Responses deben migrarse a Chat Completions primero si el nuevo proveedor solo sirve Chat Completions.
Overmind es la plataforma de entrenamiento de modelos para equipos de IA. Se puede empezar gratis.