Modelos open source para fintech: cuáles usar, dónde correrlos y cómo evaluarlos

Hace un año, la pregunta en una fintech chilena era qué proveedor de IA contratar. Hoy hay modelos open source lo bastante buenos para la mayor parte del trabajo operativo, y la pregunta cambió: cuál usar para cada proceso, dónde correrlo para que los datos de tus clientes no salgan de Chile y cómo saber si entiende cómo escribe un cliente chileno. Elegir bien no depende de un ranking, depende de tus casos.

Esta es una guía práctica para CTOs y líderes de ingeniería de fintech en Chile: qué modelos open source considerar para cada caso de uso, cómo correrlos en la región de Santiago, cómo evaluarlos con tus propios datos y cómo encaja Runtime.

Qué hace. Te ayuda a elegir dos o tres modelos candidatos por proceso, a montarlos en tu nube y a decidir con evidencia propia.

Qué no es. Un ranking de benchmarks ni una recomendación de dejar los modelos comerciales. Muchos equipos usan los dos: modelos comerciales donde la calidad manda y open source donde mandan el costo o la residencia de datos. La decisión que importa la va a tomar tu equipo, cuando alguien cuestione si un proceso necesita el modelo más grande. Deja espacio para eso.

Por qué open source en una fintech chilena

Qué modelo para qué trabajo

Estas son las sugerencias de nuestra comparativa de modelos open source para cada caso de uso, aplicadas al trabajo de una fintech chilena. La comparativa se actualiza todos los meses.

Ojo con las licencias. DeepSeek V4 Pro, DeepSeek V4.1 Flash y GLM-5.3 Flash usan MIT; Qwen3.8 27B y gpt-oss-120b usan Apache 2.0. GLM-5.3, Kimi K3, MiniMax M3 y Qwen3.8 2.4T-A95B tienen licencias propias que conviene que revise tu área legal antes de ir a producción.

Correrlos en la región de Santiago

Google Cloud tiene una región en Santiago (southamerica-west1) desde 2021, con tres zonas. Eso te permite dejar el modelo, el agente y los datos en el mismo país.

1. Elige el tamaño según el proceso. Un modelo chico como Qwen3.8 27B corre en hardware modesto; uno como gpt-oss-120b cabe en una sola GPU de 80 GB; los más grandes necesitan varias.
2. Revisa la disponibilidad de GPUs en la región. No todas las familias de GPU están en todas las regiones; confírmalo en la consola antes de comprometer un diseño.
3. Sirve el modelo detrás de un endpoint privado. Dentro de tu VPC, sin salida a internet salvo lo que autorices.
4. Apunta tus agentes a ese endpoint. Así el agente y el modelo hablan dentro de tu red.

Si el tamaño que necesitas no está disponible en Santiago, tu equipo legal y de riesgo tiene que decidir si otra región es aceptable. Es una decisión de negocio, no solo técnica.

Lo que pide la Ley 21.719

La nueva ley de datos personales entra en vigencia el 1 de diciembre de 2026 (hay un proyecto en el Senado para postergarla un año, todavía en tramitación). Para un CTO, lo práctico es poder responder tres preguntas: a qué país va cada dato personal, quién lo puede ver y si algún agente toma decisiones sobre clientes sin una persona de por medio. Un modelo open source en tu nube en Santiago simplifica la primera. Las otras dos se resuelven con controles en el agente, no con el modelo. El detalle está en nuestra guía de cumplimiento con agentes de IA.

Cómo evaluarlos con casos chilenos

Los benchmarks públicos no te dicen si un modelo entiende "me hicieron una compra que no hice, ¿me devuelven la plata?" ni si respeta el formato de un RUT. Eso lo mides tú.

1. Junta entre 50 y 100 casos ya resueltos. De un solo proceso, con la respuesta que dio tu equipo.
2. Incluye cómo escriben de verdad tus clientes. Mensajes de WhatsApp con modismos, faltas de ortografía y audios transcritos.
3. Incluye los formatos locales. RUT con y sin dígito verificador, glosas de transferencias, montos en pesos y en UF, DTE.
4. Define qué es un acierto antes de probar. Misma conclusión que tu analista, datos bien extraídos, tono correcto.
5. Prueba dos o tres modelos con el mismo agente. Cambia solo el modelo, nada más.
6. Mira también costo y tiempo por caso. Un modelo apenas mejor pero mucho más lento puede no valer la pena en soporte.

Corre los 80 tickets de soporte resueltos del mes pasado con GLM-5.3 Flash, DeepSeek V4.1 Flash y Qwen3.8 27B, usando el mismo agente. Para cada modelo, dime en cuántos casos llegó a la misma respuesta que el ejecutivo, en cuántos extrajo mal el RUT o el monto, cuánto se demoró y cuánto costó por ticket. Muéstrame los cinco casos donde más se equivocó cada uno.

Las herramientas

Cómo los corre Runtime

Runtime es el sistema operativo para agentes de IA, y es neutral respecto del modelo. Tus agentes pueden usar Claude Code, Codex o modelos open source servidos desde Bedrock, Vertex AI o tu propio endpoint, y puedes cambiar de modelo por proceso sin rehacer el agente.

• Corre en tu nube. En tu cuenta de AWS, GCP o Azure, o self-hosted, junto al modelo.
• Cada agente en su propio computador aislado. Con credenciales propias, que se borra al terminar.
• Datos enmascarados. RUT, cuentas y tarjetas se enmascaran antes de llegar al modelo o a los registros.
• Aprobaciones. Nada que mueva plata o le llegue a un cliente sale sin el visto bueno de una persona.
• Registro de todo. Cada ejecución queda guardada y se puede exportar para auditoría.
• Nunca entrena con tus datos. Y está auditado SOC 2.

Un ingeniero de IA de Runtime te acompaña a montar el primer agente con el modelo que elijas.

Lo que hemos aprendido

• Parte con un solo proceso. Evaluar modelos para todo a la vez no termina nunca.
• El modelo más grande rara vez es el correcto para todo. Muchos procesos andan bien con uno chico y rápido.
• Tu set de evaluación vale más que cualquier benchmark. Y sirve de nuevo cada vez que sale un modelo.
• Compáralo con tu equipo, no con la perfección. La pregunta es si el agente con ese modelo resuelve mejor y más barato que el proceso actual.

Cómo medir resultados

Un calendario realista

Rain, emisor de tarjetas con presencia en más de 150 países, usa Runtime para soporte técnico, monitoreo de fraude y riesgo, cumplimiento, ciberseguridad, investigaciones de ingeniería, revisión de PRs, QA y reportes, y se ha ahorrado $750k en proveedores y remuneraciones.

En resumen

Los modelos open source ya están listos para buena parte del trabajo de una fintech chilena. Elige por proceso, córrelos en Santiago si los datos lo piden y decide con tus propios casos. Para ver qué procesos conviene automatizar primero, revisa cómo automatizar la cuadratura y la operación de pagos.

A darle.

Preguntas frecuentes

¿Qué modelo open source conviene para una fintech en Chile?

Depende del trabajo. Para soporte de alto volumen conviene un modelo rápido y barato como GLM-5.3 Flash o DeepSeek V4.1 Flash; para cuadratura e investigaciones largas, uno con buen razonamiento como DeepSeek V4 Pro o GLM-5.3; y si los datos no pueden salir de tu red, uno chico como Qwen3.8 27B. Prueba siempre dos o tres con tus propios casos en español antes de elegir.

¿Puedo correr modelos open source en Chile?

Sí. Google Cloud tiene una región en Santiago (southamerica-west1), así que puedes correr el modelo, el agente y los datos en el país. Revisa qué GPUs hay disponibles en la región para el tamaño de modelo que elijas, o usa un modelo chico que corra en hardware más modesto.

¿Los modelos open source entienden bien el español chileno?

Los modelos grandes manejan bien el español, pero los modismos, los formatos locales como el RUT y las glosas de transferencias, y los términos del sistema financiero chileno hay que probarlos. Arma un set de casos reales ya resueltos por tu equipo, con la forma en que escriben tus clientes, y mide contra eso.

¿Qué licencias de modelos open source puedo usar sin revisión legal?

Las licencias permisivas como MIT y Apache 2.0 son las más simples. Modelos como DeepSeek V4 Pro, GLM-5.3 Flash y DeepSeek V4.1 Flash usan MIT, y Qwen3.8 27B y gpt-oss-120b usan Apache 2.0. Otros, como GLM-5.3, Kimi K3 o MiniMax M3, tienen licencias propias que tu área legal debería revisar.

¿Qué tiene que ver la Ley 21.719 con elegir un modelo?

La nueva ley de datos personales, vigente desde el 1 de diciembre de 2026, pide saber a qué país va cada dato personal y bajo qué condiciones. Correr un modelo open source en tu propia nube en Santiago simplifica esa respuesta, porque los datos de clientes no salen hacia un proveedor externo.

¿Cómo corre Runtime los modelos open source?

Runtime es neutral respecto del modelo: tus agentes pueden usar Claude Code, Codex o modelos open source servidos desde Bedrock, Vertex AI o tu propio endpoint. Runtime puede correr en tu cuenta de AWS, GCP o Azure, o self-hosted, así que el agente y el modelo quedan en la misma nube.