OpenWALDO libera 167.300 millones de tokens abiertos para entrenar IA en 2026

El anuncio de OpenWALDO llega en un momento donde el debate sobre los datos para entrenar IA se volvió central. Según los datos publicados hoy, miércoles 12 de agosto de 2026, este nuevo corpus contiene 167.300 millones de tokens bajo licencia abierta, listo para ser usado en proyectos de inteligencia artificial.

Desde los viejos canales de IRC donde se compartía código sin pedir nada a cambio, siempre defendimos que el conocimiento debe circular libremente. En principio, cualquier iniciativa que libere datos en volumen significativo merece atención. Sin embargo, como suele pasar con estos anuncios de ecosistema startup, conviene mirar dos veces antes de celebrar.

El dataset OpenWALDO combina fuentes diversas: repositorios de código con licencias permisivas, textos de dominio público, wikis y contribuciones comunitarias filtradas. Sus impulsores destacan que todo el material respeta licencias FLOSS conocidas (MIT, Apache 2.0, GPL) y que el proceso de curado fue auditado por terceros. La promesa es clara: cualquiera podrá descargar el torrent, entrenar su propio modelo y no depender exclusivamente de los gigantes que acaparan datos cerrados.

Pero aquí viene el trade-off honesto que nunca falta en este tipo de proyectos. Primero, el tamaño. 167.300 millones de tokens suenan enormes, pero comparados con los billones que usan los grandes laboratorios quedan en una escala intermedia. Segundo, la calidad no siempre acompaña la cantidad: varios foros que siguieron el anuncio reportan que una porción importante del dataset proviene de foros y sitios de baja señal, lo que puede introducir ruido en el entrenamiento.

Desde la perspectiva de la soberanía digital que defendemos en MamaLibre, lo más interesante es la licencia elegida. El dataset se distribuye bajo una variante de Creative Commons que permite usos comerciales con atribución, pero mantiene copyleft en las derivaciones. Eso significa que quien entrene un modelo sobre OpenWALDO y lo publique deberá liberar las modificaciones. Un punto a favor para quienes creemos que el conocimiento no debe ser privatizado después de ser entrenado.

El anuncio también menciona que el proyecto nació de una startup que pivotó desde un modelo cerrado hacia uno más comunitario luego de presión de usuarios y desarrolladores. Esta historia se repite: muchas veces la apertura llega después de que la comunidad exige transparencia, no porque la empresa haya tenido una iluminación repentina sobre los valores del software libre.

Para quienes mantenemos servidores propios y valoramos el autohospedaje, OpenWALDO puede ser una herramienta útil si se combina con proyectos como Ollama o Hugging Face locales. Descargar el dataset completo requiere unos 320 TB sin comprimir, por lo que la mayoría de los entusiastas optarán por versiones filtradas o subconjuntos temáticos (código, documentación técnica, literatura en español).

El ecosistema startup que rodea el proyecto ya empezó a ofrecer “servicios de valor agregado”: fine-tuning en la nube, versiones pre-procesadas y hasta un marketplace de modelos derivados. Nada ilegal, pero conviene recordar que el verdadero valor del software libre está en poder replicar el proceso completo sin intermediarios. Si terminamos dependiendo de la infraestructura de la misma startup que liberó los datos, habremos ganado poco en términos de soberanía.

En los próximos meses veremos si OpenWALDO se convierte en referencia para proyectos FLOSS de IA o queda como otro dataset más en el catálogo. La comunidad hacker, como siempre, será la que decida: forkear, mejorar, documentar y, sobre todo, no aceptar lock-in disfrazado de apertura.

Lo que está claro es que 2026 será recordado como el año en que los datasets abiertos dejaron de ser una rareza para convertirse en parte de la conversación cotidiana. Ojalá que esa conversación siga guiada por los mismos principios que nos trajeron hasta acá: compartir conocimiento sin pedir nada a cambio y mantener el control sobre nuestras propias herramientas.