OpenAI está cerrando su plataforma de fine-tuning. Los clientes actuales pueden crear nuevos trabajos de fine-tuning hasta el 6 de enero de 2027, y los modelos GPT-4.1 y GPT-4o que la mayoría de los equipos ajustó se apagan, con sus versiones ajustadas, el 14 de enero de 2027. La alternativa práctica es volver a entrenar la misma tarea con un modelo abierto, servirlo detrás de una API compatible con OpenAI y evaluarlo antes de mover el tráfico.
Esta guía explica qué termina y cuándo, qué pasa con los modelos que ya tienes, qué opciones existen, cómo migrar en cuatro pasos y cómo calcular lo que cuesta el cambio. Todas las fechas y precios se tomaron de la documentación de cada proveedor el 28 de octubre de 2026.
¿Qué termina OpenAI y cuándo?
La página de deprecaciones de OpenAI describe el cierre del fine-tuning en tres etapas, seguidas del apagado de los modelos base sobre los que corren los modelos ajustados que quedan. Su guía de fine-tuning supervisado empieza ahora con la frase "OpenAI is winding down the fine-tuning platform".
| Fecha | Qué cambia |
|---|---|
| 7 de mayo de 2026 | Las organizaciones que nunca ajustaron modelos ya no pueden empezar |
| 2 de julio de 2026 | Sin inferencia ajustada en 60 días, se pierde la creación de trabajos |
| 23 de octubre de 2026 | Se apagan GPT-4.1 nano, o4-mini y sus versiones ajustadas |
| 6 de enero de 2027 | Los clientes restantes ya no pueden crear trabajos de fine-tuning |
| 14 de enero de 2027 | Se apagan GPT-4o, GPT-4o mini, GPT-4.1 y GPT-4.1 mini |
La última fila es la que más equipos pasan por alto. Según OpenAI, la inferencia sobre un modelo ajustado sigue disponible hasta que se depreca su modelo base. El 14 de octubre de 2026 anunció que esos cuatro modelos base salen de la API el 14 de enero de 2027, y que sus versiones ajustadas siguen "the same shutdown schedule". En la práctica, a la mayoría de los modelos GPT ajustados les quedan ocho días de vida después de que se cierra el entrenamiento.
¿Qué pasa con tus modelos ajustados actuales?
Un modelo ajustado de OpenAI sigue respondiendo llamadas a la API hasta que se apaga su modelo base, y entonces deja de funcionar. Para un ajuste de GPT-4o, GPT-4o mini, GPT-4.1 o GPT-4.1 mini, esa fecha es el 14 de enero de 2027. Los modelos ajustados de GPT-4.1 nano y o4-mini ya se apagaron el 23 de octubre de 2026.
OpenAI propone GPT-6 Luna como reemplazo de los cuatro modelos. GPT-6 Luna es un modelo general, así que el comportamiento que tu modelo aprendió de tus ejemplos se pierde con el cambio. Puedes recuperarlo de dos maneras: poniendo las instrucciones y los ejemplos en cada prompt, o entrenando un modelo nuevo con los mismos datos en otro sitio.
Lo que conservas son tus datos de entrenamiento, tu conjunto de evaluación y tus registros de producción. El modelo ajustado vive en la API de OpenAI, así que conviene planificar la migración alrededor de los datos. Para el patrón general de las migraciones forzadas, consulta qué pasa cuando OpenAI depreca el modelo del que depende tu app.
¿Qué alternativas hay al fine-tuning de OpenAI?
Hay tres caminos. Cambian en quién entrena, quién sirve el modelo y cuánto tiempo está garantizado el modelo base.
| Camino | Quién entrena | Quién sirve | Riesgo principal |
|---|---|---|---|
| Otro proveedor cerrado | El proveedor | El proveedor | El modelo base se retira según su calendario |
| Entrenamiento gestionado sobre modelos abiertos | Una plataforma de entrenamiento | La plataforma o tu nube | Elegir un socio capaz |
| Autoalojar un modelo abierto | Tu equipo | Tu equipo | Carga de ingeniería y operación |
El camino adecuado depende de cuánto trabajo de entrenamiento y servicio quieras asumir. La mayoría de los equipos que ajustaban modelos en OpenAI lo hacían precisamente para ahorrarse ese trabajo, y por eso el segundo camino es el que más se le parece.
Otros proveedores cerrados
Google sigue ofreciendo ajuste supervisado para Gemini a través de Gemini Enterprise Agent Platform. A 28 de octubre de 2026, la documentación de ajuste de Google incluye Gemini 3.5 Flash, Gemini 3.5 Flash-Lite, Gemini 3.1 Flash-Lite y tres modelos Gemini 2.5. La Gemini API para desarrolladores y AI Studio dejaron de ofrecer ajuste con la deprecación de Gemini 1.5 Flash-001 en mayo de 2025, y Google dice que no tiene planes inmediatos de recuperarlo.
La API de fine-tuning de Mistral aparece ahora bajo "Deprecated features" en su documentación, marcada como legacy y "no longer actively supported" a octubre de 2026.
Un proveedor cerrado es el cambio más corto si ya trabajas en su nube. El precio es el mismo problema que estás viviendo ahora: otra empresa decide cuándo se retira el modelo base. A octubre de 2026, Google fija la retirada de Gemini 3.5 Flash para "May 19, 2027 or later".
Entrenamiento gestionado sobre modelos abiertos
Una plataforma gestionada entrena un modelo abierto con tus ejemplos y lo sirve por ti, normalmente a través de una API compatible con OpenAI. Un modelo base abierto no tiene fecha de retiro impuesta por un proveedor, así que la versión entrenada puede funcionar todo el tiempo que la necesites. Entregas datos de entrenamiento y un conjunto de evaluación, acuerdas un nivel de calidad y recibes un endpoint.
Este camino conserva la comodidad del fine-tuning de OpenAI y elimina el riesgo de retiro. Las preguntas para cualquier proveedor son dónde puede correr el modelo (su infraestructura, tu nube o tus instalaciones), cómo se aprueba cada versión nueva y cómo se fija el precio.
Autoalojar un modelo abierto
Tu equipo elige un modelo base, ejecuta el entrenamiento y sirve el resultado en su propia infraestructura. Es la opción con más control y también con más trabajo: los pipelines de entrenamiento, el servicio, el escalado, la monitorización y las actualizaciones pasan a ser tuyos. Nuestro plan de 90 días para pasar a un modelo local ajustado recorre este camino de principio a fin.
¿Cómo migrar fuera del fine-tuning de OpenAI?
La migración tiene cuatro pasos y el orden importa: primero reúnes los datos y al final mueves el tráfico.
1. Exporta tus datos de entrenamiento
Reúne los archivos JSONL que usaste en cada trabajo de fine-tuning, estén donde estén guardados en tu equipo. Añade una muestra reciente de prompts de producción y de las respuestas del modelo ajustado, sacada de tus propios registros. Esa muestra refleja la tarea tal como funciona hoy, incluidas las entradas que tus ejemplos originales nunca cubrieron.
Antes de nada, aparta un conjunto de evaluación y no entrenes nunca con él. Es la única forma justa de comparar el modelo antiguo con el nuevo.
2. Vuelve a entrenar con un modelo abierto
Entrena un modelo abierto con los mismos ejemplos. El formato de chat de OpenAI (una lista de mensajes de sistema, usuario y asistente por ejemplo) se convierte directamente al formato que aceptan la mayoría de las herramientas de entrenamiento, así que el trabajo con los datos consiste sobre todo en limpiar y quitar duplicados.
Empieza por el modelo más pequeño que alcance tu nivel de calidad en el conjunto de evaluación. Un modelo entrenado para una sola tarea puede ser mucho más pequeño que un modelo general e igualarlo en esa tarea, y de ahí sale la mayor parte del ahorro en costes de ejecución.
3. Mantén la forma de la API compatible con OpenAI
Sirve el nuevo modelo detrás de una API compatible con OpenAI. Así el código de tu aplicación cambia en dos sitios: la URL base y el nombre del modelo.
import os
from openai import OpenAI
client = OpenAI(
base_url="https://your-endpoint.example.com/v1",
api_key=os.environ["ENDPOINT_API_KEY"],
)
response = client.chat.completions.create(
model="your-trained-model",
messages=[{"role": "user", "content": ticket_text}],
)Tus prompts, reintentos, el análisis de salidas estructuradas y el registro se quedan igual. El riesgo de la migración queda dentro del modelo, que es justo lo que tu conjunto de evaluación puede medir.
4. Evalúa antes de mover el tráfico
Ejecuta el modelo ajustado antiguo y el nuevo sobre el conjunto reservado y compáralos en las medidas de las que depende tu producto: precisión exacta, validez del esquema, tasa de rechazos y latencia. Después prueba el modelo nuevo en paralelo con tráfico real, envíale una parte pequeña y amplíala solo mientras mantenga el nivel. Nuestras guías sobre cómo evaluar un modelo ajustado y cómo hacer pruebas A/B con un modelo ajustado en producción cubren las dos fases.
Termina este paso antes del 14 de enero de 2027, mientras el modelo ajustado antiguo sigue disponible para comparar.
¿Cuánto cuesta migrar fuera del fine-tuning de OpenAI?
El coste por tarea tiene dos partes: el precio por token y el número de tokens que usa cada tarea. Un modelo ajustado mantiene bajo el segundo número, porque las instrucciones y los ejemplos están entrenados dentro del modelo. Sin el ajuste, vuelven a ir en cada prompt.
El ejemplo siguiente es una tarea de clasificación de 600 tokens de entrada y 150 de salida, ejecutada 1 millón de veces al mes, con los precios estándar de OpenAI a octubre de 2026 según su página de precios. Las filas segunda y tercera añaden 3.000 tokens de instrucciones y ejemplos a cada prompt para sustituir el ajuste perdido.
| Configuración | Tokens de entrada por tarea | Coste mensual |
|---|---|---|
| GPT-4.1 mini ajustado | 600 | 960 $ |
| GPT-6 Luna con instrucciones en el prompt | 3.600 | 435 $ |
| GPT-6 Luna con las instrucciones en caché | 3.600 | 165 $ más escrituras de caché |
Las tarifas detrás de la tabla: GPT-4.1 mini ajustado cuesta 0,80 $ por millón de tokens de entrada y 3,20 $ por millón de salida; GPT-6 Luna cuesta 0,10 $ y 0,50 $, con la entrada en caché a 0,01 $. GPT-6 Luna sale más barato incluso con el prompt largo, así que para muchas tareas la cuestión del coste se resuelve rápido. Lo que queda abierto es la calidad. La fila más barata solo cuenta si mantiene tu nivel, y por eso el paso 4 va antes de cualquier comparación de facturas.
Un modelo entrenado conserva la forma de 600 tokens después de que desaparezca el ajuste, y su precio por token decide el resto. Haz el mismo cálculo para cada candidato, con los recuentos de tokens de tus propios registros. Nuestra calculadora de coste por tarea (en inglés) lo hace por ti y muestra qué parte de la diferencia viene del precio por token y qué parte de los tokens que envía cada tarea.
¿Dónde encaja Ertas?
Ertas ofrece un endpoint de modelo adaptativo: un modelo entrenado en tu tarea y servido mediante una API compatible con OpenAI, al que llegas cambiando la URL base y el nombre del modelo como en el paso 3. Lo gestiona Ertas, o se ejecuta en tu propia nube o en tus instalaciones. Cada versión nueva se comprueba con tu conjunto de evaluación, y tu equipo la aprueba antes de que reciba tráfico. Por ahora el endpoint funciona solo por invitación, y estamos desarrollando una versión más ágil para abrirlo a más empresas.
El trabajo empieza con una auditoría gratuita de en qué se va tu gasto en IA y qué tareas se repiten. La construcción tiene una tarifa fija que se define después de esa auditoría, y los costes de ejecución se fijan por token, como una plaza mensual fija o en hardware dedicado, como figura en nuestra página de precios. Si prefieres entrenar tú mismo, Ertas Studio entrena modelos en infraestructura gestionada y te deja descargar los archivos finales.
¿Tienes que mover un modelo GPT ajustado antes del 14 de enero de 2027? Mira cómo funciona el endpoint adaptativo y reserva una llamada desde allí.
Preguntas Frecuentes
¿Se sigue usando el fine-tuning?
Sí. Los equipos ajustan modelos abiertos cada día para que un modelo sea fiable en una tarea concreta, y Google sigue ofreciendo ajuste supervisado de Gemini en Gemini Enterprise Agent Platform a octubre de 2026. Lo que se reduce es el fine-tuning de autoservicio sobre modelos cerrados: OpenAI cierra los nuevos trabajos el 6 de enero de 2027 y Mistral marca su API de fine-tuning como deprecada.
¿Cuánto cuesta el fine-tuning de un LLM?
En OpenAI, a octubre de 2026, el fine-tuning supervisado se cobra a 5 $ por millón de tokens de entrenamiento para GPT-4.1 mini y a 25 $ para GPT-4.1 y GPT-4o, más la inferencia por token del modelo resultante. El entrenamiento de autoservicio sobre modelos abiertos en Ertas Studio empieza gratis, con planes de pago desde 10 $ al mes, según los precios de octubre de 2026. Una construcción gestionada suele tener una tarifa fija según el tamaño de la tarea.
¿Cuándo deja OpenAI de ofrecer fine-tuning?
Los clientes actuales pueden crear nuevos trabajos de fine-tuning hasta el 6 de enero de 2027. Las organizaciones nuevas perdieron el acceso el 7 de mayo de 2026. Los modelos ajustados de GPT-4o, GPT-4o mini, GPT-4.1 y GPT-4.1 mini se apagan junto con sus modelos base el 14 de enero de 2027.
¿Con qué sustituyo un modelo GPT-4.1 mini ajustado?
Vuelve a entrenar la misma tarea con un modelo abierto y sírvelo detrás de una API compatible con OpenAI, o pasa a GPT-6 Luna, el reemplazo que recomienda OpenAI, con tus instrucciones en el prompt. Compara ambas opciones con un conjunto de evaluación reservado antes del 14 de enero de 2027, mientras el modelo ajustado original sigue disponible como referencia.
Fuentes, consultadas el 28 de octubre de 2026: OpenAI, deprecaciones, guía de fine-tuning supervisado y precios de la API; Google, fine-tuning en la Gemini API y ajuste supervisado en Gemini Enterprise Agent Platform; Mistral, API de fine-tuning (legacy). Para la comparación entre ambos productos, consulta Ertas vs fine-tuning de OpenAI.