La batalla por la API universal de IA: OpenAI cede Open Responses a la Linux Foundation para frenar la fragmentación de Anthropic
OpenAI traspasa el control de su especificación Open Responses a la Agentic AI Foundation para unificar llamadas a herramientas y esquemas de LLM frente al empuje de la Messages API de Anthropic.
Fecha de publicación: 2026.10.23
Elimina capas intermedias de traducción entre esquemas JSON
Soporte de AWS Bedrock, Databricks, Vercel, Ollama y vLLM
Esquema OpenAI/Open Responses frente a Messages API de Anthropic
La entrega de Open Responses a una entidad neutral reduce la deuda técnica de mantener adaptadores propios, pero su éxito real dependerá de si Anthropic y…
La guerra de los esquemas JSON: OpenAI entrega las llaves de su interfaz a la Linux Foundation
Durante los últimos tres años, construir software sobre modelos de lenguaje ha sido el equivalente a intentar montar un coche donde cada fabricante de bujías utiliza una rosca diferente. El problema en los equipos de ingeniería no reside en la lógica de negocio ni en la inteligencia del modelo, sino en el conector. Todos los proveedores punteros ofrecen exactamente las mismas piezas de construcción: envíos de mensajes de usuario, respuestas del asistente, invocación de herramientas externas (tool calls) y ejecución estructurada de funciones. Sin embargo, la forma en que OpenAI empaqueta una llamada a una función dentro de un objeto JSON no encaja de forma directa con la sintaxis que exige Anthropic en su Messages API, ni con el formato que espera Google en su Interactions API.
Para evitar que los desarrolladores queden atrapados en un laberinto de código traductor, OpenAI ha anunciado la donación oficial de su especificación Open Responses a la Agentic AI Foundation (AAIF), un organismo neutral creado bajo el paraguas de la Linux Foundation. Junto a Open Responses, se incorporan al consorcio otras piezas fundamentales del ecosistema agéntico: OpenSandbox, las Agent Skills de Anthropic y el entorno de evaluación OpenEv promovido por Hugging Face. Estos proyectos se suman a iniciativas previas de la fundación como el protocolo MCP (Model Context Protocol), el estándar de instrucciones AGENTS.md, el agente de código libre goose y herramientas de enrutamiento como Agent Router.
Evolución del estándar: de conector propietario a especificación abierta
Cómo viaja la instrucción desde la aplicación hasta el modelo sin traductores manuales
Capa de aplicación empresarial
El código define la tarea y las herramientas disponibles en formato estándar Open Responses.
Enrutador o pasarela neutral
Sistemas como Vercel AI Gateway o Databricks procesan la solicitud sin reescribir la carga útil.
Motor de inferencia subyacente
AWS Bedrock, vLLM, Ollama o APIs comerciales ejecutan la orden bajo el mismo esquema unificado.
Esta maniobra estratégica responde a una realidad incómoda en Silicon Valley: la hegemonía indiscutible de la antigua Chat Completions API de OpenAI se ha resquebrajado. Aunque durante años sirvió como el estándar de facto que toda la industria clonaba, la rápida adopción de herramientas como Claude Code y la familia de modelos Sonnet consolidó la Messages API de Anthropic como un polo de gravedad alternativo. Motores de inferencia asiáticos y occidentales de primer nivel como DeepSeek, Moonshot o MiniMax comenzaron a exponer de forma nativa extremos compatibles con Anthropic en lugar de limitarse a la sintaxis de OpenAI. Al transferir Open Responses a una fundación sin ánimo de lucro, OpenAI busca retirar su logotipo del estándar, disipar el temor al monopolio corporativo y forzar un frente común de la industria frente al avance de sus rivales.
El mapa de la unificación: actores del ecosistema frente a esquemas propietarios
El panorama de integración de modelos de lenguaje se divide actualmente entre quienes respaldan la neutralización de la interfaz y los grandes proveedores que todavía defienden formatos propios para proteger sus ecosistemas. Mientras plataformas de computación e inferencia como Modal facilitan el despliegue de infraestructuras contenerizadas para ejecutar estos motores, la capa de datos y protocolos busca consolidarse a través de acuerdos multipartitos.
La siguiente tabla resume el grado de compatibilidad y adopción técnica de los principales actores del mercado frente al esquema Open Responses:
| Proveedor / Plataforma | Soporte Open Responses | Esquema API Principal | Integración en Consorcio AAIF | Enfoque de Herramientas (Tool Calling) |
|---|---|---|---|---|
| OpenAI | Nativo (donante original) | Open Responses / Completions | Miembro fundador activo | Parámetros JSON estructurados en bloque |
| AWS (Amazon Bedrock) | Implementado | Converse API / Open Responses | Soporte técnico anunciado | Normalización multimodelo con soporte cruzado |
| Databricks Model Serving | Implementado en producción | Open Responses | Miembro corporativo | Enrutamiento unificado para modelos internos y externos |
| Vercel AI Gateway | Implementado en producción | Protocolo unificado Open Responses | Miembro corporativo | Intercambio de modelos sin cambios en el cliente |
| Motores Locales (vLLM, Ollama) | En despliegue | Open Responses / OpenAI-compat | Proyectos de código abierto integrados | Servidores locales ligeros sin fricción de esquema |
| Anthropic | No implementado (pendiente) | Messages API | Miembro de AAIF (aporta Agent Skills) | Bloques de contenido tipados (content blocks) |
| Google Cloud | No implementado | Interactions / Gemini API | Independiente en capa de API | Definición de declaraciones funcionales propietarias |
Brecha de mantenimiento: código propio frente a especificación unificada
Estimación del esfuerzo de ingeniería en equipos que gestionan más de tres modelos
El respaldo de pesos pesados de la infraestructura como Nvidia, Red Hat, Hugging Face y LM Studio demuestra que los proveedores de cómputo y plataformas de desarrollo prefieren un estándar único. Mantener doce librerías cliente diferentes para hablar con doce servidores distintos eleva los costes de soporte técnico sin añadir ninguna ventaja competitiva al producto final.
Fricción operativa y presupuestaria en el desarrollo de agentes autónomos
La ausencia de un estándar de conexión universal genera un impacto directo en el balance financiero y en la agilidad de los equipos de software. En el despliegue de agentes autónomos de segunda generación, donde un sistema no solo responde texto sino que ejecuta código, consulta bases de datos y orquesta flujos de trabajo, la compatibilidad de esquemas determina la viabilidad del proyecto.
El coste oculto del código adaptador (Glue Code)
Cuando una empresa decide no depender de un único proveedor de inteligencia artificial, la arquitectura se complica de inmediato. Si el modelo principal falla o experimenta un incremento de latencia, el sistema debe redirigir el tráfico a un modelo secundario. Sin un estándar como Open Responses, los ingenieros deben programar un traductor bidireccional.
Este código puente debe capturar la salida del modelo A, transformar la sintaxis de las llamadas a funciones, reescribir los identificadores de llamada y ajustar las respuestas de error al formato que espera el modelo B. En aplicaciones comerciales medianas, esto supone mantener entre 2.000 y 5.000 líneas de código estrictamente dedicadas a tareas de traducción sintáctica. Cada vez que Anthropic o Google actualizan un parámetro de su API, ese adaptador corre el riesgo de romperse, interrumpiendo servicios en producción y consumiendo horas de ingeniería que no generan valor de negocio.
Resolución de atascos en la orquestación de llamadas a funciones
De la fragmentación de esquemas a la interoperabilidad en producción
Errores de serialización en tiempo de ejecución
Un agente falla a mitad de una tarea porque el modelo B no reconoce el objeto de herramientas del modelo A.
Divergencia en la estructura de los payloads
Cada proveedor nombra campos clave de forma distinta (name frente a function_name, arguments frente a input).
Validación mediante esquema estricto Open Responses
El payload viaja idéntico a través de pasarelas neutrales sin tocar el código fuente de la aplicación.
El impacto en los tiempos de respuesta y la latencia global
El trasvase de datos a través de capas intermedias de traducción manual añade micro-retrasos que, acumulados en bucles de agentes que realizan 10 o 15 iteraciones consecutivas, disparan el tiempo total de respuesta. Un agente de atención técnica o análisis financiero que necesita ejecutar cinco llamadas a herramientas puede ver su latencia degradada en un rango de 400 a 800 milisegundos únicamente por el coste de parseo, serialización y validación entre formatos incompatibles.
Al estandarizar los primitivos de llamada a nivel de protocolo, herramientas de pasarela como Vercel AI Gateway o Databricks Model Serving pueden realizar transferencias directas de memoria sin recompilar el cuerpo del mensaje. El procesamiento de flujos (streaming) se vuelve directo, reduciendo la distancia entre la generación del token en el clúster de tarjetas gráficas y la pantalla del usuario final.
Rigidez contractual y dependencia de proveedor (Vendor Lock-in)
La consecuencia más grave de la dispersión de interfaces es el bloqueo involuntario. Cuando una organización ha invertido meses en afinar las definiciones de sus herramientas (tool calling) para la estructura específica de Anthropic o de OpenAI, el coste de cambiar de proveedor deja de ser una decisión puramente económica. Aunque un competidor lance un modelo con un 30% menos de coste por token o el doble de velocidad, la barrera técnica de reescribir y volver a probar toda la batería de funciones del agente frena la migración.
La donación de Open Responses busca rebajar esa barrera a cero: si el contrato con un proveedor se encarece o el servicio experimenta caídas recurrentes, desviar el 100% de las peticiones a un modelo de código abierto servido en Modal o vLLM exige únicamente cambiar la dirección URL del extremo (endpoint), manteniendo intactas las definiciones de herramientas y el esquema de los mensajes.
El frente común de la Agentic AI Foundation y las alternativas en liza
La consolidación de Open Responses dentro de la Linux Foundation no ocurre en el vacío. Forma parte de un movimiento coordinado para construir una pila tecnológica completa y abierta para la era de los agentes, evitando que una sola corporación controle las capas críticas de software.
Open Responses frente a Anthropic Messages API
Comparativa técnica entre los dos estándares dominantes del mercado
Open Responses (AAIF / Linux Foundation)
Gobernanza Neutral- • Esquema heredado de OpenAI pero gestionado por comité abierto
- • Respaldado por AWS, Databricks, Red Hat, Vercel y vLLM
- • Diseñado para máxima interoperabilidad multimodelo
- • Orientado a herramientas mediante bloques de funciones clásicos
Anthropic Messages API
Estándar de Rendimiento- • Esquema cerrado controlado directamente por Anthropic
- • Adoptado por Claude Code y replicado por DeepSeek y Moonshot
- • Estructura granular basada en bloques de contenido y pensamiento
- • Alta precisión en tareas complejas de programación agéntica
Dentro de la AAIF convergen ahora diferentes capas de la arquitectura moderna:
- MCP (Model Context Protocol): La capa de conexión entre el modelo y las fuentes de datos locales o remotas, impulsada originalmente por Anthropic.
- AGENTS.md: El estándar de documentación ligera para dar instrucciones de proyecto a agentes de código, donado por OpenAI.
- Open Responses: La interfaz unificada para el intercambio de mensajes y llamadas a herramientas.
- OpenSandbox y OpenEv: Entornos seguros de ejecución y marcos de evaluación para agentes autónomos.
La paradoja del sector radica en que, aunque Anthropic participa en la fundación compartiendo sus especificaciones de Agent Skills, todavía no ha adoptado Open Responses para su propia API comercial. El motivo es técnico y comercial a la vez: la Messages API de Anthropic está optimizada para manejar flujos complejos de razonamiento explícito (thinking blocks) y generación de artefactos visuales, áreas donde el esquema original de OpenAI mostraba limitaciones estructurales.
Por su parte, los desarrolladores de código abierto han demostrado que no van a esperar a que las grandes empresas firmen la paz. Servidores de inferencia como vLLM ya ofrecen soporte simultáneo para ambos formatos. La existencia de Open Responses otorga a la industria un punto de anclaje respaldado formalmente por la Linux Foundation, lo que dificulta que futuros cambios en las APIs comerciales rompan el software de terceros.
Criterios de decisión para arquitectos de software e ingeniería de IA
La llegada de Open Responses a una entidad neutral obliga a los directores de tecnología y líderes de producto a replantear la forma en que conectan sus aplicaciones con los modelos fundacionales durante los próximos dos años.
¿Qué estrategia de integración debe adoptar su equipo hoy?
¿Cuál es el nivel de dependencia de modelos especializados en su producto?
Mantener Messages API con capa MCP
Aprovechar las ventajas nativas de Anthropic en manipulación de código sin añadir intermediarios.
Estandarizar sobre Open Responses
Adoptar el esquema abierto a través de pasarelas como Vercel AI Gateway o Databricks.
Empresas que deben adoptar el estándar Open Responses de inmediato
- Organizaciones con políticas de nube híbrida y modelos locales: Los equipos que combinan inferencia comercial con clústeres propios de vLLM u Ollama obtendrán una simplificación inmediata de su arquitectura. Utilizar el mismo esquema para consultar un modelo privado alojado en servidores internos y un modelo externo en AWS Bedrock ahorra semanas de parametrización.
- Plataformas SaaS con alto volumen de consumo de tokens: Para empresas donde el coste de inferencia representa una partida sustancial de gastos operativos, la capacidad de conmutar proveedores en tiempo real mediante pasarelas neutrales sin tocar el código de la aplicación es fundamental para negociar tarifas o aprovechar bajadas de precios en el mercado.
- Desarrolladores de herramientas agénticas horizontales: Quienes crean bibliotecas, extensiones o aplicaciones destinadas a integrarse con múltiples modelos deben adoptar Open Responses como su contrato de datos por defecto, reduciendo la deuda técnica que implica dar soporte a interfaces individuales.
Casos donde conviene mantener esquemas propietarios o esperar
- Sistemas acoplados a funciones avanzadas de Anthropic: Si su flujo de trabajo depende críticamente de la captura de bloques de razonamiento interno (extended thinking) o de capacidades específicas de Claude que aún no están formalizadas en el borrador de Open Responses, forzar una traducción prematura limitará la eficacia del modelo.
- Proyectos monolíticos con contrato cerrado: Startups o empresas con acuerdos de exclusividad técnica o créditos de computación cerrados con un único proveedor no percibirán un retorno de inversión inmediato al migrar su código actual a la nueva especificación.
- Flujos con dependencias estrictas de Google Gemini: Quienes aprovechan ventanas de contexto masivas combinadas con las herramientas nativas de búsqueda o análisis multimodal de Google deben seguir operando directamente contra su API, al menos hasta que la AAIF publique extensiones formales para capacidades multimodales complejas.
La cesión de Open Responses confirma que la fase experimental de las APIs de inteligencia artificial ha terminado. La industria entra en una etapa de madurez técnica donde la competencia se trasladará a la velocidad, el razonamiento y el precio de los modelos, mientras que los conectores que los unen al software empresarial se convertirán, como ocurrió antes con TCP/IP o SQL, en una infraestructura común y transparente para todos.