Introducción

La inteligencia artificial (IA) ha trascendido de ser un campo de investigación especializado a convertirse en un motor fundamental de la innovación tecnológica y social. Un subconjunto particularmente relevante de esta disciplina es la IA de código abierto (OSAI, por sus siglas en inglés), cuya proliferación redefine paradigmas de desarrollo, acceso y gobernanza tecnológica (Hermansen & Osborne, 2025). La apertura del código fuente permite una examinación pública, modificación y distribución de los sistemas de IA, contrastando con los modelos propietarios que restringen el acceso a sus componentes internos.

Definición y contexto de la IA de código abierto

La IA de código abierto se refiere a sistemas de inteligencia artificial, incluyendo modelos, algoritmos y conjuntos de datos, cuyo código fuente es accesible públicamente y puede ser utilizado, estudiado, modificado y distribuido por cualquier persona para cualquier propósito (Zacchiroli, 2025). Este enfoque se arraiga en los principios del software de código abierto, promoviendo la transparencia y la colaboración. Implica la disponibilidad de modelos preentrenados, arquitecturas de red, librerías y herramientas que facilitan la construcción de soluciones de IA (Carter & Hermansen, 2026). La implementación de licencias específicas es fundamental para equilibrar la apertura con la viabilidad comercial y la protección intelectual, abordando características únicas como las dependencias de datos y la reproducibilidad de modelos (Adebiyi & Adeusi, 2025)(Adebiyi & Adeusi, 2025a)(Olajumoke Ifeoluwa Adebiyi & Oluwafemi Clement Adeusi, 2025).

Importancia creciente en el panorama tecnológico actual

La adopción generalizada de la IA de código abierto obedece a múltiples factores. Organizaciones de diversos tamaños utilizan alguna forma de código abierto en sus pilas tecnológicas de IA (Hermansen & Osborne, 2025). Este fenómeno reduce las barreras de entrada para desarrolladores y empresas, democratizando el acceso a capacidades avanzadas de IA. La comunidad de código abierto ha demostrado ser un catalizador para la innovación, permitiendo una iteración más rápida y una mejora continua de los modelos (Vake et al., 2025). La tensión entre la apertura y la protección de la propiedad intelectual es un tema recurrente, como se observa en la evolución de organizaciones que transitan de un modelo puramente abierto a enfoques de licenciamiento más controlados (L, 2025)(L, 2025a).

Propósito y alcance del artículo

Este artículo examina de forma exhaustiva la IA de código abierto, analizando su evolución, sus principios subyacentes y sus implicaciones multidimensionales. Se considerarán las temáticas clave que incluyen la transparencia y explicabilidad de los sistemas, el impacto económico y laboral, las consideraciones éticas y de propiedad intelectual, así como las tendencias tecnológicas actuales. Finalmente, se presentará una síntesis de los beneficios y desafíos, y se esbozarán recomendaciones y perspectivas para el futuro de la IA abierta.

Panorama y evolución de la IA de código abierto

La IA de código abierto representa una convergencia de los principios de desarrollo de software libre y las capacidades transformadoras de la inteligencia artificial. Su trayectoria ha sido moldeada por la interacción entre la comunidad, la academia y la industria.

Orígenes y desarrollo histórico

Los cimientos de la IA de código abierto se encuentran en la filosofía del software libre, que promovía la libertad de usar, estudiar, modificar y distribuir programas informáticos. Con la emergencia de la IA moderna en el siglo XXI, especialmente con avances en el aprendizaje profundo, la necesidad de compartir recursos se hizo evidente. Plataformas como Hugging Face han facilitado enormemente la colaboración y el intercambio de modelos de aprendizaje profundo, particularmente los Large Language Models (LLMs) (Quillivic & Mesmoudi, 2024)(Azarm et al., 2024). Desde 2012 hasta 2024, se ha observado un aumento notable en el desarrollo de modelos de IA de código abierto, con un crecimiento sustancial posterior a 2020, atribuible a la evolución de los modelos transformadores (Azarm et al., 2024)(Azarm et al., 2025).

Principios fundamentales: transparencia, colaboración y acceso

La IA de código abierto se rige por la transparencia, que permite a los usuarios inspeccionar el funcionamiento interno de los modelos, facilitando la identificación de sesgos o vulnerabilidades (Potter et al., n.d.). La colaboración se manifiesta en comunidades de desarrolladores que contribuyen a mejorar y ampliar los sistemas existentes, lo cual puede potenciar significativamente el rendimiento de los modelos (Vake et al., 2025). El acceso universal a estas tecnologías reduce las barreras de entrada, permitiendo a un espectro más amplio de investigadores y pequeñas empresas participar en el desarrollo de IA, promoviendo así la democratización tecnológica (Hermansen & Osborne, 2025).

Diferencias entre IA de código abierto y modelos propietarios

La distinción principal reside en el control y la accesibilidad. Los modelos propietarios, desarrollados y mantenidos por entidades privadas, restringen el acceso al código fuente y a los datos de entrenamiento, a menudo bajo licencias comerciales estrictas. Esto puede limitar la verificación externa, la adaptabilidad y la innovación por parte de terceros (Vake et al., 2025b). En contraste, la IA de código abierto, como su nombre indica, libera estos elementos, fomentando un ecosistema donde la comunidad puede contribuir a la mejora y personalización. Sin embargo, esta apertura también presenta desafíos, incluyendo el potencial mal uso, los desincentivos financieros para la investigación privada y las preocupaciones sobre la propiedad intelectual (Vake et al., 2025b). La tendencia actual muestra un espectro entre la apertura total y la propiedad exclusiva, con enfoques híbridos que buscan un equilibrio (Vake et al., 2025b)(Vake et al., 2025).

Temáticas clave en la IA de código abierto

La evolución de la IA de código abierto ha dado lugar a discusiones multifacéticas que abordan aspectos técnicos, sociales, económicos y éticos. Estas temáticas delinean el marco para su desarrollo y aplicación responsables.

Transparencia y explicabilidad en sistemas de IA

La transparencia de los sistemas de IA se refiere a la capacidad de comprender cómo funcionan, mientras que la explicabilidad se relaciona con la habilidad de comunicar su comportamiento de manera inteligible para los humanos (Shukla, 2024). En el contexto de la IA de código abierto, la disponibilidad del código fuente facilita inherentemente la transparencia. Sin embargo, la complejidad de muchos modelos, especialmente los LLMs, puede dificultar su interpretación, incluso con acceso al código (Thelwall, 2025).

Retos de entendimiento para usuarios finales

A pesar de la apertura del código, la arquitectura intrincada de los modelos de IA avanzados, como las redes neuronales profundas, a menudo hace que su funcionamiento interno sea una «caja negra» incluso para expertos. Para los usuarios finales sin conocimientos técnicos profundos, comprender las decisiones de un sistema de IA puede ser particularmente difícil (Mark & Kobsa, 2005). Esto genera preocupaciones sobre la confianza, la responsabilidad y la capacidad de impugnar resultados sesgados o erróneos. La falta de documentación estandarizada y protocolos claros para la información de entrenamiento agrava este problema (Azarm et al., 2024)(Azarm et al., 2025).

Recomendaciones para una comunicación efectiva de la IA

Para abordar los desafíos de entendimiento, es crucial desarrollar métodos que mejoren la comunicabilidad de la IA. Esto incluye la creación de interfaces más intuitivas y la provisión de explicaciones claras y concisas sobre cómo se obtienen las predicciones. La investigación sugiere que los sistemas transparentes con capacidad de auto-corrección son fundamentales para el rendimiento grupal (Mark & Kobsa, 2005). Además, se recomiendan marcos éticos que prioricen la transparencia y la rendición de cuentas desde la fase de diseño (Shukla, 2024). La estandarización de la documentación y la información sobre el entrenamiento de modelos también contribuiría significativamente (Azarm et al., 2024)(Azarm et al., 2025).

Impacto económico y en la fuerza laboral

La IA de código abierto ejerce una influencia considerable en la economía global y en la dinámica del mercado laboral. Sus beneficios se extienden desde la optimización de procesos hasta la creación de nuevas oportunidades, aunque no sin generar debates sobre la reestructuración del empleo.

Adopción empresarial y aceleración de la innovación

Un porcentaje significativo de organizaciones (89%) integra alguna forma de código abierto en sus sistemas de IA, y casi dos tercios (63%) emplean modelos abiertos (Hermansen & Osborne, 2025). Esta adopción se basa en los beneficios económicos que ofrece la IA de código abierto, al considerarse una alternativa rentable frente a soluciones propietarias. Facilita la colaboración y acelera la innovación al permitir que múltiples actores contribuyan y se beneficien de un conjunto común de herramientas y modelos (Hermansen & Osborne, 2025).

Efectos en productividad, costos y colaboración

La IA de código abierto contribuye a incrementar la productividad. Por ejemplo, en el sector manufacturero, la inversión en investigación y desarrollo, a menudo asociada a la IA, muestra una correlación positiva con la productividad laboral (Parmar & Stephen, 2024). También reduce los costos de desarrollo e implementación, ya que las empresas no necesitan invertir desde cero en la creación de algoritmos o modelos fundamentales. La naturaleza colaborativa del código abierto fomenta el intercambio de conocimientos y la co-creación, lo que puede llevar a soluciones más robustas y adaptables (Hermansen & Osborne, 2025).

Implicaciones sectoriales: salud, agricultura, energía y más

La IA de código abierto tiene implicaciones específicas en diversos sectores (Hermansen & Osborne, 2025). En la salud, puede mejorar diagnósticos y tratamientos (Gerrard et al., 2023)(Gerrard et al., 2023a) , mientras que en la agricultura, puede optimizar la producción y la gestión de recursos (Bernard de Raymond et al., 2021). En el sector energético, puede contribuir a una gestión más eficiente de la infraestructura. La capacidad de adaptar y personalizar modelos abiertos para necesidades sectoriales específicas acelera la transformación digital en múltiples dominios, como la industria farmacéutica, donde se ha investigado su impacto en la capacidad de innovación (Federle, 2024)(Federle, 2024a).

Ética, propiedad intelectual y gobernanza

El surgimiento de la IA de código abierto intensifica el debate sobre cómo equilibrar la innovación con la responsabilidad, la protección de derechos y una gobernanza eficaz. Estos aspectos son fundamentales para el desarrollo sostenible de la tecnología.

Implicaciones legales y desafíos regulatorios

La regulación de la IA, especialmente la de código abierto, presenta desafíos significativos. Las leyes existentes a menudo no abordan adecuadamente las complejidades de los contenidos generados por IA, la autoría y la responsabilidad (Khadka, 2025). Iniciativas como la Ley de IA de la Unión Europea y el Blueprint for an AI Bill of Rights de EE. UU. buscan establecer marcos regulatorios (Sanwal, 2023)(Manish, 2024). Sin embargo, la variedad de interpretaciones entre sectores y regiones dificulta la creación de estándares éticos globalmente aceptados (Burdzhiev et al., 2025). Es esencial un marco normativo que garantice la coherencia y justicia en todas las instancias relacionadas con la IA (Sharma, 2025).

Propiedad intelectual en el desarrollo y uso de IA abierta

La propiedad intelectual (PI) en la IA de código abierto es un área compleja. Mientras que el código fuente puede ser abierto, los datos de entrenamiento y los modelos resultantes pueden tener diferentes regímenes de PI. Esto genera interrogantes sobre la autoría y la propiedad de los resultados generados por IA (L, 2025)(L, 2025a). Las licencias de código abierto para IA buscan equilibrar el intercambio de conocimientos con la protección de intereses, pero deben considerar las particularidades de los sistemas de IA, como la dependencia de los datos y la reproducibilidad (Adebiyi & Adeusi, 2025)(Adebiyi & Adeusi, 2025a)(Olajumoke Ifeoluwa Adebiyi & Oluwafemi Clement Adeusi, 2025). La decisión de algunas organizaciones de transicionar de un enfoque abierto a un modelo de licenciamiento controlado, como en el caso de OpenAI, refleja la tensión entre la apertura y la protección de la PI (L, 2025)(L, 2025a).

Principios éticos: derechos fundamentales, equidad y control

La ética en la IA se centra en asegurar que los sistemas de IA respeten los derechos fundamentales, promuevan la equidad y permitan el control humano. La IA de código abierto, con su inherente transparencia, puede facilitar la auditoría y la detección de sesgos, contribuyendo a una IA más justa (Potter et al., n.d.)(Widder et al., 2022). Sin embargo, también enfrenta desafíos, como el potencial mal uso o la propagación de información errónea. Los marcos éticos, como los propuestos a nivel de la UE, abogan por principios como el respeto a los derechos humanos, la no discriminación, la calidad, la seguridad, la transparencia y el control del usuario (BÎLBĂ, 2024). La armonización de códigos éticos es crucial para el trabajo interdisciplinario y para equilibrar la innovación con la seguridad pública y la confianza (Burdzhiev et al., 2025).

Tendencias emergentes y herramientas destacadas

El campo de la IA de código abierto experimenta una evolución dinámica, marcada por la aparición de nuevos modelos y herramientas que amplían sus capacidades y aplicaciones.

Modelos abiertos recientes y su relevancia (LLMs, visión, etc.)

Los Large Language Models (LLMs) han captado la atención académica e industrial, con modelos como Llama 3 de Meta y 8x7B de Mistral. Estos LLMs han demostrado un rendimiento notable, aunque los modelos propietarios como GPT-4 y Gemini de Google también son prominentes (Schrepel & Potts, 2025). La comunidad de código abierto ha contribuido significativamente a la mejora de estos modelos, logrando eficiencias sin comprometer el rendimiento (Vake et al., 2025). Aunque ha habido un aumento en el desarrollo de modelos de código abierto post-2020, principalmente en procesamiento de texto, los dominios de procesamiento de audio e imagen han crecido más lentamente (Azarm et al., 2024)(Azarm et al., 2025). Existe un creciente interés en modelos como LLaMa y BARD, mientras que otros como Mistral y Claude permanecen menos explorados en la investigación (Billah et al., 2025).

Herramientas y plataformas de IA de código abierto más influyentes

Hugging Face se ha consolidado como una plataforma fundamental para la comunidad de IA de código abierto, facilitando el intercambio y la colaboración en el desarrollo de modelos de aprendizaje profundo, especialmente LLMs (Quillivic & Mesmoudi, 2024). Esta plataforma, junto con otras iniciativas de software abierto, permite la creación de un «común digital» para la IA, donde los recursos y datos pueden ser gestionados y mantenidos por la comunidad (Quillivic & Mesmoudi, 2024)(Zacchiroli, 2025a). La capacidad de estas herramientas para integrar principios de diseño ético y garantizar la seguridad es esencial para mitigar riesgos, incluyendo la generación de contenido tóxico o la fuga de información privada (Biswas & Talukdar, 2023).

Análisis e implicaciones de la IA de código abierto

La IA de código abierto es un fenómeno complejo con una gama de implicaciones que merecen un análisis detallado, tanto en sus ventajas como en sus posibles inconvenientes.

Beneficios: democratización, innovación acelerada y reducción de barreras

La IA de código abierto promueve la democratización tecnológica al hacer que las herramientas y modelos avanzados sean accesibles para un público más amplio. Esto reduce la dependencia de proveedores únicos y fomenta la competencia (Hermansen & Osborne, 2025). La colaboración abierta acelera la innovación, permitiendo que las mejoras y las nuevas funcionalidades se desarrollen a un ritmo más rápido de lo que sería posible en entornos propietarios (Vake et al., 2025). Además, la reducción de barreras de entrada para desarrolladores y pequeñas empresas fomenta la experimentación y la diversidad en las aplicaciones de IA, impulsando un crecimiento más inclusivo (Hermansen & Osborne, 2025).

Riesgos y desafíos: seguridad, mal uso y fragmentación tecnológica

A pesar de sus ventajas, la IA de código abierto presenta riesgos. La apertura del código puede, en ciertos escenarios, ser explotada para fines maliciosos, como el desarrollo de sistemas de vigilancia o la generación de desinformación (Vake et al., 2025b). La seguridad de los sistemas de IA abiertos es una preocupación continua, especialmente cuando se integran en infraestructuras críticas. La fragmentación tecnológica, donde múltiples versiones de un mismo modelo o herramienta coexisten sin una coordinación clara, puede dificultar la interoperabilidad y el mantenimiento. Además, la falta de incentivos financieros robustos para mantener y actualizar proyectos puede comprometer su sostenibilidad a largo plazo (Vake et al., 2025b).

Impacto sistémico en la investigación científica y adquisición de conocimiento

La IA de código abierto ha transformado la investigación científica. Permite una mayor reproducibilidad de los experimentos y facilita la validación de resultados al permitir que otros investigadores examinen y prueben el código y los datos. Esta colaboración amplía el alcance de la investigación, permitiendo la exploración de nuevas fronteras del conocimiento (Potineni, 2025)(Bhavyateja Potineni, 2025). La capacidad de aprovechar y adaptar modelos preexistentes reduce el tiempo y los recursos necesarios para nuevos estudios, acelerando el descubrimiento en campos como la medicina y la astronomía (Potineni, 2025)(Bhavyateja Potineni, 2025).

Equilibrio entre apertura, protección y sostenibilidad

Lograr un equilibrio entre la apertura total, la protección de la propiedad intelectual y la sostenibilidad económica es un reto central para la IA de código abierto. Las licencias deben ser diseñadas para fomentar la colaboración y la innovación, al tiempo que permiten la monetización y el desarrollo continuo de los proyectos (Adebiyi & Adeusi, 2025)(Adebiyi & Adeusi, 2025a). Un enfoque que considere las necesidades de la comunidad, la industria y los reguladores es esencial para construir un ecosistema de IA abierta robusto y beneficioso a largo plazo (Kijewski et al., 2025).

Conclusión

La IA de código abierto representa una fuerza transformadora con implicaciones profundas para la tecnología, la economía y la sociedad. Su modelo de desarrollo colaborativo y transparente ofrece beneficios sustanciales, pero también introduce complejidades que requieren una atención cuidadosa.

Síntesis de hallazgos clave

Se ha establecido que la IA de código abierto, enraizada en principios de transparencia y colaboración, ha experimentado un crecimiento significativo, especialmente en el desarrollo de LLMs post-2020 (Azarm et al., 2024)(Azarm et al., 2025). Su adopción generalizada por parte de organizaciones subraya su eficiencia en costos y su capacidad para acelerar la innovación en diversos sectores (Hermansen & Osborne, 2025). Sin embargo, la complejidad inherente de los modelos de IA presenta retos para la explicabilidad de los usuarios finales, incluso con el código abierto (Thelwall, 2025). La propiedad intelectual y los marcos regulatorios están en un estado de evolución para adaptarse a las particularidades de la IA generativa y de código abierto (L, 2025)(L, 2025a)(Khadka, 2025).

Recomendaciones y perspectivas futuras para la IA abierta

Para maximizar los beneficios y mitigar los riesgos de la IA de código abierto, se sugieren varias líneas de acción. Es crucial promover la estandarización en la documentación y los protocolos de entrenamiento de modelos para mejorar la transparencia y la rigor científico (Azarm et al., 2024)(Azarm et al., 2025). El desarrollo de marcos regulatorios ágiles es esencial para abordar las implicaciones éticas y legales, priorizando la no discriminación, la seguridad y el control del usuario (BÎLBĂ, 2024)(Burdzhiev et al., 2025). El fomento de ecosistemas de colaboración, a través de plataformas como Hugging Face, continuará siendo un pilar para la innovación y la democratización (Quillivic & Mesmoudi, 2024). Finalmente, un diálogo continuo entre la academia, la industria, los responsables políticos y la sociedad civil es indispensable para establecer un equilibrio entre la apertura, la protección de derechos y la sostenibilidad a largo plazo de la IA de código abierto (Kijewski et al., 2025).

References

Adebiyi, O. I., & Adeusi, O. C. (2025a). Analyzing the impact of open-source licensing models on AI development, commercialization, and knowledge dissemination in technology sectors. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17199598

Adebiyi, O. I., & Adeusi, O. C. (2025b). Analyzing the impact of open-source licensing models on AI development, commercialization, and knowledge dissemination in technology sectors. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17199597

Azarm, M., Sangari, E., & Abughoush, K. (2024). Unveiling the Dynamics of Open-Source AI Models: Development Trends, Industry Applications, and Challenges. ScholarSpace (University of Hawaii at Manoa).

Azarm, M., Sangari, E., & Abughoush, K. (2025). Unveiling the Dynamics of Open-Source AI Models: Development Trends, Industry Applications, and Challenges. In Proceedings of the Annual Hawaii International Conference on System Sciences. Hawaii International Conference on System Sciences. https://doi.org/10.24251/hicss.2025.582

Bernard de Raymond, A., Alpha, A., Ben-Ari, T., Daviron, B., Nesme, T., & Tétart, G. (2021). Systemic risk and food security. Emerging trends and future avenues for research. In Global Food Security (Vol. 29, p. 100547). Elsevier BV. https://doi.org/10.1016/j.gfs.2021.100547

Bhavyateja Potineni. (2025). AI as a research accelerator: Human-AI synergy in scientific discovery and innovation. In World Journal of Advanced Research and Reviews (Vol. 26, Issue 1, pp. 2937–2948). GSC Online Press. https://doi.org/10.30574/wjarr.2025.26.1.1183

BÎLBĂ, I. I. (2024). ETHICAL PRINCIPLES AND AI IN INTELLECTUAL PROPERTY LAW. SHILAP Revista de Lepidopterologı́a.

Billah, M. M., Hamjaya, H. S., Shiralizade, H., Singh, V., & Inam, R. (2025). Large Language Models’ Trustworthiness in the Light of the EU AI Act—A Systematic Mapping Study. In Applied Sciences (Vol. 15, Issue 14, p. 7640). MDPI AG. https://doi.org/10.3390/app15147640

Biswas, A., & Talukdar, W. (2023). Guardrails for trust, safety, and ethical development and deployment of Large Language Models (LLM). In Journal of Science & Technology (Vol. 4, Issue 6, pp. 55–82). Libertatem Media Private Limited. https://doi.org/10.55662/jst.2023.4605

Burdzhiev, S., Burdzhieva, M.-M., Gotsev, L., Syarova, S., & Angelova, V. (2025). A REVIEW ON AI IN CYBERSECURITY: ETHICAL CHALLENGES AND REGULATORY FRAMEWORKS. Environment Technology Resources Proceedings of the International Scientific and Practical Conference, 2, 285–291. https://doi.org/10.17770/etr2025vol2.8607

Carter, H., & Hermansen, A. (2026). The Value of Open Source AI for the Canadian Economy: A Review of Industry, Academic, and Open Source Evidence. The Linux Foundation. https://doi.org/10.70828/bgqs8505

Federle, M. (2024a). Assessing the impact of open-source AI technology. Evidence from the Indian pharmaceutical industry. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.14416673

Federle, M. (2024b). Assessing the impact of open-source AI technology. Evidence from the Indian pharmaceutical industry. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.14416674

Gerrard, J., Benson, R., Brown, E., & Varughese, C. (2023a). Capturing the benefits of AI in healthcare for Aotearoa New Zealand – Full report [Techreport]. University of Auckland. https://doi.org/10.17608/k6.opmcsa.24814101

Gerrard, J., Benson, R., Brown, E., & Varughese, C. (2023b). Capturing the benefits of AI in healthcare for Aotearoa New Zealand – Full report [Techreport]. https://doi.org/10.17608/k6.opmcsa.24814101.v1

Hermansen, A., & Osborne, C. (2025). The Economic and Workforce Impacts of Open Source AI: Insights from Industry, Academia, and Open Source Research Publications. The Linux Foundation. https://doi.org/10.70828/itvq4899

Khadka, R. (2025). Navigating the Legal Landscape of AI-Created Content: Intellectual Property, Accountability, and Regulation. In International Scientific Journal of Engineering and Management (Vol. 04, Issue 04, pp. 1–7). Edtech Publishers (OPC) Private Limited. https://doi.org/10.55041/isjem03055

Kijewski, S., McBride, C., Ronchi, E., Ferretti, A., & Vayena, E. (2025). Responsible and Strategic Open Source AI Innovation in Europe and Beyond. https://doi.org/10.3929/ethz-c-000787142

L, B. (2025a). Comprehensive Study of Intellectual Property Rights (IPR) in AI Software – Focus on OpenAI and Comparative Analysis [Techreport]. CERN European Organization for Nuclear Research. https://doi.org/10.5281/zenodo.17119582

L, B. (2025b). Comprehensive Study of Intellectual Property Rights (IPR) in AI Software – Focus on OpenAI and Comparative Analysis [Techreport]. CERN European Organization for Nuclear Research. https://doi.org/10.5281/zenodo.17119581

Manish, S. (2024). ETHICAL AND REGULATORY DEVELOPMENTS IN AI GOVERNANCE. https://doi.org/10.5281/zenodo.15461280

Mark, G., & Kobsa, A. (2005). The Effects of Collaboration and System Transparency on CIVE Usage: An Empirical Study and Model. In Presence: Teleoperators and Virtual Environments (Vol. 14, Issue 1, pp. 60–80). MIT Press – Journals. https://doi.org/10.1162/1054746053890279

Olajumoke Ifeoluwa Adebiyi, & Oluwafemi Clement Adeusi. (2025). Analyzing the impact of open-source licensing models on AI development, commercialization, and knowledge dissemination in technology sectors. In International Journal of Science and Research Archive (Vol. 15, Issue 3, pp. 1103–1113). GSC Online Press. https://doi.org/10.30574/ijsra.2025.15.3.1753

Parmar, P. M., & Stephen, J. J. (2024). IMPACT OF AI ON LABOR PRODUCTIVITY IN THE MANUFACTURING SECTOR IN INDIA. In ShodhKosh: Journal of Visual and Performing Arts (Vol. 5, Issue 1). Granthaalayah Publications and Printers. https://doi.org/10.29121/shodhkosh.v5.i1.2024.4413

Potineni, B. (2025). AI as a research accelerator: Human-AI synergy in scientific discovery and innovation. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17263426

Potter, Y., Potter, M., & Song, D. (n.d.). “As an AI, I believe AI models should be open source.” https://www.semanticscholar.org/paper/269150091

Quillivic, R., & Mesmoudi, S. (2024). Is open source software culture enough to make AI a common ? https://doi.org/10.48550/arxiv.2403.12774

Sanwal, M. (2023). Ethical and Regulatory Developments in AI Governance. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.15331050

Schrepel, T., & Potts, J. (2025). Measuring the openness of AI foundation models: competition and policy implications. In Information & Communications Technology Law (Vol. 34, Issue 3, pp. 279–304). Informa UK Limited. https://doi.org/10.1080/13600834.2025.2461953

Sharma, G. K. (2025). NEUROGAMING, AI, and LEGAL FRAMEWORKS NAVIGATING DATA PRIVACY, INTELLECTUAL PROPERTY, and ETHICAL CHALLENGES. In Gaming Law Review. SAGE Publications. https://doi.org/10.1177/25725300251400742

Shukla, S. (2024). Principles Governing Ethical Development and Deployment of AI. In International Journal of Engineering, Business and Management (Vol. 8, Issue 2, pp. 26–46). AI Publications. https://doi.org/10.22161/ijebm.8.2.5

Thelwall, M. (2025). Research quality evaluation by AI in the era of large language models: advantages, disadvantages, and systemic effects – An opinion paper. In Scientometrics (Vol. 130, Issue 10, pp. 5309–5321). Springer Science and Business Media LLC. https://doi.org/10.1007/s11192-025-05361-8

Vake, D., Šinik, B., Vičič, J., & Tošić, A. (2025a). Is Open Source the Future of AI? A Data-Driven Approach. https://doi.org/10.48550/arxiv.2501.16403

Vake, D., Šinik, B., Vičič, J., & Tošić, A. (2025b). Is Open Source the Future of AI? A Data-Driven Approach. In Applied Sciences (Vol. 15, Issue 5, p. 2790). MDPI AG. https://doi.org/10.3390/app15052790

Widder, D. G., Nafus, D., Dabbish, L., & Herbsleb, J. (2022). Limits and Possibilities for “Ethical AI” in Open Source: A Study of Deepfakes. In 2022 ACM Conference on Fairness Accountability and Transparency (pp. 2035–2046). ACM. https://doi.org/10.1145/3531146.3533779

Zacchiroli, S. (2025a). Free/Open Source Software in the Era of AI Hype. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17911743

Zacchiroli, S. (2025b). Free/Open Source Software in the Era of AI Hype. Zenodo (CERN European Organization for Nuclear Research). https://doi.org/10.5281/zenodo.17911744