01
Resumen
Casi toda regla de la IA favorece a quien ya puede cumplirla cuando se escribe. Lo sostuvo el economista George Stigler para la regulación en general, y el Centro de Estudios de Política Europea (CEPS) calculó para la propuesta del Reglamento europeo de IA un costo de cumplimiento que pesa más en las pymes [3] [4]. Esas reglas vienen de los tratados, las leyes, los reguladores de cada sector y las normas técnicas, y también de los compromisos de la industria y de los contratos privados. Anthropic excluye desde 2025 a las empresas controladas desde China, dondequiera que operen, y su política se aplica también cuando el modelo se vende a través de una nube [5] [6]. Microsoft cortó sus servicios a una unidad del Ministerio de Defensa de Israel porque violaba sus términos [7]. SK hynix ya comprometió en contratos de largo plazo más de la mitad de su producción de memoria de 2027 y 2028 [8].
Un modelo abierto que se ejecuta en equipos propios escapa a las reglas del laboratorio y de la nube, pero no a las del chip, porque para ejecutarlo hay que conseguir chips, y su venta está sujeta a controles de exportación y a contratos de suministro. Según Girish Sastry, Lennart Heim y otros autores, el chip es el insumo que mejor se presta al control, porque es un objeto físico que se puede contar y rastrear, y lo fabrican muy pocas empresas [9].
La cadena de la IA va de las máquinas que fabrican chips a la persona que usa un asistente, y en sus primeros eslabones deciden uno o unos pocos proveedores. ASML es el único fabricante de las máquinas de litografía más avanzadas, las que imprimen con luz los circuitos de los chips sobre el silicio. TSMC fabrica los chips de NVIDIA y de AMD y el chip propio de Microsoft, y NVIDIA compra su memoria a tres empresas [10] [11] [12] [13]. NVIDIA coordina además la inversión de esa cadena. Pide a sus proveedores la capacidad que va a necesitar, se comprometió a comprarles US$279.000 millones y respalda el crédito de sus compradores [14] [15] (ver «Quién regula la IA» y «La cadena alrededor de la IA»).
Jensen Huang, fundador y director de NVIDIA, renunció el 11 de noviembre, y la empresa lo anunció el 12. Tres días antes, el consejo de la empresa había abierto una investigación por informaciones de que Huang había sido blanco de un esfuerzo de inteligencia extranjero [16] [17]. Al día siguiente de la renuncia, tres comisiones de la Cámara de Representantes de Estados Unidos le pidieron una entrevista transcrita a puerta cerrada para el 1 de diciembre, so pena de citarlo. Pidieron otra entrevista a su abogado general, sobre el contrabando de chips y la «interferencia» de NVIDIA en la política de exportación [18]. Los dos aceptaron comparecer de forma voluntaria, el 1 y el 2 de diciembre [19].
Según el New York Times y el Washington Post, a la caída contribuyó Marco Rubio, secretario de Estado de Estados Unidos y asesor de seguridad nacional. En primavera había una disputa dentro del gobierno por la venta de chips a China. En medio de ella, Rubio supervisó un memorando sobre la relación de Jensen Huang con Alice Huang, ejecutiva de Megaspeed, una empresa de Singapur cliente de NVIDIA. Agencias de Estados Unidos señalan a Alice Huang por pasar información al gobierno chino [20] [21].
Detrás del escándalo personal está el acceso de China a los chips de NVIDIA. Cinco días después de la renuncia, el Departamento de Comercio de Estados Unidos dio a conocer la regla que exige licencia a los centros de datos de cualquier país que presten mucho cómputo a empresas chinas y de otros países bajo embargo de armas. Es la misma regla que elimina el control de exportación de los pesos [22]. No hay indicio de que la disputa entre modelos abiertos y cerrados haya provocado la caída, pero la caída sí afecta esa disputa (ver «La caída de Jensen Huang»).
NVIDIA es hoy el mayor contribuidor de modelos abiertos entre las grandes tecnológicas, medido por repositorios publicados, que son las carpetas en línea donde se publica cada modelo con sus archivos, según el informe de Hugging Face de marzo, y Meta aporta también una parte importante [23]. NVIDIA entrena modelos abiertos y acordó comprar Hugging Face, el sitio donde se publican. Huang, además, se declaró coautor de la carta de julio a favor de los pesos abiertos. La empresa financia también lo cerrado, y con montos mayores [24] [25].
Con la salida de Huang, la coalición de lo abierto pierde su voz más visible ante el gobierno y el Congreso de Estados Unidos justo cuando el único proyecto de ley dedicado expresamente a apoyar a los modelos abiertos, la Ley de Liderazgo en IA de Código Abierto (H.R. 10152), está pendiente. La Comisión de Energía y Comercio de la Cámara de Representantes lo aprobó en septiembre, pero no ha presentado su informe ni ha llegado al pleno, y caduca el 3 de enero, cuando cambia el Congreso [26]. Hay además otros proyectos presentados contra los modelos chinos y contra la destilación, que consiste en entrenar un modelo con las respuestas de otro (ver «Cómo trata la ley a cada modelo»). La renuncia pone a prueba también la coordinación de la cadena. Según el propio Huang, esa coordinación descansaba en la confianza que los proveedores le tenían a él, y SemiAnalysis, una firma independiente de investigación sobre los semiconductores, sostiene que sin él no le darán a NVIDIA la misma prioridad [27] (ver «NVIDIA ordena la cadena»).
La mayoría de los principales laboratorios chinos publican abiertos sus modelos insignia. Con ellos, China domina las descargas y los modelos derivados, que son los que otros construyen a partir de uno abierto [28] [29]. El gobierno de Estados Unidos patrocina los dos lados. Compra y evalúa modelos cerrados, y su plan de acción pide un entorno favorable a los abiertos y deja a cada desarrollador la decisión de publicar [30]. Los modelos abiertos van entre cuatro y ocho meses detrás de los cerrados, según quién mida y qué mida [31] [32] [33] [34]. En Arena, una tabla en la que los usuarios votan por la mejor de dos respuestas sin saber qué modelo dio cada una, el puntaje del mejor modelo cerrado superaba al del mejor abierto por 0,5 % en agosto de 2024 y por 3,3 % en marzo de 2026. La distancia sigue siendo chica, pero creció [35]. En ciberseguridad, en cambio, la distancia se acortó [33].
China también sustituye los chips de NVIDIA. Huawei vendió US$7.500 millones en chips de IA en 2025 y espera vender unos US$12.000 millones este año. Según IDC, Huawei tuvo 28 % de los chips de IA para centros de datos vendidos en China en el primer semestre de 2026, contra 34 % de NVIDIA, y hay laboratorios chinos que empiezan a entrenar sus modelos con esos chips [36] [37] [38]. A China ya no la frena el diseño de los chips sino su fabricación, porque los controles de exportación le niegan la memoria de alto ancho de banda, que es la que llevan los chips de IA porque le pasa al procesador muchos más datos por segundo que la memoria común, y las máquinas de litografía [39] [40].
Los modelos que mueven a los robots se publican sobre todo en Estados Unidos: NVIDIA abre los suyos, unos con licencias propias y otros con una de terceros, mientras Google y Figure guardan los suyos. Los cuerpos se fabrican sobre todo en China, cuyos fabricantes hicieron más de 97 % de los humanoides enviados en el primer semestre de 2026, según Smart Analytics Global [41]. En julio, Estados Unidos cerró su mercado a los modelos nuevos de robots móviles fabricados en el extranjero [42] (ver «Los robots»).
En la computación cuántica, el software es abierto y las máquinas son cerradas. La técnica avanza rápido. Estas máquinas calculan con cúbits, unidades que, a diferencia de un bit, pueden estar en una combinación de 0 y 1, y que fallan con facilidad. Estados Unidos y China ya corrigen esos errores de forma que agregar cúbits los reduce, y desde 2025 se publican cálculos que ninguna computadora normal puede hacer y que otros pueden comprobar [43] [44]. Una máquina cuántica grande podría romper la criptografía de clave pública, la que permite cifrar una conexión o firmar un archivo sin haber acordado antes una clave secreta. Esa criptografía protege las conexiones y las firmas que prueban que un modelo o sus datos son los originales, y el gobierno de Estados Unidos ya ordenó que sus agencias la reemplacen a más tardar a finales de 2031 [45]. Que la cuántica mejore a la IA está demostrado en teoría y en problemas hechos a su medida; con máquinas reales, los experimentos todavía no superan a los mejores métodos clásicos en tareas de IA [46] [47] (ver «La computación cuántica»).
Junto al negocio y a la rivalidad entre Estados Unidos y China hay una disputa de ideas sobre cómo desarrollar la IA. Una posición propone concentrarla en pocos laboratorios que la controlen. La otra propone difundirla para que cualquiera la use, la estudie y la modifique. Arvind Narayanan y Sayash Kapoor, de Princeton, atribuyen esa disputa a diferencias profundas de visión del mundo [48]. Los mismos argumentos se oyen en California, en Pekín y en París, y dividen a empresas de un mismo país (ver «Dos ideas sobre cómo desarrollar la IA»).
En el negocio, la disputa repite la del software. IBM, Meta, NVIDIA y Alibaba abren sus modelos porque cobran en otra capa: la consultoría, la publicidad, los chips o la nube, que alquila a otros el cómputo de sus centros de datos. Así explica Nathan Lambert la apuesta de NVIDIA, y así explica el centro de estudios indio Takshashila la de China [49] [50].
Creemos que en la propiedad intelectual la historia no se repite. Las patentes del software se neutralizaron con licencias que conceden al usuario el uso de las patentes y se lo retiran a quien demanda por ellas, así que a quien usa el software deja de convenirle demandar. Los derechos sobre los datos de entrenamiento no se neutralizan así, porque sus dueños, como los autores y los editores, no dependen de la licencia del modelo y no pierden nada al demandar. Donde los tribunales exigen pagar esos derechos, creemos que el costo favorece a los laboratorios grandes, abiertos o cerrados, y a quien entrena donde la ley es más permisiva (ver «Quién gana con abrir y quién con cerrar»).
El dinero de la IA se queda hoy en los eslabones escasos de la cadena. Por cada dólar que venden, los fabricantes de memoria ganan entre 72 y 80 centavos de utilidad de operación, NVIDIA gana 66, TSMC 59 y las nubes de Amazon y Google, entre 36 y 39 [8] [51] [52] [14] [53] [54] [55].
Los laboratorios, en cambio, pierden. Anthropic es el único laboratorio de frontera que publica sus cuentas, y se llama de frontera a los laboratorios que hacen los modelos más capaces. Anthropic todavía pierde en su operación, y se comprometió a comprar unos US$900.000 millones de cómputo, en buena parte a Google, Amazon y Microsoft, que también son sus accionistas [56]. OpenAI, según documentos citados por la prensa, pierde en su operación más de lo que ingresa. Lo mismo les pasa a los laboratorios abiertos que publican sus cuentas, como Zhipu y MiniMax [57] [58].
Lo abierto se sostiene como un gasto que sirve para vender otra cosa, con capital, que a menudo es estatal, o como un bien público. Nathan Lambert describe a NVIDIA financiando modelos abiertos para sostener su negocio de chips, y Takshashila describe al Estado chino absorbiendo el costo de los suyos [49] [50]. En el software libre, según Dries Buytaert, el producto es el alojamiento, es decir, operar el programa en servidores propios y cobrar por usarlo, y no el código. Con los modelos abiertos pasa algo parecido: el negocio lo hace sobre todo quien sirve el modelo, es decir, quien lo ejecuta en sus servidores y cobra por cada uso, no quien lo publica [59] (ver «Dónde se queda el dinero»).
La IA abarata escribir código y presiona al software que se vende por licencia o por usuario. Microsoft creció 35 % en dos años con menos ingenieros y cobra cada vez más por el consumo de su nube [60] [61]. Algunas empresas de aplicaciones de negocio, como Intuit, Oracle, ServiceNow y Adobe, perdieron en 2026 entre un tercio y casi la mitad de su valor en bolsa, aunque el fondo cotizado del sector, que reúne en una sola acción a muchas empresas de software, casi recuperó lo perdido [62]. El software libre, por su parte, gana usuarios mientras pierde a quienes lo pagaban [63] (ver «La industria del software ante la IA»).
Las grandes empresas, más que elegir entre modelos abiertos y cerrados, prohíben a sus proveedores entrenar con sus datos, guardarlos o usarlos sin autorización escrita [64] [65]. Unas prohibieron las herramientas externas. Los bancos construyeron portales propios sobre modelos cerrados, y algunas empresas con capacidad de investigación entrenaron sus propios modelos desde cero. Creemos que cada postura favorece a un proveedor distinto. El portal favorece a los laboratorios cerrados que funcionan dentro de él. La prohibición favorece el uso a escondidas de las versiones gratuitas. La retención cero, que es el compromiso de no guardar nada de lo que el cliente envía, y la soberanía, que es no depender de un proveedor extranjero, favorecen a quienes venden modelos abiertos instalables. En casi todos los casos gana quien vende el cómputo, sea la nube o NVIDIA (ver «Lo que las grandes empresas permiten hacer con sus datos»).
La ley trata distinto a cada modelo en cuatro frentes. En exportación, la propuesta china restringe los pesos cerrados más grandes y exime a los publicados. Estados Unidos, en cambio, eliminó su control equivalente con la regla del 16 de noviembre. Cuando se publique, el día 19, esa regla controlará el cómputo que llega a empresas de China y de otros países bajo embargo de armas.
En evaluación y transparencia, la Unión Europea exime a los modelos con licencia abierta de sus obligaciones de documentación, salvo a los más potentes, que considera de riesgo sistémico. En responsabilidad, la nueva directiva europea de responsabilidad por productos deja fuera al desarrollador que publica fuera de una actividad comercial, pero hace responder como fabricante a quien modifica el modelo de forma sustancial y lo pone en el mercado. En acceso al mercado, Estados Unidos saca de los sistemas federales a los modelos de DeepSeek, incluidos los productos de terceros construidos con ellos.
Otros tres frentes pesan sobre los dos tipos de modelo, aunque no por igual. Las reglas sobre contenido sintético obligan a marcarlo a quien presta el servicio y dejan casi fuera al modelo abierto que corre en el equipo del usuario, aunque California y el Reino Unido ya alcanzan a quien aloja o suministra los pesos. Las autoridades de competencia, por su parte, ven en lo abierto un factor a favor de la competencia, pero no lo han usado para decidir ningún caso. Mientras tanto, dos laboratorios cerrados concentran la mayor parte del gasto empresarial, según una encuesta de Menlo Ventures, inversionista de Anthropic, y NVIDIA acordó comprar el principal sitio de distribución de los modelos abiertos [66].
El tercero de esos frentes es la disputa sobre quién regula en Estados Unidos, el gobierno federal o los estados, que no coincide con la de lo abierto y lo cerrado. El nuevo Congreso, que se instala en enero con mayoría demócrata, hace más difícil que una ley federal deje sin efecto las leyes estatales, porque, según el despacho de abogados Covington & Burling, esa mayoría, y quizá algunos republicanos, probablemente no lo aceptará sin normas federales exigibles que las reemplacen [67]. Cada frente se desarrolla en su sección.
Las licencias abiertas de Kimi, Qwen, Muse Spark Open y Mistral Large 4 no son del todo libres en 2026, porque exigen un contrato aparte a las empresas grandes que venden a terceros el acceso al modelo como servicio, y dejan libre a quien lo usa para sí mismo. Según las directrices de la Comisión Europea, una licencia así difícilmente califica para la exención europea de lo abierto, porque esas directrices no cuentan como abierta la licencia que cobra el uso comercial o el uso por encima de cierta escala (ver «Evaluación previa y transparencia»).
La evidencia sobre el riesgo de publicar pesos apunta en los dos sentidos. CAISI, el centro de evaluación de IA del Departamento de Comercio de Estados Unidos, probó dos modelos abiertos, el de DeepSeek y el de OpenAI. Cuando se les redactaba una petición dañina de forma que eludiera sus salvaguardas, que son lo que se le enseña al modelo para negarse a ayudar a causar daño, los dos accedieron mucho más que los cerrados. Las salvaguardas de los modelos abiertos chinos, además, ceden ante ataques sencillos. Sin embargo, un ensayo de laboratorio con novatos no encontró que los modelos de 2025 los ayudaran de forma significativa (ver «Qué es abierto y qué es cerrado»).
En ciberseguridad ya hay casos concretos. Desde septiembre, un modelo abierto, GLM-5.3, convierte fallas conocidas de un programa en ataques que funcionan casi tan seguido como el mejor modelo cerrado de Anthropic: en una prueba de Anthropic lo logró en 50 de 410 intentos, contra 56 del modelo cerrado. Como sus pesos son públicos, cualquiera puede reentrenarlo para que deje de negarse a esas peticiones, y al equipo de Anthropic hacerlo le costó unos US$4.400 de cómputo. En noviembre, el FBI documentó que los atacantes prefieren modelos chinos baratos para automatizar intrusiones [68] [69] (ver «Ciberseguridad»).
02
Quién regula la IA
La IA se regula en siete niveles, y sólo en cuatro decide un gobierno. Los otros tres son las normas técnicas, la autorregulación de las empresas y la regla privada de cada contrato.
Toda regla tiene ganadores
Una licencia como la que propuso en 2023 Sam Altman, director general de OpenAI, ante el Senado de Estados Unidos deja pasar a quien ya está arriba del umbral y encarece el ascenso de quien viene detrás. Altman propuso una agencia que diera licencias a todo esfuerzo por encima de cierta escala de capacidades y que pudiera retirarlas. El umbral más fácil de medir, dijo, es el cómputo, la cantidad de cálculo que se usó para entrenar el modelo. Pidió también no frenar a las empresas pequeñas, a los modelos de código abierto ni a los investigadores [70]. Al día siguiente, el economista Joshua Gans, de la Universidad de Toronto, llamó a esa licencia una restricción clásica a la entrada, porque quien venga detrás tendrá que tramitarla o dejarse comprar por quien ya la tiene [71]. El estudio de asuntos públicos recoge la misma acusación, que hizo contra Anthropic David Sacks, encargado de IA del gobierno de Trump hasta marzo de 2026. Según Sacks, Anthropic usa el miedo para conseguir reglas que los grandes pueden pagar y los nuevos no [72].
George Stigler sostuvo en 1971 que, como regla, la regulación la «adquiere la industria» y se diseña y opera «principalmente en su beneficio» [3]. Stigler la planteó como la tesis central de su artículo, no como un hallazgo demostrado en cada caso. No tomamos su tesis como prueba. Con ella preguntamos a cada nivel quién escribe la regla, quién ya la cumple cuando entra en vigor y a quién deja fuera de su alcance. Los ganadores y perdedores que señalamos salen de esas respuestas y de la evidencia de cada nivel, y van marcados como lo que creemos.
Los siete niveles
| Nivel | Quién escribe la regla | Gana, según creemos | Pierde, según creemos |
|---|---|---|---|
| Internacional | Gobiernos | Los gobiernos que firman, que conservan libres la defensa y la seguridad nacional | Quien esperaba un límite común a los usos militares y de vigilancia |
| Regional | La Unión Europea | Los laboratorios que firmaron el código de buenas prácticas y los modelos abiertos chicos | Quien no firma el código y el modelo abierto de riesgo sistémico |
| Nacional y subnacional | Congresos, gobiernos y legislaturas estatales | Si una ley federal desplaza a las estatales, quien publica pesos; si no, los estados que legislan primero | Si hay desplazamiento, quien demanda con una ley estatal; si no, los desarrolladores de frontera, que cumplen varias leyes a la vez |
| Sectorial | Supervisores y colegios profesionales | Las nubes que ya cumplen esas reglas y los proveedores que instalan el modelo dentro del cliente | Las herramientas de IA abiertas al público y el laboratorio que retiene los datos para revisión |
| Normas técnicas | La ISO y los organismos de normalización, con auditores privados | Quien se certifica primero y lo usa para vender | Quien no pueda pagar la certificación cuando se la pidan |
| Autorregulación | Las empresas | Quienes escriben la norma y deciden quién entra | Quien no tiene la escala para entrar y llega a una norma ya escrita |
| Privada | Cada empresa, en sus contratos | Quien controla un insumo escaso: el modelo, la nube, la memoria o el chip | Quien depende de un solo proveedor de ese insumo |
Internacional. Este nivel favorece a los gobiernos que firman, porque se comprometen con principios de derechos humanos y conservan libres la defensa y la seguridad nacional, que es donde más chocan con las empresas de IA. Durante la negociación, organizaciones civiles como Access Now, AlgorithmWatch y EDRi denunciaron que algunos Estados buscaban una exención general para la seguridad nacional y la defensa, y la opción de dejar fuera a las empresas [73]. A las empresas, este nivel no les crea obligaciones directas, así que tampoco las perjudica.
Pierde quien esperaba un límite común a los usos militares y de vigilancia, porque hoy ese límite sólo existe en reglas privadas. Una de ellas es la que Microsoft aplicó a una unidad del Ministerio de Defensa de Israel. Otra es la política de uso de Anthropic, cuyas prohibiciones llevaron al Departamento de Guerra de Estados Unidos, nombre que el gobierno da desde septiembre de 2025 al Departamento de Defensa de Estados Unidos, a designar a la empresa riesgo para la cadena de suministro. Esa figura, que prevén la ley de compras de defensa y la de compras federales, permite excluir a un proveedor de ciertos contratos [74], y la designación sigue en litigio (ver «La regla privada pesa como una ley»).
El convenio marco del Consejo de Europa es el único tratado vinculante sobre IA. El Consejo de Europa es una organización de 46 Estados dedicada a los derechos humanos, la democracia y el Estado de derecho, y es distinta de la Unión Europea [75]. El convenio obliga a cada Estado parte a tomar medidas para que la IA que usan sus autoridades, o los privados que actúan por ellas, respete esos tres valores. Le exige también evaluar y mitigar los riesgos de los sistemas, documentar su uso y dar a las personas afectadas una vía para reclamar. Su cumplimiento se sigue con informes periódicos de cada Estado a una conferencia de las partes [76].
El convenio se abrió a firma el 5 de septiembre de 2024. Pueden firmarlo los Estados miembros del Consejo, la Unión Europea y los Estados no miembros que participaron en su elaboración [77]. Tiene 21 firmantes, entre ellos Estados Unidos, el Reino Unido, Canadá, Japón y Uruguay. México participó en la elaboración como Estado observador y no lo firmó. El convenio no ha entrado en vigor porque necesita cinco ratificaciones, tres de ellas de Estados miembros del Consejo, y sólo tiene dos, la de la Unión Europea y la de Bosnia y Herzegovina [78] [79]. No se aplica a la defensa nacional y no obliga a aplicarlo a la seguridad nacional. Deja además a cada Estado decidir si obliga directamente a las empresas o si toma «otras medidas» para cumplirlo [80]. La recomendación de la OCDE sobre IA, de 2019, enuncia cinco principios para una IA confiable, entre ellos la transparencia, la seguridad y la rendición de cuentas, y cinco recomendaciones de política para los gobiernos. Tiene 51 adherentes y no obliga [81].
Regional. Este nivel favorece a quien ya tiene el equipo jurídico y de seguridad necesario para firmar el código de buenas prácticas, el documento voluntario que concreta las obligaciones del Reglamento europeo de IA para los modelos de uso general, y documentar sus modelos. Son los laboratorios grandes, como advierten Miranda Cole y Dania Assas, del despacho de abogados estadounidense Perkins Coie, para quienes las empresas chicas pueden no tener esos recursos [82].
Favorece también a los modelos abiertos chicos, a los que alivia la exención de lo abierto. Esa exención les quita la obligación de documentar el modelo ante la Oficina de IA y ante quien lo integre, y la de nombrar un representante en la Unión cuando el proveedor está fuera de ella. Les deja la política de derechos de autor y el resumen de los datos de entrenamiento [83]. Pierde quien no firma el código, porque carga con la prueba. El Reglamento lo obliga a demostrar que cumple por medios alternativos adecuados, que la Comisión Europea evalúa, mientras que el firmante puede apoyarse en el código para demostrarlo [83]. Pierde también el modelo abierto grande. Por encima del umbral de riesgo sistémico, la exención deja de aplicarse. Ese umbral se presume desde 10^25 operaciones de entrenamiento, un 1 seguido de 25 ceros. Cada operación es una suma o una multiplicación, y el total mide cuánto cálculo costó entrenar el modelo, así que el umbral sólo alcanza a los modelos más grandes. Ese modelo cumple entonces todo lo que cumple uno cerrado: la documentación, la evaluación del modelo, la mitigación de sus riesgos, la comunicación de los incidentes graves y la protección contra ciberataques [83].
El Reglamento de IA de la Unión Europea, en vigor desde agosto de 2024, clasifica los sistemas de IA por su riesgo. Prohíbe unas pocas prácticas, como la puntuación ciudadana de las personas. Impone sus obligaciones más pesadas a los sistemas de alto riesgo, que son los que se usan en ámbitos como el empleo, la educación, el acceso a servicios esenciales, la policía o la justicia. Regula aparte los modelos de uso general, que son los que realizan con competencia una gran variedad de tareas y pueden integrarse en muchos sistemas distintos. Las obligaciones de estos modelos rigen desde agosto de 2025 [84].
El Reglamento impone tres obligaciones a todo proveedor de un modelo de uso general: documentarlo ante la Oficina de IA de la Comisión Europea y ante quien lo integre, tener una política de derechos de autor y publicar un resumen de sus datos de entrenamiento. La Oficina de IA es el órgano de la Comisión que supervisa esos modelos, y puede pedir información al proveedor, evaluar el modelo y multar [85]. A los modelos con licencia abierta los exime de las dos obligaciones de documentación, salvo que sean de riesgo sistémico (ver «Cómo trata la ley a cada modelo») [86]. El riesgo sistémico se presume cuando el entrenamiento del modelo consume más de 10^25 operaciones de cálculo. El proveedor de un modelo así debe además evaluarlo, mitigar sus riesgos, comunicar los incidentes graves y protegerlo contra ciberataques [84].
El código de buenas prácticas, publicado en julio de 2025, es un documento voluntario que concreta esas obligaciones. Tiene tres capítulos: transparencia, derechos de autor y seguridad, y este último se dirige sólo a los modelos de riesgo sistémico. Lo firmaron 22 empresas, entre ellas Amazon, Anthropic, Google, IBM, Microsoft, Mistral, OpenAI, Cohere y Aleph Alpha. xAI firmó sólo el capítulo de seguridad, y en la lista no están Meta, DeepSeek, Alibaba ni Zhipu [87].
Firmar el código no hace que se presuma que el proveedor cumple, pero la Oficina de IA puede tener en cuenta la adhesión al vigilar el cumplimiento y como atenuante al fijar una multa. Quien no firma tiene que justificar que sus medios alternativos bastan, por lo común con un análisis que compara esos medios con el código y señala las brechas [88]. La multa a un proveedor de modelos de uso general llega a 3 % de su facturación mundial o a 15 millones de euros, lo que sea mayor, y ese artículo no tiene rebaja para las pymes. En las demás multas del Reglamento, a una pyme se le aplica la menor de las dos cifras [86]. El código promete a las pymes formas simplificadas de cumplir [88].
Nacional y subnacional. Cada país regula con sus leyes, y en Estados Unidos legisla además cada estado. La disputa de fondo es entre el gobierno federal y los estados (ver «Cómo trata la ley a cada modelo»). Google, el fondo de capital de riesgo Andreessen Horowitz y OpenAI piden desplazar las leyes estatales sobre el desarrollo de modelos, es decir, que una ley federal las deje sin efecto. Anthropic lo acepta sólo con una ley federal al menos tan fuerte como la que propone [89] [90] [91] [92]. Su propuesta obligaría a los desarrolladores de frontera a probar sus modelos, publicar los resultados, someterlos a una evaluación independiente y mantener un programa de seguridad, y daría al gobierno la facultad de bloquear el despliegue de un modelo peligroso [92].
Creemos que desplazar las leyes estatales favorecería a quien publica pesos sólo si la ley federal incluye la regla que pide la Casa Blanca. Esa regla libraría al desarrollador de lo que un tercero haga ilegalmente con su modelo [93]. Eso es justo lo que el desarrollador abierto no puede controlar, porque, como sostuvo Fei-Fei Li contra la SB 1047 de California, nadie puede prever todos los usos de un modelo publicado [94]. Ese proyecto de ley habría obligado a los desarrolladores de los modelos más grandes a adoptar salvaguardas contra daños catastróficos, y el gobernador Gavin Newsom lo vetó en septiembre de 2024 [95]. El proyecto alcanzaba a los modelos entrenados con más de 10^26 operaciones, diez veces el umbral europeo, y con un costo de cómputo superior a US$100 millones, es decir, sólo a los modelos más grandes y caros. Las salvaguardas debían cubrir también los modelos derivados del original. La multa llegaba a 10 % del costo del cómputo de entrenamiento por la primera infracción que causara un daño o un riesgo inminente para la seguridad pública, y a 30 % por las siguientes [96].
El borrador de la Great American AI Act, que publicaron en junio de 2026 los representantes Jay Obernolte, republicano, y Lori Trahan, demócrata, es un texto de discusión que no se ha presentado como proyecto de ley. Prohibiría por tres años las leyes estatales que regulen el desarrollo de un modelo. Deja vivas las leyes estatales sobre la distribución y el uso, así que no basta para favorecer a quien publica pesos. Como el borrador define desplegar como poner un modelo a disposición para usarlo o copiarlo, publicar los pesos seguiría alcanzado por esas leyes, igual que la AB 853 de California ya alcanza a quien los aloja [97] [98]. Desde el 1 de enero de 2027, esa ley de 2025 prohíbe a la plataforma que aloja sistemas generativos ofrecer a sabiendas uno que no marque su contenido [98].
Sin desplazamiento, creemos que ganan los estados que legislan primero, como California y Nueva York, porque sus leyes se vuelven la regla de hecho para quien vende en todo el país, ya que un desarrollador no hace una versión de su modelo para cada estado. Los desarrolladores de frontera cargan con varias leyes a la vez, porque son los únicos que superan el umbral de cómputo de la SB 53 de California y de la ley RAISE de Nueva York, que alcanzan a los modelos entrenados con más de 10^26 operaciones [99] [100] [101].
La SB 53, firmada en septiembre de 2025, obliga a esos desarrolladores a publicar un informe de transparencia y a reportar los incidentes críticos. A los que facturan más de US$500 millones los obliga además a publicar un marco de seguridad, y sólo a ellos se les puede multar, con hasta US$1 millón por infracción [99]. La ley RAISE, firmada en diciembre de 2025 y reformada en marzo de 2026, rige desde el 1 de enero de 2027 y sigue el mismo esquema. Exige reportar los incidentes críticos en 72 horas, y sus multas llegan a US$1 millón por la primera infracción y a US$3 millones por las siguientes [100] [101]. Anthropic, que ya publicaba un marco de seguridad y por tanto ya cumplía esa obligación, apoyó la SB 53 de California [102].
Sectorial. Las reglas de cada sector dicen dónde puede quedar el dato y quién responde por él, sin nombrar un modelo. El reglamento europeo de resiliencia operativa digital del sector financiero (DORA), aplicable desde enero de 2025, obliga a los bancos, las aseguradoras y las demás entidades financieras a gestionar el riesgo de sus sistemas informáticos, a notificar los incidentes graves y a controlar a sus proveedores de tecnología. Somete además a supervisión europea directa a los proveedores que se designan como esenciales [103]. Entre las cláusulas que impone, obliga a fijar en el contrato los países donde se procesan los datos de las entidades financieras europeas [104].
La ley de salud HIPAA de Estados Unidos convierte en «asociado de negocio» a quien procese información de salud de los pacientes por cuenta de un hospital, un médico o una aseguradora. Esa figura queda sujeta a las reglas federales de privacidad y seguridad de esa información [105]. El asociado sólo puede usar esa información como lo permite su contrato, y el Departamento de Salud y Servicios Humanos de Estados Unidos puede multarlo [106]. El Departamento de Defensa de Estados Unidos, por su parte, exige que la nube donde un contratista guarde, procese o transmita información de defensa tenga el nivel de seguridad de los sistemas federales [107]. Ese nivel es el moderado de FedRAMP, el programa con que el gobierno federal evalúa la seguridad de los servicios de nube que contrata [108].
La Solicitors Regulation Authority, que regula a los abogados de Inglaterra y Gales, advierte que introducir datos de un cliente en una herramienta de IA abierta al público, como ChatGPT, probablemente rompe la confidencialidad y puede hacer perder para siempre el secreto profesional, que es la protección que impide obligar al cliente a revelar lo que trató con su abogado [109]. La guía de riesgo de modelos de los supervisores bancarios de Estados Unidos, revisada en abril de 2026, orienta a los bancos con más de US$30.000 millones en activos sobre cómo controlar los modelos cuantitativos con que estiman y deciden. No fija requisitos exigibles y deja fuera la IA generativa [110].
Creemos que gana quien ya tiene firmados esos contratos y certificaciones cuando el cliente decide. Son las tres grandes nubes, que ya alojan los datos de esos sectores, y los proveedores que instalan el modelo dentro del cliente, como Mistral, Cohere, IBM y SAP [111] [112] [113] [114]. Pierden las herramientas públicas, que se usan sin esos contratos, y el laboratorio que exige retener las conversaciones para revisión, porque esa retención choca con la cláusula que prohíbe al proveedor guardar los datos del cliente [115] (ver «Las reglas de cada sector»).
Normas técnicas. Creemos que gana quien se certifica primero y lo usa para vender. Pierde quien no pueda pagar la certificación cuando un comprador o un supervisor empiece a pedirla. El CEPS estimó cuánto cuesta montar desde cero el sistema de gestión de calidad que el Reglamento europeo pide a los proveedores de alto riesgo: entre 193.000 y 330.000 euros, más 71.400 al año [4]. Ese costo pesa sobre todo en las pymes [4].
La norma ISO/IEC 42001, de diciembre de 2023, fija los requisitos de un sistema de gestión de la IA [116]. Ese sistema es el conjunto de políticas, objetivos y procesos con que una organización desarrolla, ofrece o usa la IA de forma responsable. La publican la ISO, una organización no gubernamental que elabora normas internacionales voluntarias, y la Comisión Electrotécnica Internacional (IEC) [117]. Desde julio de 2025, la ISO/IEC 42006 regula a los organismos que la certifican. Les fija requisitos adicionales a los de la norma general de certificación de sistemas de gestión, la ISO/IEC 17021-1, para que sus auditores tengan conocimiento especializado en IA y las auditorías se hagan con el mismo criterio [118]. La norma se vende en 225 francos suizos. Certificarse exige además implantar el sistema de gestión y pasar la auditoría de un organismo acreditado. Amazon Web Services (AWS), la nube de Amazon, se certificó en noviembre de 2024 y se anunció como la primera gran nube certificada. Anthropic se certificó en enero de 2025, y Microsoft y Google tienen certificados sus principales servicios de IA [119] [120] [117] [121]. Los primeros certificados, sin embargo, no fueron de las grandes empresas. Antes los recibieron Synthesia, una empresa emergente de video, en septiembre de 2024, y KPMG Australia, en octubre [122] [123].
En la Unión Europea, el sistema de alto riesgo o el modelo que cumple una norma armonizada, que es una norma técnica europea cuya referencia se publica en el Diario Oficial de la Unión, se presume conforme con el Reglamento. La autoridad da por hecho que cumple mientras no se demuestre lo contrario, así que cumplir la norma técnica equivale en la práctica a cumplir la ley. Esas normas las redactan los organismos europeos de normalización a pedido de la Comisión, no el legislador [86].
Autorregulación. Gana quien escribe la norma voluntaria, porque fija como estándar lo que ya hace, decide quién entra al foro y, cuando llega la ley, ve convertido en obligación un documento que ya tenía. Kris Shrishak, del Consejo Irlandés para las Libertades Civiles, lo describe para las normas técnicas europeas. Las empresas llevan sus políticas internas a la redacción, y cuanto más se parece la norma a esa política, más fácil les resulta cumplirla [124]. Pierde quien no tiene la escala para entrar al foro y llega después a una norma ya escrita.
Siete empresas en julio de 2023 y ocho más en septiembre firmaron compromisos voluntarios con la Casa Blanca, cuyo cumplimiento desigual mide el estudio de asuntos públicos [125] [126] [127]. Se comprometieron, entre otras cosas, a probar la seguridad de sus sistemas antes de lanzarlos, en parte con expertos independientes, a proteger los pesos no publicados, a desarrollar mecanismos para marcar el contenido generado por IA y a informar de las capacidades y los límites de sus sistemas [125].
Cinco días después de los primeros compromisos, Anthropic, Google, Microsoft y OpenAI fundaron el Frontier Model Forum, que hoy suma a Amazon y Meta. El foro es una asociación sin fines de lucro de la industria. Se propone impulsar la investigación en seguridad de los modelos de frontera, identificar buenas prácticas y compartir información con los gobiernos [128]. El foro sólo admite a quien demuestre capacidad de desarrollar y desplegar modelos de frontera a escala y lo financie al menos tres años [128] [129].
La C2PA, la norma de procedencia del contenido, toma su nombre de la Coalición para la Procedencia y la Autenticidad del Contenido, que la elabora. La norma adjunta a una foto, un video o un audio información sobre su origen, por ejemplo si salió de una cámara, si se editó o si lo produjo una IA [130]. La coalición tiene a Adobe, Amazon, Google, Meta, Microsoft y OpenAI en su comité directivo [131], y Google la usa en su función «Acerca de esta imagen» y en sus sistemas de anuncios [130]. Anthropic publicó su política de escalamiento responsable en septiembre de 2023, y Google DeepMind publicó su marco de seguridad de frontera en mayo de 2024 [132] [133]. Las dos son políticas internas con un esquema parecido. La empresa define niveles de capacidad peligrosa, evalúa sus modelos para saber cuándo se acercan a ellos y se compromete a aplicar entonces medidas de seguridad más estrictas. Anthropic admite que la suya puede obligarla a pausar el entrenamiento de modelos más potentes [132] [133]. La SB 53 de California obligó después a publicar un marco de seguridad a los desarrolladores de frontera que facturan más de US$500 millones (ver «Evaluación previa y transparencia») [99].
Privada. Cada empresa escribe sus propias reglas: la licencia de cada modelo, las políticas de uso de los laboratorios, los términos de las nubes, las cláusulas de los clientes y los contratos de largo plazo por capacidad de fabricación y de memoria. Esas reglas favorecen a quien controla un insumo escaso y perjudican a quien depende de un solo proveedor de ese insumo. Así lo advirtió la Comisión Federal de Comercio de Estados Unidos (FTC) en enero de 2025 sobre los contratos entre las grandes nubes y los laboratorios, al publicar un informe sobre las alianzas de Microsoft con OpenAI y de Amazon y Google con Anthropic. Según la declaración de Lina Khan, entonces presidenta de la FTC, que acompañó el informe, esos contratos pueden atar a los laboratorios a un proveedor y dejar sin insumos clave a las empresas emergentes [134] (ver «La regla privada pesa como una ley»).
La regla privada pesa como una ley
La regla privada pesa en la cadena productiva tanto como la ley de un país allí donde la ley no llega o todavía no ha actuado. Gabriela Ramos, exsubdirectora general de la UNESCO, escribió en abril que los límites éticos de la IA quedaron a cargo de empresas privadas porque los sistemas públicos fallaron [135]. Cuando un gobierno actúa, la regla pública se impone a la privada. Así ocurrió en junio, cuando el Departamento de Comercio de Estados Unidos ordenó a Anthropic cortar el acceso de los extranjeros a dos de sus modelos, y con la Administración del Ciberespacio de China, el organismo que registra y evalúa los servicios de IA que se ofrecen al público en ese país, que en septiembre de 2025 ordenó a ByteDance y a Alibaba cancelar sus pedidos de un chip que NVIDIA había diseñado para China [136] (ver «Por qué China dejó de comprar a NVIDIA»).
La regla privada alcanza a empresas extranjeras dondequiera que operen. Desde septiembre de 2025, Anthropic no vende a las empresas controladas desde regiones donde no ofrece sus productos, «como China», y cuenta entre ellas a las que son en más de 50 % propiedad, directa o indirecta, de empresas con sede ahí [5]. Su política vigente desde el 12 de noviembre aplica el criterio a todas las regiones excluidas, entre ellas Rusia, Irán, Cuba y Venezuela, y también a los modelos que se venden por plataformas de nube y revendedores [6]. Ninguna ley se lo exigía. OpenAI y Google restringen por la ubicación del usuario, y no encontramos en sus términos un criterio de propiedad [137] [138].
La regla privada alcanza también a gobiernos. En septiembre de 2025, Microsoft dejó sin una parte de sus servicios de nube y de IA a una unidad del Ministerio de Defensa de Israel, porque sus términos prohíben usar su tecnología para la vigilancia masiva de civiles. La empresa lo explicó así: «Microsoft no es un gobierno ni un país. Somos una empresa» [7]. Su código de conducta prohíbe el reconocimiento facial por o para la policía estatal o local de Estados Unidos [139]. El Departamento de Guerra designó a Anthropic riesgo para la cadena de suministro porque la empresa no quitó de su política de uso dos prohibiciones, la de las armas plenamente autónomas y la de la vigilancia masiva interna. La designación sigue en litigio, con fallos opuestos del Tribunal de Apelaciones del Circuito del Distrito de Columbia y de un juzgado federal de California (ver el estudio de asuntos públicos) [140]. OpenAI, por su parte, exige revisar y aprobar todo uso de sus modelos con fines de seguridad nacional, policiales o de inteligencia [141].
La regla privada se ejecuta sin juicio. Un laboratorio corta el acceso cuando decide que un cliente incumple, como hizo OpenAI con Cursor después de que SpaceX compró esa empresa y Anthropic con xAI, dos casos del estudio de asuntos públicos [142]. La política de OpenAI prohíbe además usar sus modelos o sus respuestas para preparar datos de entrenamiento de modelos que sustituyan a los suyos [141]. Es una barrera contra la destilación, la técnica de entrenar un modelo con las respuestas de otro. La escribió la propia empresa, antes que cualquiera de los proyectos de ley contra ella. Como explicó Louis Tompros, de la Facultad de Derecho de Harvard, el derecho de autor no protege lo que genera un modelo, así que contra la destilación queda sobre todo el contrato [143]. Henderson y Lemley, sin embargo, dudan de que un juez lo haga valer [2] (ver «Cómo trata la ley a cada modelo»).
La regla privada reparte también lo escaso. SK hynix, uno de los tres proveedores de memoria de NVIDIA, prevé que la demanda supere a la oferta hasta 2030 y ya tiene contratos de largo plazo por más de la mitad de su producción de 2027 y 2028 [8]. NVIDIA tenía al 26 de julio compromisos de suministro y capacidad por US$279.000 millones, más del doble que tres meses antes, y en octubre esos compromisos llegaron a US$390.000 millones [14] [144]. El compromiso de cómputo de Anthropic se describe en «Dónde se queda el dinero». Según la firma de análisis de mercado TrendForce, las nubes de Estados Unidos que firmaron contratos de varios años fijaron su precio de la memoria, y desde el tercer trimestre de 2026 las alzas recaen en quien no tiene contrato [145]. Creemos que quien firma primero esos contratos decide quién tendrá chips y memoria en 2028, con un efecto parecido al de un control de exportación y sin que lo haya decidido ningún gobierno.
03
La cadena alrededor de la IA
La IA se produce en una cadena que va de las máquinas que fabrican los chips a la persona que usa un asistente. En los primeros eslabones deciden uno o unos pocos proveedores, y en los últimos compiten miles de empresas.
| Eslabón | Quién domina | Regla pública | Regla privada |
|---|---|---|---|
| Equipo para fabricar chips | ASML es el único fabricante de máquinas de litografía EUV, las que imprimen los circuitos más avanzados con luz ultravioleta extrema, de onda muy corta, que permite trazos más finos. Canon y Nikon sólo compiten en la generación anterior, y la óptica de ASML tiene un solo proveedor, Carl Zeiss SMT [10] | Licencia de exportación neerlandesa y estadounidense para las EUV y parte de las de la generación anterior [10]. China desarrolla su propia máquina (ver el estudio de asuntos públicos) [146] | La exclusividad de Zeiss |
| Fabricación y empaquetado | El empaquetado es el paso final, que monta y conecta el chip con su memoria en una sola pieza. TSMC fabrica los chips de NVIDIA, que también usa a Samsung, todos los de AMD de 7 nanómetros o menos, es decir, de las generaciones de fabricación más avanzadas, en las que los circuitos son más pequeños y el Maia 200 de Microsoft [11] [12] [13]. Los chips de alto rendimiento pasaron de 43 % de sus ingresos en 2023 a 58 % en 2025 y a 68 % en el tercer trimestre de 2026, y sus diez mayores clientes son 78 % de sus ingresos [147] [53] | Controles de exportación (ver «Cómo trata la ley a cada modelo») | Capacidad comprometida: los compromisos de suministro y capacidad de NVIDIA pasaron de US$119.000 millones en abril a US$279.000 millones en julio y a US$390.000 millones en octubre [14] [144] |
| Memoria de alto ancho de banda (HBM) | SK hynix, Samsung y Micron, los tres proveedores de NVIDIA [11]. Las tres reportan más demanda que capacidad [8] [51] [52] | Controles de exportación. La memoria entra a China de contrabando (ver el estudio de asuntos públicos) [146] | Contratos de largo plazo por más de la mitad de la producción de SK hynix de 2027 y 2028 [8] |
| Diseño de chips | NVIDIA ingresó US$215.900 millones en su ejercicio 2026, casi 90 % en centros de datos, y dos clientes directos le dieron 22 % y 14 % [11]. Las nubes diseñan los suyos, las TPU de Google, Trainium de Amazon y Maia de Microsoft, y NVIDIA cuenta a esas nubes como competencia [11] [148] [149] [13] | Controles de exportación. Con la regla del 16 de noviembre, en vigor desde el 19, licencia para venderlos a cinco países con riesgo de desvío y para prestar su cómputo a empresas de China y de otros países bajo embargo de armas [22] | Anthropic usará hasta un millón de TPU de Google y despliega Claude sobre más de un millón de chips Trainium2 de Amazon [150] [151] |
| Centros de datos y energía | Las nubes y los operadores de centros de datos | Permisos, redes eléctricas y controles chinos sobre tierras raras (ver el estudio de asuntos públicos) [152] | La producción de turbinas, vendida por años (ver el estudio de asuntos públicos) [152] |
| Nube | Amazon, Microsoft y Google, también accionistas de los laboratorios (ver «Dónde se queda el dinero») | Autoridades de competencia y la regla europea que da plazo para cambiar de nube (ver el estudio de asuntos públicos) [153] | Términos de servicio, como los que aplicó Microsoft a Israel, y la política de IA responsable de AWS, que alcanza también a los modelos de terceros que vende [7] [154] |
| Datos de entrenamiento | Editores, plataformas y autores. Wikipedia vende acceso a sus datos a Amazon, Meta, Microsoft, Mistral y Perplexity, además de Google; Reddit cobra licencias por su contenido y News Corp busca más [155] [156] [157] | Derechos de autor (ver «La propiedad del insumo») | Licencias sin precio público |
| Laboratorios | Cerrados y abiertos (ver «Quién está de cada lado») | Reglamento europeo, controles de exportación y restricciones al modelo del rival (ver «Cómo trata la ley a cada modelo») | La licencia del modelo y la política de uso del laboratorio [6] [141] |
| Distribución | Los mercados de modelos dentro de las nubes: Bedrock de Amazon ofrece «cientos» de modelos de al menos 13 proveedores, Foundry de Microsoft más de 11.000 y el Model Garden de Google más de 200 [158] [159] [160]. Hugging Face, que NVIDIA acordó comprar [24] | Competencia (ver «Cómo trata la ley a cada modelo») | La política del laboratorio viaja con el modelo a la nube [6] |
| Aplicaciones, integradores y empresas usuarias | Miles de empresas de software y de servicios (ver «La industria del software ante la IA») | Las reglas de cada sector (ver «Las reglas de cada sector») | Las cláusulas de las grandes empresas a sus proveedores (ver «Lo que exigen a sus proveedores») |
| Usuarios finales | Personas y empleados | Protección de datos y de los consumidores | Los términos de uso de cada servicio y las políticas internas, que en algunas empresas prohíben las versiones gratuitas (ver «Prohibir y después contratar») |
La disputa entre abiertos y cerrados se libra en los eslabones de los laboratorios y de la distribución. Creemos que los eslabones de arriba ganan con cualquier resultado, porque los modelos de los dos tipos se entrenan y se ejecutan con sus chips, aunque no ganan por igual. SemiAnalysis, una firma independiente de investigación sobre la cadena de los semiconductores y de la IA [161], sostiene que nadie necesita más los modelos abiertos que NVIDIA, porque esos modelos dan a países, empresas y nubes nuevas razones para comprar GPU, los procesadores gráficos con que se entrenan y ejecutan casi todos los modelos, más allá del puñado de laboratorios de frontera. Según la misma firma, seis de los siete mayores clientes de NVIDIA, todos salvo SpaceX, intentan diseñar sus propios chips para quitarle margen, es decir, para dejar de pagarle la ganancia que cobra por cada chip [27] (ver «Lo que dice Huang»). La firma cuenta entre esos siete a Anthropic, a OpenAI y a las grandes nubes [27].
ASML, TSMC y los fabricantes de memoria venden a los dos lados. ASML invirtió además en un laboratorio: en 2025 encabezó la ronda de Mistral, con 1.300 millones de euros, por los que obtuvo cerca de 11 % del capital de Mistral, contando todas las acciones que la empresa podría llegar a emitir [10]. Después, en 2026, Samsung encabezó la ronda de Mistral de 3.000 millones [162].
Un modelo abierto escapa a la política de uso del laboratorio y a los términos de la nube, porque se descarga y se ejecuta en equipos propios. Esa salida tiene un límite en los modelos abiertos más grandes, los de más de 2 billones de parámetros. No caben en un servidor de ocho GPU y en la práctica se usan por medio de proveedores de nube, que les aplican sus propios términos (ver «Quién paga lo abierto»).
En cambio, ningún modelo abierto escapa a los eslabones de arriba. Sigue necesitando chips fabricados por TSMC con máquinas de ASML, y memoria que producen tres empresas. Los gobiernos controlan la venta de esos chips y de esa memoria, y su capacidad de producción ya está repartida por contrato, de modo que un comprador nuevo sólo consigue la que esos contratos dejan libre.
El control de los gobiernos se ejerce con los controles de exportación, que obligan a pedir una licencia oficial antes de vender ciertos bienes y tecnologías a determinados países, compradores o usos. En Estados Unidos los administra la Oficina de Industria y Seguridad, del Departamento de Comercio de Estados Unidos, por medio del Reglamento de Administración de Exportaciones [163].
NVIDIA ordena la cadena
NVIDIA ya no vende un chip suelto sino una computadora del tamaño de un armario. Vera Rubin, la plataforma que empezó a enviar entre agosto y octubre de 2026, reúne siete chips propios. Entre ellos están la GPU Rubin, la CPU Vera, el procesador general que dirige al resto de la máquina, y un procesador para la inferencia, que es el trabajo de ejecutar un modelo ya entrenado para que responda. Ese procesador viene de la tecnología de Groq [164] [14]. La plataforma se vende en racks, los armarios que agrupan decenas de chips como una sola máquina. También se vende en pods, conjuntos de 40 racks con 1.152 GPU y casi 20.000 dados de silicio de NVIDIA, que son las piezas de silicio que forman cada chip [165]. Cada rack lleva entre 1,3 y 1,5 millones de componentes de unos 200 proveedores, y NVIDIA calcula fabricar unos 200 pods por semana, según dijo Huang en marzo [15]. En mayo la empresa contó cientos de socios en su cadena, 150 de ellos sólo en Taiwán, repartidos en más de 350 fábricas de 30 países [166].
Huang llama «codiseño extremo» a diseñar a la vez el chip, la memoria, la red, el sistema y el software, y esa forma de trabajar cambia la relación de NVIDIA con sus proveedores. Huang la justifica en que se frenó la ley de Moore, la observación de que el número de transistores de un chip, los interruptores diminutos con que calcula, se duplica cada dos años con poco aumento de costo [167]. Mientras esa ley se cumplía, el chip mejoraba por sí solo. Dice que con el codiseño NVIDIA multiplicó el cómputo un millón de veces en diez años, cuando la ley de Moore lo habría multiplicado por cien [15]. La integración, que antes se hacía en el centro de datos, se hace ahora en las fábricas de la cadena. Huang contó que a cada proveedor le explica qué viene y por qué, y que le pide invertir «varios miles de millones de dólares». Dijo que los proveedores lo hacen «porque confían en mí» [15].
Hace unos tres años, contó Huang, convenció a varios directores de las empresas de memoria de invertir en HBM, que entonces casi sólo usaban las supercomputadoras. Después los convenció de invertir en la memoria de bajo consumo de los teléfonos, para usarla en los centros de datos. Las tres empresas tuvieron, dijo, el mejor año de sus 45 años de historia. Cuando el conductor de pódcast Lex Fridman le preguntó, en la entrevista de marzo, si le preocupan los cuellos de botella de la cadena, respondió que no: «les dije lo que necesitaba». De TSMC dijo que, en tres décadas de negocios, NVIDIA nunca ha firmado un contrato con ella, y lo atribuyó a la confianza entre las dos empresas [15].
NVIDIA aventaja a los chips de las nubes por su base instalada, es decir, por la cantidad de equipos en uso que ya funcionan con su tecnología. «La base instalada es, de hecho, la parte más importante de una arquitectura», dijo Huang, porque los programadores escriben para la plataforma que llega a más gente. Por eso NVIDIA puso CUDA, su plataforma de programación, en las tarjetas de videojuegos GeForce, aunque esa decisión le subió el costo cerca de 50 % cuando su margen bruto, lo que le quedaba de cada venta después de pagar la fabricación, era de 35 % [15]. Huang contó que los jugadores no pagaban más por esa función y que la apuesta tardó una década en rendir [15].
En 2026 NVIDIA empezó además a financiar la cadena. Sus compromisos de suministro y capacidad pasaron de US$119.000 millones en abril a US$279.000 millones en julio. Son acuerdos con sus proveedores, sobre todo de memoria y de fábricas, para asegurar los componentes de los próximos años [14]. En el mismo informe, la empresa escribió que las nubes especializadas en IA y los laboratorios tienen una demanda grande de cómputo, pero no pueden conseguir contratos de infraestructura de largo plazo ni financiamiento con grado de inversión, la calificación que las agencias dan a los deudores con menor riesgo de impago [168]. Por eso, según el informe, NVIDIA da garantías, como la del campus de Ohio (ver «NVIDIA entre los dos lados») [14].
Las ventas de NVIDIA están concentradas. Un cliente directo, es decir, uno que le compra sin intermediarios, como un fabricante de servidores, un distribuidor o una nube, le dio 16 % de los ingresos del segundo trimestre de su año fiscal 2027, de mayo a julio, y en el semestre tres clientes le dieron 16 %, 15 % y 13 %. Una empresa de investigación y despliegue de IA, que NVIDIA no nombra, le aportó además «una cantidad significativa» de ingresos al comprar servicios de nube a empresas que, a su vez, son clientes de NVIDIA [14].
NVIDIA coordina la inversión de toda la cadena. Les dice a los proveedores qué capacidad construir, se compromete a comprarla y respalda el crédito de quienes van a usarla. SemiAnalysis la llama el «banco central» de la cadena, porque amarró la mayor parte de la oferta de obleas, los discos delgados de silicio sobre los que se fabrican los chips [169], y de memoria, y sus garantías permiten a las nubes y a los laboratorios nuevos conseguir crédito sin depender de las grandes nubes [27]. Las garantías funcionan porque NVIDIA asegura un ingreso mínimo al comprador de sus chips, responde ante el dueño del centro de datos o firma ella misma el arrendamiento. Con ese respaldo, un operador sin grado de inversión consigue crédito al precio de quien sí lo tiene [27].
Esa coordinación descansaba, según el propio Huang, en la confianza que los directores de los proveedores le tenían a él. Su renuncia pone a prueba si esa confianza era de la empresa o de la persona, justo cuando la cadena construye la capacidad de 2027 y 2028 que NVIDIA se comprometió a comprar. SemiAnalysis sostiene que era de la persona, porque Huang ganaba esos acuerdos de director a director [27]. Proveedores de Taiwán y de Corea dijeron a Reuters que dudan que su sucesor mantenga el mismo trato, aunque ninguno anunció un cambio. Armina Rosenberg, cofundadora de Minotaur Capital, que tiene acciones de NVIDIA, cree en cambio que los planes de gasto de 2027 de los clientes no dependen de quién dirija la empresa, porque los chips que NVIDIA entregará en uno o dos años ya están diseñados y en producción [170].
04
La caída de Jensen Huang
- En mayo de 2026, antes de que Huang se sumara en una escala al viaje de Trump a Pekín, Marco Rubio, secretario de Estado de Estados Unidos, advirtió a Trump de informes de inteligencia según los cuales Huang tenía una relación con una mujer sospechosa de espiar para China, según el Washington Post [171]. En octubre, el New York Times identificó a esa mujer como Alice Huang, ejecutiva de Megaspeed. Megaspeed es un cliente de NVIDIA en Singapur, investigado por ayudar a empresas chinas a eludir los controles de exportación [172]. El 14 de mayo, con Trump de visita en Pekín, el Departamento de Comercio de Estados Unidos autorizó a unas diez empresas chinas, entre ellas Alibaba y ByteDance, a comprar el chip H200 de NVIDIA, según CNBC [173]. El H200 no es el chip más nuevo de NVIDIA, y su exportación a China estuvo prohibida hasta que el gobierno de Trump la permitió en 2025 para clientes aprobados [174]. CNBC precisa que algunas de esas autorizaciones son anteriores al memorando de Rubio, un documento clasificado sobre Alice Huang que se describe más abajo [173].
- El 29 de octubre, el New York Times informó que agencias de Estados Unidos habían concluido que Alice Huang pasaba información al gobierno chino. El estudio de asuntos públicos recoge ese reporte. También recoge la investigación sobre Megaspeed que, según el New York Times, el Departamento de Comercio suspendió [172].
- El 4 de noviembre, los presidentes de tres comisiones de la Cámara de Representantes de Estados Unidos le pidieron a Huang una sesión a puerta cerrada el 18 de noviembre, en la sala 2172 del edificio Rayburn. Las tres comisiones son la Comisión de Asuntos Exteriores, la Comisión Selecta sobre el Partido Comunista Chino y la Comisión Permanente Selecta de Inteligencia. Según la resolución de la Cámara que creó la Comisión Selecta, esta sólo puede investigar y recomendar políticas, sin facultad para tramitar leyes [175]. La sesión trataría de los protocolos de seguridad de NVIDIA ante el espionaje y de los contactos de Huang con Alice Huang, a quien la carta llama un activo de inteligencia de la República Popular China «según informes públicos». Los presidentes le pidieron aceptar la fecha o proponer otra antes del 11 [176].
- El 8 de noviembre, el New York Times informó que Rubio había supervisado en primavera un memorando clasificado, basado en la vigilancia de Alice Huang. El memorando circuló entre funcionarios con acceso a información clasificada antes del viaje de Trump a Pekín [20]. Antes, el Financial Times había revelado la relación de Alice Huang con Jensen Huang, según la prensa que lo resumió [172].
- El 8 de noviembre, el consejo de NVIDIA abrió una investigación independiente «a raíz de informaciones recientes» de que Huang había sido «blanco de un esfuerzo de inteligencia extranjero». La supervisa un comité de consejeros independientes, con abogados externos. El consejo dijo que no tenía razones para creer que se hubieran comprometido la seguridad nacional ni los secretos de NVIDIA, y que confiaba en Huang [17]. Ese mismo día, Huang escribió a los empleados que había sido infiel a su esposa, se disculpó y dijo que apoyaba la investigación [177].
- El 9 de noviembre, el New York Times informó que Tim Teter, abogado general de NVIDIA, escribió en agosto de 2025 a los agentes del Departamento de Comercio que investigaban a Megaspeed. Les dijo que Jeff Kessler, subsecretario para Industria y Seguridad del Departamento de Comercio de Estados Unidos, lo había autorizado a buscarlos para hablar del caso. Algunos funcionarios lo vieron como una falta al procedimiento que podía contaminar el caso. Según el diario, un subsecretario suele mantenerse al margen de los detalles de una investigación, porque puede tocarle decidir sobre ella como árbitro neutral, y NVIDIA no estaba descartada como objeto de la investigación. El caso pasó entonces al Departamento de Justicia de Estados Unidos, que pidió al Departamento de Comercio pausar su trabajo. El Departamento de Comercio dice que actuó apegado a las reglas, y NVIDIA dice que consulta a los funcionarios para responder a sus preguntas [178].
- El 10 de noviembre, los consejeros independientes contrataron a Joon H. Kim, exfiscal federal interino del Distrito Sur de Nueva York, y al despacho Wachtell, Lipton, Rosen & Katz [179].
- El 11 de noviembre, el consejo aceptó la renuncia de Huang como presidente, director general y consejero, con efecto inmediato. Colette Kress, directora de finanzas, quedó como directora general interina sin dejar las finanzas. Harvey C. Jones, consejero desde 1993, quedó como el primer presidente del consejo en la historia de NVIDIA [180]. El aviso a la Comisión de Bolsa y Valores de Estados Unidos (SEC), presentado el 12, no da el motivo de la renuncia, no menciona la investigación ni a China y no dice nada de un papel futuro de Huang [16]. Ese aviso es el formulario 8-K, que una empresa cotizada presenta dentro de los cuatro días hábiles siguientes a un hecho relevante. Cuando renuncia un director general, el formulario sólo obliga a informar el hecho y su fecha [181].
- El 11 de noviembre, Axios informó que el secretario del Tesoro de Estados Unidos, Scott Bessent, había confrontado al secretario de Comercio de Estados Unidos, Howard Lutnick, el jueves 5, en una reunión en la Sala de Situación de la Casa Blanca, por no haber incluido a Megaspeed en la lista de entidades, y que Lutnick respondió que lo revisaría. Según Axios, funcionarios de la Casa Blanca y de inteligencia le pedían actuar contra Megaspeed desde el otoño de 2025. CNN confirmó la reunión con dos fuentes. El Departamento de Comercio negó que la conversación hubiera ocurrido [182] [183].
- El 12 de noviembre la acción de NVIDIA abrió 13,1 % abajo, llegó a perder 14,4 % y cerró con una baja de 4,3 % [184].
- El mismo 12, las tres comisiones sustituyeron la sesión del 18 por una entrevista transcrita a puerta cerrada el 1 de diciembre. La carta va dirigida a Huang como fundador de NVIDIA. Le pide confirmar la entrevista por escrito antes de las 20:00 del 13 de noviembre, hora del Este, so pena de una citación obligatoria. La citación obligatoria es la orden con que una comisión de la Cámara exige un testimonio, y quien la desobedece a sabiendas se expone a un proceso penal por desacato al Congreso [185]. Las comisiones pidieron también una entrevista a Tim Teter, abogado general de NVIDIA, el 2 de diciembre. Esa entrevista trataría del contrabando de chips, del uso militar de los productos de NVIDIA por adversarios y de la «interferencia» de NVIDIA en la política de exportación y en las investigaciones, entre ellas la de Megaspeed. A Jeff Kessler, subsecretario para Industria y Seguridad del Departamento de Comercio de Estados Unidos, le pidieron comparecer. El comunicado liga el caso a cuatro proyectos sobre chips y cómputo remoto que las comisiones piden incluir en la ley de defensa [18]. Esa ley se aprueba cada año, autoriza el gasto del Departamento de Defensa de Estados Unidos y fija sus políticas [186].
- Los cuatro proyectos del comunicado del 12 son la Ley AI OVERWATCH, que exigiría licencia para exportar chips avanzados a empresas de China y de otros cinco países y obligaría a avisar al Congreso 30 días antes de aprobar cada una; la Ley de Seguridad de Chips, que obligaría a que esos chips puedan verificar su ubicación antes de exportarse; la Ley MATCH (ver «La fábrica»), y la Ley de Seguridad del Acceso Remoto (ver «Restricciones al modelo del rival») [187]. Según TechCrunch, Brian Mast, presidente de la Comisión de Asuntos Exteriores de la Cámara de Representantes, dijo ese día que Huang aceptaría comparecer antes del Día de Acción de Gracias, el 26 de noviembre [188].
- El 13 de noviembre, en CNBC, Bessent culpó al Departamento de Comercio de no haber incluido antes en su lista de entidades a Megaspeed, la empresa de Singapur donde trabajaba Alice Huang [189]. La lista de entidades reúne a las empresas y personas extranjeras a las que no se puede exportar un producto sujeto al reglamento estadounidense sin una licencia específica. El Departamento de Comercio incluye en ella a quien, con base en hechos concretos, considera un riesgo para la seguridad nacional o la política exterior de Estados Unidos [190]. En la misma entrevista, Bessent no negó la reunión: dijo que no repite lo que se habla en la Sala de Situación. Según CNN, asesores de Trump discuten si destituir a Lutnick, y la Casa Blanca dijo el día anterior que el presidente mantiene «plena confianza» en él [191].
- El mismo 13, según CNBC, Cantor Fitzgerald, la firma que dirigía Lutnick y que hoy dirigen sus hijos, declaró en sus reportes trimestrales a la SEC 49 % menos acciones de NVIDIA en marzo de 2026 que en septiembre de 2025: pasó de unos 3,5 millones a 1,78 millones, con un valor que bajó de US$652 millones a US$310 millones. Esos reportes no dicen por qué bajó la cifra ni si la firma redujo su exposición a NVIDIA, porque Cantor tenía además opciones, casi todas de venta, que la protegen si la acción cae. Cantor dice que esas acciones cubren operaciones de sus clientes y que por cuenta propia sólo ha tenido posiciones menores. CNBC aclara que no hay evidencia de que esos cambios respondieran a las advertencias de inteligencia [173].
- El 13 de noviembre, el Washington Post informó que Rubio supervisó el memorando y que reformuló en términos más categóricos el informe de la CIA en que se basaba. Según el diario, funcionarios de la CIA no estaban convencidos de que lo interceptado probara transferencias deliberadas al gobierno chino. El diario informó también que el memorando circuló en la primavera entre funcionarios con acceso a información clasificada. Añadió que Huang había conseguido de Trump permiso para vender chips a China, y que eso le ganó la oposición de funcionarios y legisladores que querían cerrarle el paso a esa tecnología [21].
- El 15 de noviembre, John Moolenaar, presidente de la Comisión Selecta sobre el Partido Comunista Chino, dijo a CBS News que Huang y representantes de NVIDIA aceptaron una entrevista voluntaria a puerta cerrada, y que las fechas seguían en negociación [192].
- El 16 de noviembre, el Departamento de Comercio dio a conocer una regla provisional, redactada «por y a instancias» del Departamento del Tesoro de Estados Unidos y del Consejo de Seguridad Nacional. Una regla provisional entra en vigor sin consulta previa, y el público puede comentarla después, en este caso durante 60 días. La regla exige licencia para vender chips avanzados a Indonesia, Malasia, Singapur, Tailandia y Brasil, salvo cuando el comprador tiene su sede, o la de su matriz última, en Estados Unidos y el vendedor informa cada mes a la Oficina de Industria y Seguridad quiénes participan en la venta, adónde van los chips, cuáles y cuántos son, y la fecha de envío. Según la regla, en esos cinco países es mayor el riesgo de que los chips se desvíen a compradores no autorizados.
- La misma regla del 16 exige además licencia para que un centro de datos de cualquier país preste más de 12 millones de unidades de TPP a empresas con sede, o con matriz última, en Macao o en los países del Grupo D:5. Ese grupo es la lista de embargo de armas de Estados Unidos, que incluye a China, Rusia e Irán. El TPP es la medida de potencia con que se clasifican los chips: multiplica las operaciones por segundo que hace el chip por el tamaño en bits de los números con que calcula [22]. Según nuestro cálculo con las especificaciones de NVIDIA, 12 millones de unidades equivalen a unos 760 chips H100 [193]. Según la regla, ese volumen de cómputo permite entrenar modelos avanzados, y el requisito busca impedir que esas empresas lo hagan con chips estadounidenses instalados en otros países.
- La regla del 16 exceptúa el cómputo que se usa sólo en sistemas comerciales de recomendación, como los de las tiendas en línea y las redes sociales, siempre que se informe a la Oficina de Industria y Seguridad; un sistema que genera texto, imágenes u otro contenido no cuenta como tal aunque también recomiende. Quien ya presta ese servicio tiene 90 días para pedir la licencia. La regla rige desde su publicación en el Federal Register, el 19 de noviembre [22]. El Federal Register es el diario oficial del gobierno federal, donde se publican cada día hábil las reglas de las agencias [194].
- El mismo 16, los departamentos de Comercio y de Justicia de Estados Unidos publicaron un comunicado conjunto sobre Megaspeed. Según el comunicado, el Departamento de Comercio abrió en 2024 una investigación sobre esa empresa por posibles violaciones a los controles de exportación, después de detectar actividad sospechosa. En mayo de 2025 pidió a NVIDIA sus registros de ventas directas o indirectas a Megaspeed. En junio, NVIDIA puso a Megaspeed en su lista de clientes a los que no vende. También en junio, agentes de la Oficina de Industria y Seguridad, con autoridades de Singapur, inspeccionaron en persona Megaspeed y entrevistaron a su directora general, Alice Huang. Desde entonces la investigación penal la lleva el Departamento de Justicia. El comunicado no habla de espionaje ni de cargos [195]. Según CNBC, el Departamento de Justicia no ha concluido si Alice Huang espiaba para China. Singapur no la investigó por espionaje, pero en febrero de 2026 le prohibió volver al país por haber dado a sabiendas información inexacta sobre su papel en Megaspeed [196]. Chris McGuire, del Council on Foreign Relations, un centro de estudios de política exterior con sede en Nueva York [197], dijo que el comunicado no explica por qué el Departamento de Comercio no le cortó los chips a Megaspeed [196].
- El 17 de noviembre, NVIDIA presentó sus resultados del tercer trimestre, los primeros sin Huang. La empresa vendió US$115.844 millones, el doble que un año antes [198]. Al abrir la llamada con los analistas, Jones dijo que el consejo no piensa devolverle el cargo a Huang. Lo dijo horas después de que Huang escribiera que sería un honor volver [199]. En la misma llamada, Kress dijo que NVIDIA deja de vender el H200 en China. La empresa anunció además un comité del consejo que vigilará la seguridad nacional, el cumplimiento de los controles de exportación y los riesgos del comercio global [200].
- El 17 de noviembre, los presidentes de las tres comisiones anunciaron que Huang y Tim Teter aceptaron de forma voluntaria las entrevistas transcritas, el 1 y el 2 de diciembre, después del Día de Acción de Gracias [19].
La prensa atribuye la renuncia a dos relaciones: la que Huang tuvo con Alice Huang y una segunda, con una ejecutiva de NVIDIA, de la que informó un reportaje del New York Times. El blog en vivo de Yahoo Finance afirma, sin citar fuente, que el consejo decidió destituirlo. El mismo blog recoge dos reportes ajenos: según Reuters, Huang tuvo una tercera relación, con una segunda persona empleada de NVIDIA, y según Bloomberg, la fiscalía federal de Manhattan examina si empresas ligadas a Alice Huang ayudaron a contrabandear productos de Super Micro, un fabricante estadounidense de servidores [201] [202]. Ningún documento de la empresa confirma esos reportes, y el aviso a la SEC habla de renuncia [16] [180].
Detrás del escándalo personal, el caso trata del acceso de China a los chips de NVIDIA. A eso apuntan las entrevistas del abogado general y del subsecretario del Departamento de Comercio de Estados Unidos [18]. Según el Wall Street Journal, mientras Alice Huang conseguía chips de NVIDIA para empresas en China, su esposo, Kang Wei, planeaba centros de datos en ese país [203] [204].
Según registros que revisó el Wall Street Journal, Megaspeed, la empresa de Singapur donde ella era ejecutiva, arregló, de marzo de 2024 a junio de 2025, el envío a empresas en China de chips de NVIDIA de primera línea por cerca de US$12.000 millones [203]. Según The Information, Alice Huang, su hermana y su esposo armaron una red de empresas en China y Singapur para conseguir chips de NVIDIA. Por esa red llegaron a empresas chinas, desde 2023, chips por al menos US$7.500 millones. The Information se basa en registros corporativos y en dos personas que la conocen [205]. Según investigadores de Estados Unidos citados por CBS News, Alice Huang usó contactos de la industria y empresas fachada para conseguir 240.000 chips cuya exportación a China está prohibida [206]. Según Bloomberg, la cuenta que NVIDIA dio al gobierno de lo vendido a Megaspeed por medio de sus socios se quedó corta en 50.000 chips [207].
Kang Wei, por su parte, planeó de 2021 a 2024 inversiones en centros de datos en China por más de US$9.000 millones, por medio de Century Longteng, una empresa con sede en Shanghái. Los planes incluían un campus de US$4.500 millones en Wuhu, con apoyo del Estado para la electricidad y la infraestructura, y otro de US$5.000 millones en Liangshan, según el Wall Street Journal [204].
Según The Information, dos empresas de la red de Alice Huang invirtieron en la segunda ronda de DeepSeek, de julio a octubre de 2026. Son Century Litong y su matriz, Jiangsu Lettall Electronics, e invirtieron por medio de vehículos, sociedades creadas sólo para canalizar una inversión, de modo que su nombre no aparece en el registro de accionistas. Los registros corporativos muestran 95 millones de yuanes de Lettall en un vehículo de Monolith Management, el tercer accionista de DeepSeek. Según una de las tres personas con conocimiento directo que cita The Information, la inversión buscaba que esas empresas surtieran a DeepSeek de chips Blackwell, una generación de NVIDIA más nueva que la del H200 [174], cuya venta a China está prohibida. Empleados de DeepSeek dijeron a inversionistas que Litong podía comprar chips de NVIDIA en grandes cantidades en el mercado negro [208].
Megaspeed dice que opera dentro de la ley y que diseña su cadena de suministro para cumplir los controles de exportación de Estados Unidos. Dice también que Alice Huang dejó la empresa el 30 de agosto de 2025 y que contrató abogados externos para revisar reportes que, según la empresa, no tienen pruebas verificables. Megaspeed no ha sido acusada de violar las reglas de exportación [203]. La empresa niega haber desviado chips [207].
El Wall Street Journal no encontró confirmación de que los chips de Megaspeed llegaran a los centros de Kang Wei, ni de que Alice Huang los comprara por órdenes de las autoridades chinas. Ninguno de los dos le respondió [204]. The Information no encontró registros de que Alice Huang tenga acciones o cargos en Century Litong o en Lettall. Liga a las dos empresas con ella por dos razones: a Century Litong la fundó una empresa que controla en última instancia su hermana, Huang Yu, y hay operaciones entre empresas de Huang Yu y de Kang Wei. Lo publicado no recoge respuesta de DeepSeek, de las dos empresas ni de Monolith [208]. La cancillería china llamó a las acusaciones de espionaje infundadas, especulativas y hechas para difamar a China. Su portavoz Mao Ning pidió a Estados Unidos dejar de fabricar historias de espías como pretexto para un bloqueo tecnológico [209].
Según Reuters, unos 600.000 chips H200 de NVIDIA esperan en Hong Kong a que el gobierno chino autorice importarlos [174]. Según la agencia, el gobierno chino retiene el permiso para las importaciones grandes porque no quiere depender más de la tecnología estadounidense [174]. El mercado chino ya pesa poco en las cuentas de NVIDIA. Sumado a Hong Kong, aportó 9,1 % de sus ingresos del año fiscal 2026. En febrero la empresa se dijo excluida en los hechos de los centros de datos chinos [11]. En el tercer trimestre todavía envió a China productos Hopper, la generación de chips de NVIDIA a la que pertenecen el H100, el H200 y el H20, por US$2.400 millones, y no prevé ingresos de cómputo desde China para el cuarto trimestre [144] (ver «NVIDIA entre los dos lados»). La regla del 16 de noviembre cierra, desde el 19, el camino del cómputo rentado en terceros países. Hasta entonces, una empresa china podía usar a distancia chips de NVIDIA instalados en centros de datos de otros países, como los que Megaspeed construía en el sudeste asiático para clientes chinos, sin violar los controles [178]. Creemos que ahora se decide si el gobierno de Estados Unidos vuelve a autorizar ventas a China y con qué credibilidad defenderá NVIDIA, sin Huang, su postura sobre las exportaciones.
Hay otra lectura de la caída, que toca el tema de este estudio. Según ella, la historia de espionaje sería un pretexto. El conflicto de fondo enfrentaría a los modelos cerrados, respaldados por el capital y la seguridad nacional, con los abiertos, que defienden NVIDIA y China. NVIDIA habría comprometido US$26.000 millones en cinco años a modelos abiertos, en línea con la estrategia china, y el escándalo golpearía al principal defensor de esos modelos justo después de la carta del 24 de julio a favor de los pesos abiertos [210] (ver «Los abiertos de Estados Unidos»).
Los dos bandos existen, NVIDIA y China están del lado abierto y el golpe llega en el peor momento para ese lado. Pero exagera lo nítidos que son los bandos y se equivoca al llamar pretexto a la historia de espionaje.
También describe mal el monto, que ya estaba comprometido y no se anunció para competir con China. La cifra viene de WIRED, que publicó en marzo que NVIDIA gastará US$26.000 millones en cinco años en modelos de pesos abiertos. WIRED se basó en el informe de NVIDIA a la SEC y en lo que confirmaron sus directivos [211]. El instrumento es un compromiso de compra de nube, la obligación de pagar a proveedores de nube por capacidad de cómputo, que NVIDIA declaró en noviembre de 2025 para su investigación y su servicio DGX Cloud, a pagar hasta 2031 o después. En agosto de 2026 ese compromiso ya sumaba US$29.000 millones, y la empresa lo destinó a sus modelos abiertos y a su software de conducción autónoma [212] [14]. Según Hugging Face, la plataforma donde la comunidad de IA publica y comparte modelos, datos y aplicaciones [213], NVIDIA es el mayor contribuidor de modelos abiertos, y Constellation Research, una firma de investigación y asesoría sobre tecnología con sede en Silicon Valley [214], la llama la principal empresa de modelos abiertos de Estados Unidos [23] [215].
Los bandos son reales porque responden a negocios opuestos. Quien vive de vender acceso a sus modelos gana si lo cerrado domina. Quien vende chips, nube o servicios alrededor de los modelos gana si los modelos circulan. Se disputa quién cobra por la IA, y por eso el tema es de primer orden (ver «Quién está de cada lado» y «NVIDIA entre los dos lados»).
Pero los bandos no son tan maniqueos como los pinta esa lectura, porque casi nadie juega de un solo lado. Los laboratorios abiertos también se sirven de los cerrados. Anthropic denunció en febrero que DeepSeek, Moonshot y MiniMax hicieron más de 16 millones de consultas a Claude, con unas 24.000 cuentas fraudulentas, para mejorar sus modelos [216]. En sentido contrario, OpenAI, Amazon y Google, que mantiene cerrado Gemini, firmaron la carta a favor de los pesos abiertos. El gobierno de Estados Unidos, que compra modelos cerrados, promueve los abiertos en el plan de acción de IA que la Casa Blanca publicó en julio de 2025 [217] [30].
La historia de espionaje tiene un origen documentado en reportajes de prensa sobre conclusiones de agencias de inteligencia y en la carta del Congreso que los retomó, y gira en torno al acceso de China a los chips de NVIDIA [172] [176]. No hay indicio público de que la disputa entre modelos la haya provocado.
Aun así, las dos lecturas no se excluyen, porque los chips y los modelos abiertos son parte de la misma apuesta de NVIDIA. La empresa gana cuanto más gente ejecuta modelos en sus propios equipos, porque esos equipos llevan sus chips, y muchos de los modelos abiertos más usados son chinos. Al anunciar la compra de Hugging Face, la propia NVIDIA advirtió que otros cabildean ante el gobierno de Estados Unidos para restringir los modelos de código abierto y que muchos de los más populares del mundo se originaron en China [24]. La presión para cerrar el paso de chips a China y la presión contra los modelos abiertos chinos afectan a NVIDIA en la misma apuesta, y la caída de Huang la deja con menos voz en las dos discusiones. TechCrunch escribió que la salida de Huang fortalece a quienes en el gobierno y el Congreso de Estados Unidos piden límites a las empresas chinas de IA y pone bajo escrutinio su campaña contra los controles de chips. Nathan Lambert, autor del boletín Interconnects sobre modelos de IA [218], la llamó muy mala para la causa de los modelos abiertos [219].
La coalición abierta pierde a su vocero más visible justo cuando se define qué Congreso discutirá las leyes que la afectan. Los proyectos que no se aprueben antes del 3 de enero caducan ese día, cuando se instala el Congreso elegido el 3 de noviembre, con mayoría demócrata en las dos cámaras (ver «Quién regula»). Por eso la caída de Huang pesa en este estudio más allá del escándalo.
05
Qué es abierto y qué es cerrado
Casi todos los modelos abiertos de frontera publican los pesos y el código para ejecutarlos, pero no los datos ni el código de entrenamiento. Los pesos, o parámetros, son los números que el modelo aprende durante el entrenamiento y que determinan cada una de sus respuestas [220]. Quien descarga los parámetros de un modelo de pesos abiertos puede ejecutarlo sin pasar por su desarrollador. El código abierto, en sentido estricto, pide más. La Open Source Initiative es la organización sin fines de lucro que, desde 1998, custodia la definición de código abierto para el software y aprueba las licencias que la cumplen [221]. La definición que la Open Source Initiative publicó para la IA el 28 de octubre de 2024 exige tres componentes: información suficiente sobre los datos de entrenamiento para reconstruir un sistema equivalente, el código completo para entrenarlo y ejecutarlo, y los parámetros. Los tres deben entregarse bajo términos que permitan usar el sistema para cualquier fin sin pedir permiso [222]. Cuando la propia organización validó su definición, OLMo, Pythia, Amber, CrystalCoder y T5 la cumplieron. Llama 2, Grok, Phi-2 y Mixtral no la cumplieron, porque les faltaban componentes [223].
Entre los modelos de frontera, las excepciones son pocas. Olmo 3, del Allen Institute, un instituto de investigación en IA sin fines de lucro con sede en Seattle [224], actualizado como Olmo 3.1, publica datos, código, pesos y puntos de control intermedios, que son copias de los pesos guardadas a mitad del entrenamiento [225]. Nemotron 3, de NVIDIA, publica el código, las recetas de entrenamiento y la parte de los datos que puede redistribuir [226].
Las licencias de los modelos abiertos son de tres tipos.
- Permisivas. Las licencias MIT y Apache 2.0 permiten usar, modificar y vender sin pedir permiso. La MIT sólo pide conservar el aviso de derechos de autor y el texto de la licencia. La Apache 2.0 pide además avisar de los cambios hechos y concede una licencia sobre las patentes de quienes contribuyeron, que se pierde si el usuario demanda por esas patentes [227]. Las usan DeepSeek, cuya licencia de R1 autoriza expresamente la destilación, que consiste en entrenar otro modelo con sus respuestas; Google, en Gemma 4 desde abril de 2026; OpenAI, en gpt-oss, que acompaña con una política de uso; Microsoft, en Phi-4, e IBM, en Granite [228] [229] [230] [231] [232].
- Restringidas. La licencia de Llama 4 obliga a pedir permiso a Meta por encima de 700 millones de usuarios mensuales. Obliga también a cumplir una política de uso que excluye a personas y empresas de la Unión Europea de sus modelos multimodales, los que además de texto entienden imágenes, audio o video [233] [234]. Esa licencia conserva las restricciones de la de Llama 3.x, que para la Open Source Initiative «no es código abierto» [235]. La licencia comunitaria de Tencent excluye a la Unión Europea, el Reino Unido y Corea del Sur, es decir, sólo concede derechos de uso fuera de esos territorios [236]. La de Grok 2 permite afinarlo, es decir, entrenarlo un poco más con datos propios para especializarlo, pero prohíbe usarlo para entrenar otros modelos generales [237].
- Permisivas con una puerta para los grandes. En 2026, varias licencias de los principales modelos abiertos adoptaron un diseño que concede un uso amplio y reserva un contrato aparte para el gran proveedor de servicios de modelos. Las licencias miden a ese proveedor por su ingreso o por su negocio. El negocio es el de modelo como servicio, que la licencia de Kimi K3 define como dar a un tercero acceso a las respuestas o al afinado del modelo, de modo que ese tercero controle lo que le pide o los datos con que lo entrena [238].
| Modelo | Desarrollador | Condición para el gran proveedor de servicio |
|---|---|---|
| Kimi K3 y K3.1 Pro | Moonshot (China) | Contrato aparte para todo uso comercial si el grupo del licenciatario opera un negocio de modelo como servicio y factura más de US$20 millones en 12 meses [238] [239] |
| Qwen3.8 de 2,4 billones de parámetros | Alibaba (China) | Licencia aparte si el grupo opera un negocio de modelo como servicio o de asistente de trabajo con IA y factura más de US$50 millones en 12 meses [240] |
| GLM-5.3 | Z.ai (China) | Revisión de seguridad a cargo de Z.ai para todo uso comercial, incluido el interno, si el grupo opera un negocio de modelo como servicio y factura más de US$10.000 millones en 12 meses [241] |
| MiniMax M3 | MiniMax (China) | Por debajo de US$20 millones de ingreso anual, uso comercial con aviso y la leyenda «Built with MiniMax M3». Por encima, autorización escrita. Prohíbe todo uso militar [242] |
| Muse Spark Open | Meta (EE. UU.) | Aviso y contrato aparte para quien lo ofrezca como servicio por encima de US$20 millones; la descarga en Hugging Face exige una solicitud que Meta revisa [243] |
| Mistral Large 4 | Mistral (Francia) | Licencia comercial aparte para todo negocio de modelo como servicio, sin umbral de ingreso [244] |
Ese contrato aparte es una de las formas en que hoy cobran los desarrolladores abiertos. Con Kimi, Qwen y Muse, la empresa que corre el modelo en su propio equipo para uso interno no paga. Sí paga el gran revendedor que lo ofrece por API, la conexión por la que otros programas consultan un modelo ajeno y pagan por uso. La licencia de Z.ai es la única que reserva a su desarrollador una revisión de seguridad, y la única que no exime el uso interno del gran grupo.
Control. El proveedor de un modelo cerrado puede vigilar el uso, filtrar peticiones, corregir el modelo y retirarlo. Quien publica uno abierto ya no puede hacer nada de eso. Como resume el estudio de asuntos públicos, un modelo abierto no se puede retirar, y sus salvaguardas se quitan con un ajuste fino [245]. Las salvaguardas son lo que se le enseña al modelo para que se niegue a ayudar a causar daño, y el ajuste fino que las quita, que es el afinado ya descrito, cuesta poco. En 2023, deshacer el entrenamiento de seguridad de Llama 2 de 70.000 millones de parámetros costó menos de US$200 con una sola GPU, el tipo de chip con que se entrenan y ejecutan casi todos los modelos [246].
Los modelos cerrados comparten esa debilidad. Afinar GPT-3.5 por la API de OpenAI con diez ejemplos dañinos, por menos de US$0,20, también rompió sus barreras. La diferencia es que el proveedor cerrado puede vigilar o cortar ese afinado [247].
Según Kyle O'Brien, de EleutherAI, un laboratorio de investigación en IA sin fines de lucro [248], y otros investigadores, una defensa prometedora es filtrar los temas peligrosos antes de entrenar. Sus modelos de 6.900 millones de parámetros, entrenados así, resistieron hasta 10.000 pasos de afinado malicioso, es decir, 10.000 rondas de reentrenamiento con ejemplos dañinos, aunque siguen pudiendo usar la información peligrosa que reciban durante la conversación, por ejemplo de un buscador [249]. Moonshot dice que hizo algo parecido con Kimi K3.1 Pro: quitó los datos de ciberseguridad de dos etapas de su entrenamiento, la intermedia y la de aprendizaje por refuerzo, en la que el modelo aprende de los premios que reciben sus mejores respuestas, antes de abrirlo [239].
Datos. Un modelo abierto corre en los equipos de quien lo usa y no manda información a un tercero. El plan de acción de Estados Unidos apoya los modelos abiertos porque muchas empresas y gobiernos tienen datos sensibles que no pueden enviar a un proveedor cerrado [30]. La ventaja vale sobre todo para los modelos medianos, porque los abiertos de frontera exigen un centro de datos propio o uno ajeno. En el ajeno, la información vuelve a pasar por un tercero.
Riesgo. Un modelo abierto no se puede retirar después de publicado. El Informe Internacional sobre la Seguridad de la IA de 2025 advierte que no hay forma práctica de revocar el acceso aunque después se descubran fallas. Ese informe sintetiza la investigación sobre las capacidades y los riesgos de la IA avanzada, sin recomendar políticas. Lo acordaron 30 países en la cumbre de Bletchley de 2023 y lo preside Yoshua Bengio [250]. La Administración Nacional de Telecomunicaciones e Información (NTIA), del Departamento de Comercio de Estados Unidos, advierte que la publicación de los pesos no se puede revertir [251] [220]. Las copias de un modelo abierto pueden perder las salvaguardas, pero no ganar otras, porque el desarrollador no puede corregir las copias que ya se descargaron.
El riesgo de un modelo abierto suele evaluarse como riesgo marginal, es decir, por lo que agrega frente a lo que ya existe. Kapoor, Bommasani y otros propusieron ese marco en 2024. El Informe Internacional sobre la Seguridad de la IA de 2025 lo describió como un consenso de alto nivel, y advirtió que esos aumentos, sumados, pueden volverse grandes aunque cada uno parezca aceptable [252] [251]. La edición de 2026 lo presenta como un enfoque entre otros, complejo en la práctica. Advierte que los pesos robados de un modelo cerrado plantearían riesgos parecidos a los de un modelo abierto. Registra además que a diciembre de 2025 no había ningún robo de pesos confirmado y documentado en público [253]. La NTIA concluyó en julio de 2024 que la evidencia no alcanzaba para justificar restricciones ni para descartarlas en el futuro, y recomendó vigilar [220].
La evidencia de 2026 apunta en los dos sentidos. FAR.AI, una organización sin fines de lucro que investiga la seguridad de la IA [254], encontró en mayo que las salvaguardas de DeepSeek V4 Pro contra peticiones químicas, biológicas, radiológicas, nucleares, cibernéticas y terroristas cedían entre 98 % y 100 % de las veces ante atacantes con poca destreza [255]. El Instituto de Seguridad de la IA del Reino Unido (AISI) y CAISI concluyeron en julio, antes de que se publicaran los pesos de Kimi K3, que las salvaguardas de ese modelo permiten ayudar a desarrollar ataques informáticos [256]. CAISI es el centro del Instituto Nacional de Estándares y Tecnología de Estados Unidos (NIST) que sirve de contacto principal del gobierno con la industria para probar los modelos, y evalúa las capacidades que pueden amenazar la seguridad nacional [257]. Desde octubre de 2026 el NIST lo llama CAISSI, centro de estándares para la superinteligencia, porque la orden ejecutiva 14434, del 29 de septiembre, mandó a las agencias decir «superinteligencia» en lugar de «inteligencia artificial». Este estudio conserva la sigla CAISI, que es la que usan sus evaluaciones [258] [259].
En cambio, el primer ensayo aleatorizado con novatos en un laboratorio real, en el que se sorteó quiénes trabajaban con un modelo y quiénes sin él para comparar sus resultados, no encontró que los modelos los ayudaran de forma significativa a completar los procedimientos de biología. Ese ensayo se hizo con modelos de mediados de 2025 [260].
06
Ciberseguridad
La ciberseguridad es hoy el terreno donde la disputa entre modelos abiertos y cerrados ya se mide en casos reales. Fortune reunió en octubre ataques y defensas hechos con modelos de los dos tipos [261]. Desde septiembre existe un modelo abierto que, según Anthropic, desarrolla ataques informáticos completos casi al ritmo de Claude Mythos Preview, el modelo que esa empresa presentó en abril [68]. En noviembre, el FBI documentó que los atacantes prefieren modelos chinos baratos para automatizar sus intrusiones [69]. Los laboratorios cerrados, por su parte, reservan a defensores verificados sus modelos más capaces en ciberseguridad [262]. Mientras tanto, la IA ya encuentra fallas graves más rápido de lo que muchos sistemas alcanzan a parcharse [263].
El modelo abierto que desarrolla ataques
Creemos que GLM-5.3, de Z.ai, cambió el cálculo del riesgo marginal descrito arriba, que mide lo que un modelo abierto agrega frente a lo que ya existe (ver «Qué es abierto y qué es cerrado»), porque lo que este modelo agrega ya no se compara con otros modelos abiertos, sino con los cerrados que sólo reciben los defensores verificados. CAISI, el centro de evaluación de IA del Departamento de Comercio de Estados Unidos, lo llamó en septiembre el modelo abierto más capaz en ciberseguridad publicado hasta entonces. Lo situó, en un índice que resume sus pruebas de ciberseguridad, unos cuatro meses detrás de una frontera estadounidense que incluye modelos de acceso restringido [264]. La evaluación se publicó cuando los pesos ya eran públicos, porque Z.ai los había liberado dos semanas después del lanzamiento del 14 de agosto. Por eso describe un riesgo que ya circulaba y no pudo condicionar la publicación. CAISI usó cuatro bancos de pruebas, conjuntos fijos de tareas con que se mide y compara a los modelos, en los que el modelo trabaja como agente, es decir, ejecuta por su cuenta órdenes y programas, y debe encontrar fallas en programas y convertirlas en ataques [264].
Anthropic, que compite con Z.ai, lo probó contra el motor de JavaScript de Chrome, la parte del navegador que ejecuta los programas de las páginas web. En esa prueba, GLM-5.3 logró un ataque completo, de la falla conocida al programa que la aprovecha, en 50 de 410 intentos, y Claude Mythos Preview, que Anthropic reservó a los defensores y ya superó con Mythos 5.1, lo logró en 56. Un modelo que cualquiera puede descargar rindió casi igual que uno restringido. Las salvaguardas de GLM-5.3 cedieron entre 64 % y 100 % de las veces ante técnicas sencillas, como decirle que participaba en un ejercicio de ataque simulado, que no funcionaron contra los modelos de Claude con sus salvaguardas. Como los pesos son públicos, cualquiera puede modificar el modelo. Quitarle las negativas, las respuestas con que rechaza una petición, le costó al equipo de Anthropic unos US$4.400 de cómputo. Según la estimación de la empresa, un equipo con experiencia gastaría unos US$1.200. A los pocos días del lanzamiento, varios desarrolladores publicaron copias sin negativas [68].
Anthropic reconoce que esas capacidades también sirven a los defensores, y pide a los gobiernos que evalúen a los sucesores de GLM-5.3 [68]. Según Epoch AI, una organización que estudia la trayectoria de la IA y compara los modelos con un índice propio de capacidades, en octubre la frontera abierta en ciberseguridad estaba donde había estado la cerrada seis o siete meses antes [265].
Las copias sin negativas circulan en cantidad. La técnica más usada para hacerlas es la abliteración, que localiza dentro del modelo la dirección de sus cálculos que produce el rechazo y la suprime, sin volver a entrenarlo. Según un estudio de 10a Labs publicado en arXiv, el repositorio de artículos científicos de acceso abierto, entre enero de 2024 y marzo de 2026 se publicaron en Hugging Face 3.471 modelos originales sin negativas, y cada uno se volvió a publicar en promedio 2,4 veces, en versiones comprimidas. En el primer trimestre de 2026, una sola herramienta de abliteración, Heretic, produjo 54 % de los modelos nuevos. De 1.643 aplicaciones en GitHub que usan esos modelos, 411, una de cada cuatro, eran abiertamente maliciosas. El estudio concluye que retirar un modelo de quien lo creó no reduce cuánto circula, porque las copias ya están en manos de otros [266].
Lo que usan los atacantes
Los atacantes usan los dos tipos de modelo, y eligen por el costo tanto como por la falta de salvaguardas. El Centro de Seguridad y Tecnología Emergente (CSET) de la Universidad de Georgetown es un centro de investigación que estudia cómo las tecnologías emergentes afectan la seguridad nacional [267]. Para Jessica Ji, investigadora de ese centro, los modelos abiertos son más difíciles de montar, pero más baratos [261]. Quien ofrece un modelo como servicio, sea abierto o cerrado, puede ver ese uso y cortarlo. En cambio, un modelo abierto instalado en un equipo comprometido no pasa por nadie, y ningún proveedor puede detectar ni cortar lo que el atacante hace con él.
Un modelo abierto de frontera ya cabe en una computadora personal. Colibri, un programa de código abierto con licencia Apache 2.0, publicado en julio de 2026, deja en la memoria la parte del modelo que se usa siempre y lee del disco los «expertos», las partes especializadas que el modelo activa según la tarea, sólo cuando los necesita. Con GLM-5.2, de 744.000 millones de parámetros, genera de 0,05 a 0,1 tokens por segundo en una laptop de 25 GB de memoria y 1,83 en una computadora de 128 GB, según su repositorio [268]. Los tokens son las piezas en que el modelo corta el texto. Creemos que esa lentitud no estorba a un atacante sin prisa, y que el costo del equipo deja de ser un filtro sobre quién usa un modelo abierto sin que nadie lo vea.
El FBI publicó el 13 de noviembre una alerta FLASH sobre ARTEX. Con ese tipo de aviso, que puede compartirse sin restricción, el FBI describe las tácticas de un ataque y los indicios para detectarlo. ARTEX es una herramienta de código abierto que automatiza con agentes de IA las fases de una intrusión, desde el reconocimiento hasta la extracción de datos. Los delincuentes la usan al menos desde agosto contra bancos, gobiernos y empresas de defensa, chips, energía y salud, entre otros sectores. Algunas intrusiones llegaron al acceso privilegiado, es decir, con permisos de administrador, en menos de tres horas, y una campaña contra instituciones financieras de Corea del Sur sacó datos de unas 67.000 personas. ARTEX no trae un modelo propio. Se conecta a Claude y a GPT, y también a DeepSeek, GLM, Grok y Kimi. Según el FBI, los atacantes conectan ARTEX sobre todo a modelos chinos, en especial a los DeepSeek Flash, por su costo y por la «falta de salvaguardas visibles» cuando la tarea se presenta como una prueba de penetración, que es el ataque simulado que una organización encarga para medir sus propias defensas. Entre los indicios de ataque que publica el FBI hay conexiones a las API de Anthropic, DeepSeek, Zhipu, que es el nombre anterior de Z.ai, y xAI, de modo que los atacantes también usan los modelos como servicio [69].
Google observó en septiembre a un grupo ligado a China que instala un modelo abierto en la infraestructura que compromete, para evitar el monitoreo de las API comerciales [269]. En noviembre observó marcos de ataque, programas como ARTEX que automatizan una intrusión, que conectan modelos comerciales y abiertos a más de cien herramientas [270].
La IA encuentra las fallas
La misma capacidad sirve para atacar y para defender, y la ventaja es de quien la recibe primero, porque puede encontrar y corregir las fallas antes de que el otro lado las aproveche. Así lo sostiene Anthropic, que compite en este mercado, para justificar que entrega sus modelos más capaces primero a los defensores [271]. La empresa dio Claude Mythos Preview sólo a defensores verificados, que con él encontraron más de 10.000 fallas en software crítico [68]. Lo hizo con el Proyecto Glasswing, que anunció el 7 de abril de 2026. Doce organizaciones fundadoras, contando a la propia Anthropic y entre ellas Amazon Web Services, Apple, Google, Microsoft y la Linux Foundation, recibieron el modelo, y también lo recibieron más de 40 organizaciones que mantienen software crítico. Anthropic comprometió para todas hasta US$100 millones en créditos de uso [271].
El 9 de noviembre, Anthropic lanzó Mythos 5.2, también sólo para organizaciones verificadas: las admitidas en sus programas de verificación de ciberseguridad y de ciencias de la vida, y los clientes de Claude Enterprise por medio de Claude Security. Fable 5.2, que está disponible para todo el público, tiene clasificadores, filtros automáticos que revisan cada petición y bloquean las tareas de ciberseguridad de alto riesgo, entre ellas las pruebas de penetración, la generación de ataques y la búsqueda de fallas en programas compilados, los que se distribuyen ya traducidos a lenguaje de máquina y sin su código fuente, además de la mayoría de las tareas de investigación en biología. La petición bloqueada la contesta un modelo anterior de Anthropic, Opus 4.8 si es de ciberseguridad y Opus 5 si es de biología. Fable y Mythos son el mismo modelo; Mythos 5.2 no tiene algunas de esas salvaguardas de ciberseguridad y biología [262]. El gobierno británico, por su parte, dice que sus pilotos con IA de frontera encontraron más de mil fallas en sistemas del Estado, y que su servicio central de vigilancia de vulnerabilidades redujo de cincuenta a ocho días el tiempo para corregir fallas [272].
El 21 de octubre, Wiz Research, el equipo de investigación de la empresa de seguridad en la nube Wiz, reveló PHP2Shell, un grupo de fallas críticas del núcleo de PHP, la parte central del lenguaje, registradas en el catálogo mundial de fallas conocidas con dos números, que están presentes en casi todas sus versiones desde la 5.4. PHP es el lenguaje de programación con que funcionan WordPress y Wikipedia, y según Wiz sostiene cerca del 70 % de los sitios del mundo. Las fallas permiten a un atacante remoto, sin identificarse, ejecutar su propio código en el servidor, es decir, darle órdenes a la máquina que sirve el sitio, o leer su memoria, donde puede haber contraseñas y datos de los usuarios. Llevaban más de una década en el código, pero aprovecharlas exigía una cadena de pasos al límite de lo que un investigador humano podía lograr. Wiz dice que los modelos de frontera, entre ellos Gemini 4 Argon y GPT-5.6 Sol, redujeron el esfuerzo necesario para convertir esas fallas en un ataque [263]. Ese mismo día, la Agencia de Ciberseguridad y Seguridad de las Infraestructuras de Estados Unidos (CISA) pidió aplicar el parche de inmediato y desconectar los sistemas que no pudieran actualizarse [273].
El número de fallas conocidas también crece. Al 13 de noviembre se habían publicado en 2026 más de 100.000 fallas registradas, más del doble que en todo 2025. Cada falla registrada recibe un identificador único del programa CVE, que asignan las organizaciones autorizadas por ese programa. VulnCheck, que es una de ellas y lleva la cuenta, lo atribuye sobre todo a la búsqueda con IA [274]. Google observó además a atacantes que comparan con IA el código de antes y de después de cada parche, y así convierten las fallas recién corregidas en ataques, sin intervención humana [270].
La semana de las caídas
Del 12 al 17 de noviembre cayeron en Estados Unidos Microsoft 365, el tráfico aéreo de todo el país, Workday, Chase, United, los servicios de Apple y NSANet, que es la red clasificada de la Agencia de Seguridad Nacional (NSA). Ninguna de esas caídas se atribuyó a un ataque. Microsoft atribuyó la suya a un cambio en su red, y dijo que no tuvo relación con ataques ni con la IA o los agentes [275]. La Administración Federal de Aviación (FAA) atribuyó la del tráfico aéreo a una falla de comunicaciones ligada a la instalación de un enrutador [276] [277]. Chase habló de una falla de software en sus equipos [278], y Apple, de una actualización interna [279].
El vínculo de esas caídas con la IA es indirecto. Según el director de Inteligencia Nacional, Jay Clayton, la red de la NSA cayó porque algunos sistemas no volvieron a arrancar cuando se les aplicó el parche de la falla de PHP, y no hay indicios de un ataque coordinado ni de la acción de un Estado [280]. El secretario de Seguridad Nacional de Estados Unidos, Markwayne Mullin, sugirió sin pruebas que la IA podía saturar los sistemas viejos [281]. Creemos que la caída de la NSA muestra un costo nuevo de la defensa: cuando la IA encuentra fallas graves en un software que corre en todas partes, el parche urgente también puede tumbar sistemas. Clayton pidió que el gobierno y la industria atiendan la ciberseguridad antes del lanzamiento de cada nuevo modelo de frontera [280].
Quien sirve modelos abiertos también es blanco
Creemos que el riesgo de robo alcanza también a las empresas que sirven modelos abiertos y guardan los modelos afinados de sus clientes. Fireworks, que sirve modelos abiertos por API, informó de dos intrusiones. La primera duró del 3 de agosto al 7 de octubre, y la segunda, del 23 al 30 de octubre. En la segunda, los intrusos tomaron los datos de cuenta y de facturación de todas las cuentas creadas antes del 30 de octubre. En las dos tomaron datos, archivos de modelos o secretos de un pequeño número de clientes. Los secretos son las claves y credenciales que los clientes guardan en la plataforma. En noviembre, Fireworks ligó la evidencia a un grupo criminal que revende acceso ilícito a modelos [282]. Google ya advertía que los pesos de los modelos y las cuotas de cómputo de las empresas, la capacidad que tienen contratada en la nube y que un intruso puede usar o revender, son blanco de espionaje, extorsión y robo [269].
Lo que responden los gobiernos
Casi toda la respuesta oficial descansa en evaluar los modelos antes de lanzarlos, con acceso anticipado de los gobiernos. Con un modelo abierto, ese control termina el día en que se publican sus pesos, porque, como advirtió la NTIA en 2024, cualquier restricción es más eficaz antes de que los pesos se difundan [220].
El ministro británico de IA, Kanishka Narayan, dijo el 12 de octubre que los modelos cada vez más capaces «se distribuyen en abierto», y que eso impide a cualquier país ser una isla, es decir, protegerse sólo con sus propias reglas. Narayan pidió a los laboratorios que no lancen un sistema si no pueden controlar sus riesgos. Su gobierno busca conservar, junto con el de Estados Unidos, el acceso de su AISI a los modelos más poderosos antes de que salgan [272]. Con ese acceso, los científicos del instituto prueban cada modelo antes del lanzamiento, para encontrar sus riesgos y revisar sus salvaguardas [272]. El 26 de octubre, el AISI de ese país publicó una conclusión sobre los modelos abiertos de biología. Filtrar los datos de entrenamiento, que es la defensa que O'Brien y otros llamaban prometedora (ver «Qué es abierto y qué es cerrado»), eleva el costo de recuperar una capacidad, pero no la elimina. Un ajuste fino con los datos retirados devolvió la capacidad por unos US$80 de cómputo en el mayor modelo probado [283].
Japón aprobó el 6 de noviembre un paquete de emergencia. Con él, el instituto japonés de seguridad de la IA evaluará con rapidez la capacidad de ataque de los modelos más potentes, y el gobierno buscará que las empresas de frontera le entreguen las fallas antes de publicarlas, es decir, la información de las fallas todavía no divulgadas [284].
En Estados Unidos, la guía que el Instituto Nacional de Estándares y Tecnología (NIST), la NSA y la CISA publicaron el 16 de octubre pide a los desarrolladores de frontera, de forma voluntaria, que conserven los pesos y los puntos de control para poder investigar un incidente. El documento reúne diez prácticas para prevenir, detectar y atender los incidentes que ocurran durante el entrenamiento y la evaluación de los modelos. La guía no distingue entre modelos abiertos y cerrados [285]. El proyecto de ley H.R. 10981, presentado en la Cámara de Representantes el 10 de noviembre, haría obligatoria la evaluación previa de la NSA, que hoy es voluntaria (ver «Evaluación previa y transparencia») [286]. California respondió por la vía judicial. Su fiscal general demandó a OpenAI el 16 de noviembre por perder el control de sus agentes en pruebas, entre ellas el ataque a Hugging Face (ver «Responsabilidad por el daño») [287].
En China, el comité de normas de ciberseguridad programó el 13 de octubre una norma nacional, que será una guía de seguridad para la publicación abierta de modelos de IA y tiene plazo a diciembre de 2027 [288]. Ese comité, conocido como TC260, es el Comité Técnico Nacional de Normalización de Ciberseguridad, y la norma está en un plan de normas nacionales recomendadas, es decir, de cumplimiento no obligatorio [288].
China controla además la salida de tecnología con un catálogo de tecnologías de exportación prohibida y restringida, a cargo del Ministerio de Comercio y del Ministerio de Ciencia y Tecnología. La tecnología que el catálogo prohíbe no puede exportarse, y la que restringe necesita una licencia [289]. La propuesta de revisión del catálogo estuvo en consulta del 16 de octubre al 15 de noviembre, y deja fuera las tecnologías que ya son de dominio público por haberse publicado como código abierto o en artículos académicos [290]. En consecuencia, ese control no alcanza a un modelo cuyos pesos ya se publicaron. Esa propuesta prohíbe exportar la generación autónoma de código malicioso con IA que pueda atacar infraestructura crítica, y restringe la exportación de la búsqueda de fallas asistida por IA [290].
07
Quién está de cada lado
Los laboratorios cerrados de Estados Unidos
Anthropic no publica pesos. Su director, Dario Amodei, escribió el 27 de julio de 2026 que Anthropic «nunca ha abogado por prohibir los modelos de pesos abiertos», y que esos modelos pueden presentar un riesgo mayor que los cerrados, vengan del país que vengan. Su preocupación principal es que gobiernos autoritarios construyan modelos más poderosos que los de Estados Unidos. La secundaria es que los modelos se usen en ataques cibernéticos o biológicos, o que tengan problemas graves de alineamiento, es decir, que no actúen según las intenciones de quienes los hacen y los usan. Amodei cita al AISI británico, según el cual publicar los pesos de un modelo con capacidades peligrosas crea un riesgo de mal uso «persistente e irreversible». Propone tres medidas: no vender a China chips avanzados ni equipo para fabricarlos, perseguir la destilación a escala industrial, que consiste en entrenar un modelo con las respuestas de otro, y someter a pruebas de seguridad obligatorias a todo modelo suficientemente capaz, sea abierto o cerrado [291]. Anthropic no firmó la carta del 24 de julio, a favor de los pesos abiertos (ver «Los abiertos de Estados Unidos») [217].
OpenAI publicó gpt-oss el 5 de agosto de 2025. Son dos modelos con licencia Apache 2.0 y una política de uso, y fueron sus primeros modelos de lenguaje de pesos abiertos desde GPT-2, de 2019 [292] [230]. Antes de publicarlos, la empresa los sometió a propósito a un ajuste fino para que hicieran daño en biología y en ciberseguridad. Concluyó que, aun así, quedaban por debajo de o3, un modelo suyo que no llega a su umbral de capacidad alta, el nivel que fija el marco de preparación con que la propia empresa clasifica el riesgo de sus modelos, y dijo que esos resultados pesaron en la decisión de publicarlos. Se trata de una evaluación del propio desarrollador [293]. Desde entonces OpenAI no ha publicado ningún modelo general nuevo, sino sólo modelos derivados o especializados. Entre ellos están gpt-oss-safeguard, que clasifica contenido según políticas de seguridad y viene en versiones de 120.000 y 20.000 millones de parámetros, y un filtro de datos personales [294]. OpenAI firmó la carta de julio cuando se amplió [217].
Google mantiene cerrado Gemini. El 2 de abril de 2026 publicó Gemma 4, la primera versión de esa familia con licencia Apache 2.0. La empresa dice que los modelos Gemma suman más de 400 millones de descargas [229]. Google también firmó la carta [217].
xAI publicó Grok 1 con licencia Apache y Grok 2 con una licencia propia. Elon Musk prometió los pesos de Grok 3, que a la fecha no están en Hugging Face [295] [237]. Desde febrero de 2026, xAI pertenece a SpaceX [296]. SpaceX firmó la carta, y xAI no aparece en ella con su propio nombre [217].
En la práctica, los laboratorios cerrados reservan su modelo principal y abren versiones menores. La distancia entre los modelos abiertos y los cerrados es corta. En el índice de capacidades de Epoch AI, los mejores modelos abiertos van desde enero de 2026 cuatro meses en promedio detrás de los cerrados, o seis si se aplica un criterio más estricto, que exige que el puntaje del modelo abierto supere al del cerrado y no sólo que la diferencia sea tan chica que ya no se distinga del margen de error [31]. El AISI británico estimó esa distancia entre cuatro y ocho meses en diciembre de 2025 [32]. En ciberseguridad la situó entre cuatro y siete meses en julio de 2026, cuando un año antes era de seis a diez [33]. El instituto, que depende del ministerio británico de ciencia y tecnología, mide esa distancia con 70 tareas de ataque y con redes simuladas. Busca el modelo cerrado que rinde igual que cada modelo abierto, y cuenta los meses entre los lanzamientos de uno y otro [33].
CAISI calculó en mayo que DeepSeek V4 Pro iba unos ocho meses detrás de la frontera estadounidense [34]. Arena ordena los modelos con los votos de usuarios que comparan las respuestas de dos modelos a la misma pregunta sin saber cuál es cuál. En esa tabla, según el AI Index, el informe de datos sobre la IA que publica el instituto HAI de la Universidad de Stanford, el puntaje del mejor modelo cerrado supera en 3,3 % al del mejor abierto, contra 0,5 % en agosto de 2024, de modo que en esa medida la distancia creció [35].
Los abiertos de Estados Unidos
Meta fue el principal promotor de lo abierto y hoy es híbrida, porque publica unos modelos y reserva otros. En 2024, Mark Zuckerberg escribió que vender acceso a modelos «no es nuestro modelo de negocio», y que cerrarlos para frenar a China «no funcionará» y sólo perjudicaría a Estados Unidos y a sus aliados [297]. En julio de 2025 advirtió que habría que ser cuidadosos con lo que se abre [298]. Llama no tiene una versión nueva desde abril de 2025 [299]. Muse Spark, el primer modelo de su laboratorio de superinteligencia, salió cerrado el 8 de abril de 2026, con acceso sólo por API, según el registro de Epoch AI y la prensa [31] [300].
El 10 de agosto, Zuckerberg anunció que Meta volvería a publicar algunos modelos abiertos, y que restringir ese ecosistema sería un error. Escribió: «no creo que restringir el acceso a los modelos de código abierto extranjeros sea una solución eficaz» [301]. Ese mismo día, Meta publicó Muse Glimmer, de unos 30.000 millones de parámetros y con licencia Apache 2.0 [302]. El 15 de octubre publicó Muse Spark Open, de 816.000 millones de parámetros y con licencia propia [303].
NVIDIA entrena la familia Nemotron y es, según Hugging Face, el mayor contribuidor de modelos abiertos [23]. Este estudio la trata aparte más abajo (ver «NVIDIA entre los dos lados»). Microsoft publica Phi con licencia MIT, e IBM publica Granite con Apache 2.0 [231] [232]. Reflection, que tiene a NVIDIA entre sus inversionistas, publicó en octubre Beam, de 501.000 millones de parámetros, con Apache 2.0. El estudio de asuntos públicos compara sus resultados con los de los modelos chinos [304] [305].
La coalición de los abiertos se formalizó el 24 de julio de 2026 con la carta «Open Weights and American AI Leadership». La primera versión, que publicó Microsoft, tenía 25 firmantes, entre ellos Meta, Microsoft, NVIDIA, IBM, Palantir, CrowdStrike, Dell, Mistral, Hugging Face, Andreessen Horowitz y Y Combinator [306]. La versión del 29 de julio ya tenía 235, con Amazon, AMD, Google, Intel, OpenAI y SpaceX [217], y el 3 de agosto Microsoft contaba más de 270 [307]. Las cifras de firmantes son las de cada versión publicada, y el encabezado de todas conserva la fecha del 24 de julio.
La carta sostiene que el liderazgo de Estados Unidos se juzgará por si construye «un ecosistema abierto y fuerte». Reconoce que los pesos abiertos tienen riesgos reales, porque una vez publicados escapan al control de quien los hizo, y pide «mantener plural la frontera evitando restricciones prematuras a los modelos abiertos». Advierte también que no se debe confundir la destilación legítima con la apropiación indebida, y pide atacar esta última con reglas específicas [306].
Según Fortune, Huang compartió la carta en su primera publicación en X, con la frase de que el mundo necesita modelos de frontera cerrados y también abiertos [308]. En septiembre, Huang escribió que era coautor de la carta [25]. La carta salió ocho días después del lanzamiento de Kimi K3, el modelo abierto de la empresa china Moonshot, que fue el 16 de julio. En esos días, según Fortune, el gobierno de Estados Unidos debatía si restringir los modelos abiertos chinos como ese, y Michael Kratsios, director de la Oficina de Política Científica y Tecnológica de la Casa Blanca, acusó a Moonshot de destilar modelos estadounidenses [308].
China
La mayoría de los principales laboratorios chinos publican abiertos sus modelos insignia. DeepSeek usa la licencia MIT en V3, R1, V4 y V4.1 [228] [309]. Alibaba publica la mayoría de los modelos Qwen con Apache 2.0. Su modelo mayor, Qwen3.8, de 2,4 billones de parámetros, y otros como Qwen3.8-Flash-Next llevan licencias propias, que exigen un contrato al gran revendedor, el grupo que ofrece modelos como servicio y pasa de cierto ingreso (ver «Qué es abierto y qué es cerrado») [240]. Moonshot publicó Kimi K2 con una licencia MIT modificada, y Kimi K3, de 2,8 billones de parámetros, con una licencia propia. El 4 de noviembre publicó Kimi K3.1 Pro, del mismo tamaño y con la misma condición, que es un contrato aparte con Moonshot para el gran revendedor [238] [239]. Z.ai publicó GLM-5 con licencia MIT, y GLM-5.3 con la revisión de seguridad ya descrita, que su licencia reserva a la empresa frente a los grupos más grandes [241]. Tencent publicó Hy3 con Apache 2.0 [310]. La excepción es ByteDance, que reserva su modelo principal, Seed 2.0, para su propio servicio, que ofrece por Volcano Engine y Doubao. Aun así, ByteDance publicó con Apache 2.0 modelos menores, como Seed-OSS-36B [311] [312].
Esa apuesta domina la adopción:
- Los modelos chinos fueron 41 % de las descargas en Hugging Face en el último año, según la propia plataforma. Hugging Face advierte que los sistemas automatizados inflan las descargas de los modelos pequeños, de modo que la cifra no equivale al uso real [28].
- En marzo de 2026, los modelos chinos sumaban 1.150 millones de descargas acumuladas, contra 723 millones de los estadounidenses. En febrero fueron 70 % de los nuevos modelos derivados. Las dos cifras son del informe ATOM, de Nathan Lambert y Florian Brand, que sigue la adopción de unos 1.500 modelos abiertos y asigna el país por la sede de quien publica [29].
- OpenRouter es una plataforma que da acceso a cientos de modelos. El uso se mide ahí en tokens, las piezas en que el modelo corta el texto, del tamaño de una palabra corta o de parte de una palabra larga. En esa plataforma, los modelos abiertos llegaron a fines de 2025 a cerca de un tercio de los tokens, y los abiertos chinos promediaron 13 % del volumen semanal en el año [313]. El estudio de asuntos públicos registra una semana de julio de 2026 en que la proporción china pasó de la mitad. Registra también empresas estadounidenses que se pasaron a Kimi y a GLM, o que construyen sobre ellos [304].
- En la semana del 14 de septiembre de 2026, los modelos chinos fueron entre 57 % y 67 % de los tokens de OpenRouter, contra 6 % a 13 % en febrero. En Vercel, una plataforma en la que los desarrolladores publican sitios y aplicaciones y les conectan modelos de IA, llegaron a 55 % en agosto, contra 11 % en enero. Los datos son de CNBC, que añade que los modelos de frontera estadounidenses todavía se llevan más gasto [314].
- Lindy, una empresa emergente estadounidense, pasó en junio de 2026 todo su tráfico de los modelos Claude, de Anthropic, a DeepSeek. Su director dijo que la curva de costo «se desplomó» [315]. Brian Chesky, director de Airbnb, dijo en octubre de 2025 que su agente de atención se apoya mucho en Qwen, de Alibaba, porque es «muy bueno» y «rápido y barato» [316].
Según el AI Index de Stanford, en marzo de 2026 el mejor modelo estadounidense superaba al mejor chino por 2,7 % en la clasificación de Arena, y esa distancia no pasó de un dígito en el último año [317]. El informe se contradice sobre quién iba primero. Su texto dice que los modelos de los dos países se intercambiaron varias veces el primer lugar desde principios de 2025, pero el único caso que da es un empate: DeepSeek-R1 igualó brevemente al mejor modelo estadounidense en febrero de 2025. La gráfica del mismo informe muestra los puntajes, y en ella el modelo estadounidense va arriba todo el periodo, con 1.503 puntos contra 1.464 en 2026 [317]. Creemos que las dos versiones se explican por el método de Arena. Hasta noviembre de 2025, Arena daba a cada modelo el mejor lugar compatible con su margen de error, de modo que dos modelos con puntajes distintos podían aparecer los dos en el primer lugar [318]. Así, un modelo chino pudo compartir el primer lugar sin superar nunca el puntaje del estadounidense. La contradicción se consigna porque quien consulte la fuente encontrará las dos versiones y porque cambia la lectura del dato: según los puntajes, la ventaja estadounidense es chica pero constante, y los empates en el primer lugar no indican que un modelo chino haya ido adelante.
Los desarrolladores chinos cobran por el servicio y no por los pesos. Alibaba informó que sus servicios de nube y de cómputo de IA crecieron 45 %. La empresa dice que, a largo plazo, la estrategia abierta de Qwen, que suma más de 3.000 millones de descargas, convierte la adopción en oportunidades de negocio para su nube [319]. DeepSeek publicó en 2025 que, con sus precios de entonces, su servicio tendría un margen teórico de 545 % sobre el costo, es decir, cobraría unas seis veces y media lo que le cuesta servirlo, aunque su ingreso real era menor porque su web y su aplicación son gratuitas [320]. Abrir los modelos también cuesta, porque otros proveedores pueden servir el mismo modelo y llevarse el tráfico. El estudio de asuntos públicos muestra que, veinte días después de que Z.ai liberó los pesos de su modelo, la parte del tráfico de ese modelo que pasaba por la propia Z.ai había caído de 88 % a 22 % [321].
Las evaluaciones oficiales de Estados Unidos encuentran salvaguardas débiles en los modelos chinos. CAISI encontró en septiembre de 2025 que DeepSeek R1-0528 cumplía 94 % de las peticiones abiertamente dañinas cuando se le aplicaban técnicas de evasión comunes, contra 8 % de los modelos estadounidenses de referencia. Esas técnicas son formas de redactar la petición para que el modelo ignore sus salvaguardas. Encontró también que los modelos de DeepSeek repetían, en promedio, cuatro veces más narrativas del Partido Comunista Chino que los estadounidenses de referencia [322]. La evaluación responde al encargo del plan de acción sobre IA de la Casa Blanca, de julio de 2025 (ver «Los patrocinadores estatales»), y comparó tres modelos de DeepSeek con cuatro estadounidenses en 19 bancos de pruebas [322].
La misma prueba incluyó a gpt-oss, el modelo abierto de OpenAI. Para redactar correos de suplantación, los que se hacen pasar por una persona o una empresa para engañar a quien los recibe, gpt-oss resultó tan fácil de secuestrar como R1-0528, es decir, de desviar de la tarea del usuario con instrucciones maliciosas escondidas en el contenido que lee mientras trabaja como agente: cedió en 48 % de los casos, frente a 3 % de los modelos cerrados. En las otras tareas resistió más que R1-0528. Cedió en 27 % de los casos contra 37 % para robar credenciales, y en 28 % contra 49 % para descargar programas maliciosos. Ante las técnicas de evasión cumplió entre 6 % y 10 % de las peticiones, contra más de 90 % de los modelos de DeepSeek. Aun así, los dos modelos abiertos quedaron muy por detrás de los cerrados, que no pasaron de 4 % [322].
En septiembre de 2026, CAISI llamó a GLM-5.3 el modelo abierto más capaz en ciberseguridad publicado hasta entonces, unos cuatro meses detrás de una frontera estadounidense que incluye modelos de acceso restringido [264]. De GLM-5.2 dijo que sus salvaguardas se pueden evadir cuando el modelo se ejecuta en un equipo propio [323].
Estudios independientes confirman la censura. En preguntas hechas en chino a modelos de 2023 y 2024, los modelos chinos rechazan muchas más preguntas políticas que los demás: DeepSeek rechaza 36 %, y los modelos no chinos, entre 0 % y 2,8 % [324]. El sesgo, además, pasa a otros modelos a través de los datos de entrenamiento. Según Aleph Alpha, una empresa alemana que compite con los proveedores chinos, entre 17 % y 18 % de las respuestas de Nemotron Cascade 2, de NVIDIA, repiten esas narrativas. La causa, según la empresa, son unas 3.500 filas con consignas del Partido entre 9,3 millones de ejemplos de ajuste fino, generados sobre todo con DeepSeek y Qwen [325].
Europa y los demás
Fuera de las dos potencias, varios gobiernos que financian modelos propios los publican abiertos en nombre de la soberanía, es decir, para no depender de un proveedor extranjero que puede cambiar precios, condiciones o acceso.
- Suiza. La EPFL, la ETH de Zúrich y el centro nacional de supercómputo publicaron en septiembre de 2025 Apertus, en versiones de 8.000 y 70.000 millones de parámetros. Lo publicaron con pesos, puntos de control, código y documentación de los datos, y con una licencia que admite el uso comercial [326]. El modelo es parte de la Iniciativa Suiza de IA, que encabezan esas dos escuelas públicas, y se entrenó en Alps, la supercomputadora del centro nacional, con más de 10 millones de horas de GPU, el equivalente a 10.000 de esos chips trabajando sin parar unas seis semanas [326]. En 2026 salió la versión 1.5, que es multimodal y lleva licencia Apache 2.0 [327].
- Emiratos Árabes Unidos. El Technology Innovation Institute, brazo de investigación aplicada del Consejo de Investigación en Tecnología Avanzada del gobierno de Abu Dabi, publica la familia Falcon. En 2026 liberó en Hugging Face Falcon Perception, un modelo de visión de 300 millones de parámetros, «para fortalecer las capacidades soberanas de IA» [328]. La MBZUAI, una universidad de Abu Dabi dedicada por completo a la IA, y la empresa G42 publicaron en septiembre de 2025 K2 Think, de 32.000 millones de parámetros, con datos, pesos y código [329].
- India. La Misión IndiaAI, que el gobierno lanzó en 2024, financia a doce organizaciones y consorcios para que creen modelos fundacionales propios, los modelos generales sobre los que otros desarrollan aplicaciones, y la ayuda cubre el costo del cómputo. Los modelos de Sarvam y de BharatGen se publican en AIKosh, la plataforma pública del gobierno, una biblioteca compartida de modelos que cualquiera puede usar. El gobierno presenta esa publicación como una contribución al código abierto [330].
- Japón. El gabinete aprobó el 14 de julio de 2026 la revisión del Plan Básico de IA (el primer plan es del 23 de diciembre de 2025). El plan es el instrumento que la ley japonesa de promoción de la IA, de 2025, manda adoptar al gobierno. La revisión propone un ecosistema confiable que incluya modelos de código abierto y de pesos abiertos, una «soberanía de IA abierta» y evitar la dependencia excesiva de un país o de una empresa. El gobierno abrirá como código abierto Gennai, su plataforma de IA generativa, que ya usan 180.000 funcionarios, para que la adopten también los municipios [331].
- Corea del Sur. El programa de modelo fundacional soberano del Ministerio de Ciencia seleccionó en agosto de 2025 a cinco equipos. El gobierno les da GPU, datos de entrenamiento y apoyo para contratar investigadores extranjeros, y previó una primera evaluación para reducirlos a cuatro. Los equipos se comprometieron con políticas abiertas, para que otras empresas puedan usar sus modelos con fines comerciales [332]. En la primera evaluación, en enero de 2026, Naver quedó fuera porque usó un codificador externo con sus pesos, sin reentrenarlos. El codificador es el componente que convierte el video y el audio en datos que el modelo puede procesar. El ministerio fijó como condición mínima entrenar desde pesos inicializados, es decir, vaciar los pesos y volver a formarlos con datos propios, aunque admite que se use código abierto verificado [333].
- Rusia. Su ley de modelos fundacionales, vigente desde el 1 de septiembre de 2026, distingue dos categorías, que se aplican desde el 1 de marzo de 2027 [334]: los modelos soberanos, desarrollados del todo en el país, y los nacionales, que pueden usar componentes extranjeros abiertos. La ley fija además las definiciones básicas de la IA y de los grandes modelos fundacionales, impone obligaciones a sus desarrolladores y crea una responsabilidad general por las infracciones en el sector [334]. Sber, por su parte, publicó abierto GigaChat 3.1 Ultra. Los dos datos están en el estudio de asuntos públicos [335]. En septiembre de 2026, Sber publicó además GigaChat 3.5, de 432.000 millones de parámetros, con licencia MIT [336].
- Unión Europea. La Comisión Europea dio en febrero de 2025 su sello STEP, con 37,4 millones de euros, a OpenEuroLLM, una familia de modelos de código abierto para todas las lenguas oficiales de la Unión [337]. El sello STEP es la marca de excelencia de la Plataforma de Tecnologías Estratégicas para Europa, y facilita que un proyecto obtenga otros fondos europeos. De los 37,4 millones del presupuesto de OpenEuroLLM, 20,6 millones salen del programa Europa Digital [337]. Mistral, el mayor laboratorio europeo de modelos, publica abiertos sus modelos pequeños, con Apache 2.0. En septiembre de 2026 cerró una ronda de 3.000 millones de euros encabezada por Samsung, y se presenta como la única empresa que construye a la vez modelos de pesos abiertos, infraestructura y productos [162]. Su modelo Large 4 lleva una licencia que exige un contrato para revenderlo como servicio. Otros, como Medium y Codestral, quedan reservados para el servicio de la empresa [244].
El caso coreano muestra que un gobierno que exige independencia puede no aceptar un modelo nacional construido sobre los pesos de otro, aunque esos pesos sean públicos. El ministerio coreano lo justifica por la seguridad nacional, porque quiere poder desarrollar y controlar el modelo por sí mismo en cualquier circunstancia [333]. Eso es un límite de lo abierto como base de un modelo soberano. Rusia admite componentes extranjeros abiertos, pero los pone en otra categoría, la de modelo nacional.
08
Los patrocinadores estatales
Estados Unidos patrocina a los dos lados
El plan de acción sobre IA que la Casa Blanca publicó en julio de 2025 dedica un apartado a «fomentar la IA de código abierto y de pesos abiertos». Sostiene que Estados Unidos necesita modelos abiertos líderes, fundados en valores estadounidenses, y que esos modelos pueden volverse estándares mundiales, por lo que tienen valor geoestratégico. Añade que la decisión de publicar un modelo abierto o cerrado «corresponde en lo fundamental al desarrollador», y que el gobierno debe crear un entorno favorable para los abiertos [30]. El mismo plan encarga a CAISI evaluar los modelos chinos por su alineación con las consignas del Partido Comunista y por su censura [30].
El memorando NSTM-4 de la Oficina de Política Científica y Tecnológica, del 23 de abril de 2026, acusa a entidades «principalmente basadas en China» de campañas deliberadas de destilación a escala industrial. Dice que «no hay nada abierto» en los modelos supuestamente abiertos que nacen de una explotación maliciosa. En el mismo texto reafirma el compromiso con el desarrollo abierto, desde los marcos de código abierto hasta los modelos de pesos abiertos, y no propone restringirlos [338].
La orden ejecutiva 14409, del 2 de junio de 2026, manda reforzar la defensa informática del gobierno federal con ayuda de la IA. Encarga también a la NSA decidir, con un procedimiento clasificado, qué modelos cuentan como modelos de frontera cubiertos por su capacidad cibernética. Para esos modelos crea un acceso voluntario del gobierno hasta 30 días antes de que se entreguen a otros socios de confianza, las organizaciones elegidas para recibirlos antes que el público. La orden prohíbe que esa sección se interprete como licencia, autorización previa o permiso obligatorio para desarrollar, publicar o distribuir modelos, de modo que no impide publicar los pesos de ninguno [339].
La orden 14319, de julio de 2025, sólo permite a las agencias federales comprar modelos de lenguaje que cumplan dos principios, la búsqueda de la verdad y la neutralidad ideológica [340]. La guía de compras de la Oficina de Presupuesto, de diciembre de 2025, aplica esos principios a todo modelo de lenguaje que adquiera una agencia. Exime de sus requisitos de neutralidad a los modelos adquiridos con licencia libre y abierta, aunque pide a las agencias que los revisen antes de usarlos [341]. La orden 14319, por último, pide evitar, en lo posible, que se exija divulgar los pesos, es decir, que una agencia obligue al proveedor a entregarlos para comprobar que cumple [340].
Los contratos federales y las pruebas voluntarias de seguridad nacional previas al lanzamiento se hacen, en cambio, con los laboratorios cerrados. En mayo de 2026, CAISI firmó acuerdos de ese tipo con Google DeepMind, Microsoft y xAI, que se suman a los que ya tenía con Anthropic y OpenAI [342]. El estudio de asuntos públicos recoge que la Casa Blanca dijo a los laboratorios que esas pruebas dejan fuera a los modelos abiertos chinos [343]. Mark MacCarthy, en Tech Policy Press, entiende que la exclusión abarca a todos los modelos abiertos, también a los estadounidenses, y propone extenderles la revisión [344]. CAISI sí evalúa modelos abiertos después de que se publican, como los de DeepSeek y Z.ai citados arriba [34] [264].
La ley de defensa de 2027, la ley anual que autoriza el gasto militar, trata los pesos como algo que se protege. Sus dos versiones, la que aprobó la Cámara de Representantes de Estados Unidos el 14 de septiembre y la que dictaminó la Comisión de Servicios Armados del Senado, ordenan al Departamento de Defensa de Estados Unidos construir y probar centros de datos de alta seguridad. Esos centros deben proteger los pesos de los modelos contra el robo, el sabotaje o el acceso no autorizado de Estados adversarios. La versión del Senado pide además reglas para que los grandes contratistas de IA reporten los incidentes que comprometan sus modelos o sus pesos [345]. Para el Departamento de Defensa, los pesos de los modelos que contrata son un activo que se custodia en lugar de publicarse. La versión de la Cámara los cuenta entre los activos sensibles que hay que proteger del robo, el sabotaje o el acceso no autorizado [345].
En el Congreso, el único proyecto dedicado a apoyar a los modelos abiertos es la Ley de Liderazgo en IA de Código Abierto, H.R. 10152. La Comisión de Energía y Comercio de la Cámara de Representantes lo aprobó el 16 de septiembre por 26 votos contra 21. Desde entonces no se ha presentado su informe, el paso que sigue a la aprobación en comisión, ni se ha votado en el pleno, y el proyecto caduca si no se aprueba antes del 3 de enero de 2027, cuando termina el 119.º Congreso [26].
El proyecto manda al Departamento de Comercio de Estados Unidos apoyar la adopción de modelos abiertos estadounidenses. Le manda también evaluar y publicar los riesgos de los modelos abiertos de adversarios extranjeros, que son China, Rusia, Irán y Corea del Norte y las entidades bajo su control [346], incluido el de que se hayan entrenado usando otros modelos sin autorización. Establece además que nada en la ley autoriza a «prohibir, restringir o de otra forma hacer indisponible un modelo abierto» [347]. Algunos demócratas objetaron que el proyecto da a la administración una autoridad sin límites claros. La demócrata Lori Trahan dijo que la mayor amenaza para el ecosistema abierto es la incertidumbre regulatoria del propio gobierno [348]. Otro proyecto, H.R. 8094, sobre transparencia de los modelos fundacionales, exime a los modelos de código abierto completo de las reglas que encarga a la Comisión Federal de Comercio, sin definir qué cuenta como código abierto completo [349]. Esas reglas obligarían a los proveedores de los modelos más usados o más potentes a publicar el origen de sus datos de entrenamiento, los riesgos previsibles y sus resultados en pruebas. El proyecto se presentó en marzo de 2026 y se turnó a la Comisión de Energía y Comercio [349].
China patrocina sólo lo abierto
En China, el código abierto es política de Estado escrita. La opinión del Consejo de Estado sobre la acción «IA+», de agosto de 2025, le dedica uno de sus apartados, «promover la prosperidad del ecosistema de código abierto». Con esa opinión, el gobierno central ordena llevar la IA a seis campos, entre ellos la ciencia, la industria, el consumo y la administración pública. Fija como meta que el uso de los agentes de IA y de las terminales inteligentes, los teléfonos, computadoras, autos y otros aparatos con IA integrada, pase de 70 % en 2027 y de 90 % en 2030 [350]. En ese apartado pide apoyar las comunidades de IA abierta y la apertura de modelos, herramientas y conjuntos de datos. Invita a las universidades a contar las contribuciones al código abierto como créditos de los estudiantes y méritos de los profesores, y llama a desarrollar proyectos «con influencia internacional». En su apartado de cooperación global, la opinión pide además hacer la tecnología abierta y accesible para el Sur Global, es decir, para los países en desarrollo [350]. El XV Plan Quinquenal, de marzo de 2026, que es el programa de desarrollo económico y social del país para el periodo de 2026 a 2030, pide construir el sistema de código abierto y perfeccionar sus mecanismos [351].
El plan «IA+ Manufactura», que firmaron en diciembre de 2025 el Ministerio de Industria y otros siete organismos, fija para 2027 la meta de un ecosistema abierto «líder a nivel mundial», y manda desplegar proyectos abiertos de modelos, datos y agentes. Entre sus otras metas para ese año están 1.000 agentes industriales de alto nivel y de tres a cinco modelos generales aplicados a fondo en la manufactura. Propone desarrollar licencias de código abierto adaptadas a los proyectos de IA y «un nuevo orden de reglas del código abierto». Su guía anexa alienta a las empresas líderes a ofrecer sus soluciones abriendo modelos generales y herramientas [352].
Las licencias que Z.ai, Alibaba y Moonshot adoptaron en 2026, con revisión de seguridad o con contrato para el gran revendedor, coinciden con ese llamado [241] [240] [238]. Sin embargo, Meta y Mistral adoptaron el mismo diseño. Por eso creemos que esas licencias responden sobre todo a una razón comercial común, que es cobrarle al revendedor que se queda con el tráfico (ver «Quién está de cada lado»).
Hacia fuera, el Plan de Acción de Gobernanza Global de la IA, de julio de 2025, es un texto de 13 puntos que el gobierno chino publicó en la Conferencia Mundial de Inteligencia Artificial. El plan llama a gobiernos, organismos y empresas a actuar, sin crear obligaciones. Propone comunidades de código abierto transnacionales, con normas de seguridad técnica y con flujo abierto de los recursos técnicos «no sensibles» [353]. El acuerdo que crea la Organización Mundial de Cooperación en IA, con sede en Shanghái, lo firmaron 29 países el 16 de julio de 2026. La organización es un organismo intergubernamental que China impulsó para promover la cooperación internacional y la gobernanza global de la IA. La nota oficial no menciona el código abierto. Xinhua atribuye a «las partes pertinentes» un programa que incluye construir juntos un ecosistema abierto, pero no hemos encontrado el texto del acuerdo [354] [355]. El 3 de noviembre, la Comisión Nacional de Desarrollo y Reforma dijo que la organización ya tenía 38 fundadores y que se trabajaba en ponerla en funcionamiento. Dijo también que China impulsará «sin vacilar» el código abierto de la IA [356].
El gobierno chino defiende sus modelos abiertos en el debate estadounidense. El estudio de asuntos públicos recoge la respuesta de su Ministerio de Comercio a las acusaciones de destilación [357]. En esa respuesta, el ministerio advirtió que tomaría contramedidas si Estados Unidos actuaba contra sus empresas, y repitió que China «alienta el código abierto» [358]. En julio, el vocero del ministerio había señalado que casi 200 empresas emergentes estadounidenses pedían a su gobierno no cortar el acceso a los modelos abiertos chinos, porque eso restaría competitividad a las empresas de Estados Unidos [359].
No encontramos en China un programa público dirigido a los modelos cerrados. ByteDance, que reserva Seed 2.0 y publica abiertos modelos menores, lo hace por decisión propia [311] [312]. Las reglas que obligan a los modelos chinos se aplican al servicio que se ofrece al público y no a los pesos, como se ve más abajo (ver «Evaluación previa y transparencia»).
09
NVIDIA entre los dos lados
NVIDIA vende los chips que usan los dos bandos, aunque, según SemiAnalysis, le conviene más un mercado de modelos abiertos, porque multiplica a quienes compran chips para ejecutarlos (ver «Lo que dice Huang») [27]. Los centros de datos aportaron 89,7 % de sus ingresos del año fiscal 2026, que terminó en enero, y China, junto con Hong Kong, aportó 9,1 %. La propia empresa dice que en China está, en los hechos, excluida del mercado de centros de datos, porque no logra ofrecer ahí un producto competitivo que aprueben a la vez el gobierno de Estados Unidos y el de China [11].
Para el tercer trimestre de su año fiscal 2027, que va de agosto a octubre, NVIDIA no supuso ningún ingreso de cómputo desde China [360]. Aun así, envió a China productos para centros de datos de la generación Hopper, la anterior a Blackwell [11], por US$2.400 millones [144]. Para el cuarto trimestre tampoco supone ningún ingreso de cómputo desde China [144]. El 17 de noviembre dijo que deja de vender en China el H200, el chip para el que Estados Unidos le había dado licencias de venta a clientes chinos [200].
NVIDIA financia el lado cerrado. En 2025 anunció la intención de invertir hasta US$100.000 millones en OpenAI, a medida que se desplegaran sus sistemas [361]. En marzo de 2026 sustituyó esa intención por una inversión de US$30.000 millones en acciones, según Jensen Huang, entonces director general de NVIDIA, y la prensa [362]. En agosto de 2026 dio garantías de valor residual sobre los arrendamientos de un campus en Ohio, con un tope acumulado de US$105.000 millones. Si el arrendatario deja de pagar o cae en insolvencia, NVIDIA cubre la diferencia entre un valor mínimo garantizado de cada arrendamiento y lo que se recupere al volver a arrendarlo o venderlo. Cada garantía empieza con su arrendamiento, desde 2028, y termina a los 20 años o antes, por ejemplo si OpenAI obtiene una calificación crediticia satisfactoria. El arrendatario es una filial de OpenAI, y OpenAI se obliga a reembolsar a NVIDIA lo que esta llegue a pagar [363].
También invierte en otros laboratorios. En 2025 acordó invertir hasta US$10.000 millones en Anthropic [212]. El prospecto de salida a bolsa de Anthropic, del 10 de noviembre, prevé además que NVIDIA le compre unos US$10.000 millones en acciones, en una colocación privada simultánea, es decir, una venta directa de acciones fuera de la oferta pública [56]. NVIDIA participó también en la ronda de xAI de enero de 2026 [364]. Al 26 de julio tenía US$99.000 millones en participaciones y US$25.000 millones comprometidos en su ecosistema, del que forman parte los desarrolladores de modelos [14].
Business Insider escribió que la caída de Huang quita una amenaza a la salida a bolsa de Anthropic [365]. El prospecto de Anthropic describe una capa de orquestación propia con la que entrena y sirve Claude en cuatro familias de chips: los Trainium de Amazon Web Services, los TPU de Google y las GPU de NVIDIA y de AMD. Según la empresa, esa capa reduce su dependencia de cualquier proveedor [56]. Michael Cembalest, de J.P. Morgan Asset Management, calculó que NVIDIA tiene 28 % de los acuerdos de cómputo que los laboratorios de frontera anunciaron para 2026 en adelante, cuando en 2024 y 2025 tenía entre 80 % y 90 % de las ventas de chips de IA. Para Cembalest, ese giro de los laboratorios hacia chips propios o de otros proveedores explica por qué Huang defiende con tanta insistencia los modelos abiertos [366]. Creemos que la caída de Huang favorece a los laboratorios cerrados por dos lados: debilita al principal patrocinador de lo abierto y llega cuando ellos dependen menos de sus chips.
NVIDIA financia también el lado abierto.
- Entrena la familia de modelos Nemotron 3. Nano, de 30.000 millones de parámetros, se publicó en diciembre de 2025, y Super, de 120.000 millones, en marzo de 2026, los dos con licencia propia; Ultra, de 550.000 millones, se publicó en junio de 2026 y usa OpenMDW, una licencia abierta de terceros [367] [368] [369]. OpenMDW es una licencia que la Linux Foundation y la PyTorch Foundation presentaron en 2025 para publicar un modelo completo, con sus pesos, su código y su documentación. Permite usarlo, modificarlo y redistribuirlo sin restricciones [370]. En octubre de 2026 NVIDIA empezó a publicar la familia Nemotron 3.5 [371].
- Sus compromisos plurianuales de nube son contratos para usar durante varios años la capacidad de los proveedores de nube. NVIDIA los destina a investigación y a DGX Cloud, su servicio de cómputo en la nube, y sumaban US$26.000 millones en octubre de 2025 [212]. En agosto de 2026 eran US$29.000 millones [14]. La empresa escribió que esos compromisos dan la infraestructura para investigar y desarrollar sus modelos abiertos, como Nemotron, Cosmos y GR00T, y su software de conducción autónoma [14].
- El 2 de septiembre de 2026 firmó la compra de Hugging Face por unos US$11.900 millones. Se comprometió a mantener abierta la plataforma [24]. El acuerdo incluye un programa de retención de hasta unos US$1.000 millones en acciones, que se entregan a los empleados de Hugging Face para que se queden después de la compra, y el cierre está previsto para el primer semestre de 2027 [24]. Ese cierre requiere aprobaciones regulatorias. Según Reuters, el Departamento de Justicia de Estados Unidos investiga la conducta de NVIDIA y, dentro de esa investigación, pregunta si la compra le permitiría «capturar un punto de distribución fundamental para la IA» [372]. En septiembre de 2026, según Reuters, que cita al New York Times, el mismo departamento había empezado a investigar si NVIDIA estructuró su acuerdo con Groq, una empresa de tecnología de inferencia, para evitar la revisión antimonopolio. En Estados Unidos, la ley Hart-Scott-Rodino obliga a notificar las compras grandes a la Comisión Federal de Comercio y al Departamento de Justicia antes de cerrarlas, y a esperar un plazo para que las revisen [373]. El acuerdo con Groq fue una licencia de tecnología con contratación de directivos, no una compra (ver «Lo que Huang prevé para el cómputo»). MLex anticipó que esa investigación endurecería la revisión de la compra de Hugging Face [374] [375].
- Invirtió en Mistral y participó en la ronda de Reflection, según TechCrunch [376] [377].
En agosto de 2026 NVIDIA escribió ante la SEC que la demanda de modelos abiertos «promueve el uso de nuestros productos en todo el mundo» [14]. En el aviso de la compra de Hugging Face advirtió que otros cabildean ante el gobierno de Estados Unidos para que adopte medidas que restrinjan o perjudiquen a los modelos de código abierto, y que muchos de los modelos abiertos más populares del mundo se originaron en China [24]. Su informe anual cuenta dos riesgos más. Uno es que una regulación le impida dar soporte a aplicaciones construidas sobre modelos chinos, como DeepSeek y Qwen. El otro es que el gobierno chino desaliente a sus clientes de comprarle [11].
El regulador del ciberespacio chino convocó a NVIDIA en julio de 2025 para que explicara los riesgos de «vulnerabilidades y puertas traseras», accesos ocultos al chip, del H20, el chip que NVIDIA adaptó a los controles de exportación para venderlo en China [378]. En septiembre de 2025, la Administración Estatal de Regulación del Mercado, autoridad china de competencia, concluyó de forma preliminar que NVIDIA violó la Ley Antimonopolio y las condiciones con que se aprobó su compra de Mellanox, sin precisar cuáles, y decidió seguir investigando [379]. Mellanox es un fabricante de equipos de red para centros de datos. La autoridad aprobó su compra en abril de 2020 con condiciones. NVIDIA debía seguir surtiendo al mercado chino sus aceleradores, los chips especializados en los cálculos de la IA, y los equipos de Mellanox en términos justos, razonables y no discriminatorios, y no podía obligar a comprarlos juntos [379]. Según NVIDIA, el hallazgo es que discriminó a los clientes chinos al cumplir los controles de Estados Unidos y ofrecer a China productos degradados [14]. En noviembre de 2025 la Casa Blanca anunció que China terminaría sus investigaciones antimonopolio sobre empresas estadounidenses de semiconductores, sin nombrar a NVIDIA. Lo anunció como parte de la tregua comercial entre los dos países (ver «La fábrica») [380]. En agosto de 2026 NVIDIA seguía describiendo el hallazgo de la autoridad china como un riesgo vigente [14].
Estados Unidos autorizó vender cantidades pequeñas del H200 a clientes chinos concretos, pero el gobierno chino restringió esas compras. En el primer semestre de su año fiscal 2027, NVIDIA registró un cargo, una pérdida contable, de US$400 millones por inventario sobrante y compromisos de compra, porque bajó la demanda del H200. Después del cargo sólo hizo una fracción de los envíos autorizados, y esos envíos fueron menos de 1 % de sus ingresos de centros de datos del trimestre. El H20 ya le había costado US$4.500 millones en 2025, cuando Estados Unidos exigió licencia para venderlo a China [14]. El gobierno estadounidense cobra 25 % por esas ventas. Ese 25 % es un arancel a la importación del chip a Estados Unidos, por donde las licencias obligan a pasarlo para su inspección antes de salir hacia China [11]. NVIDIA no ha podido trasladar ese arancel a sus clientes [14]. Mientras tanto, China construye su propia cadena de chips (ver «China fabrica sus propios chips»).
Lo que dice Huang
Huang no opone lo abierto a lo cerrado. «Propietario contra abierto no existe. Es propietario y abierto», dijo en marzo de 2026, en una sesión sobre modelos abiertos de la conferencia anual de NVIDIA [381]. En Washington, en octubre de 2025, lo dijo así: «Tenemos modelos propietarios extraordinarios. Necesitamos también modelos de código abierto extraordinarios. Nuestro país depende de ello» [382].
Huang trata lo abierto como infraestructura común. Sin código abierto, dijo en diciembre de 2025, «las empresas emergentes no pueden prosperar, los investigadores universitarios no pueden investigar, no se puede enseñar IA, los científicos no pueden usarla» [383]. Al anunciar la compra de Hugging Face escribió que los pesos abiertos amplían el acceso a la IA y ayudan a repartir su liderazgo entre empresas, instituciones y comunidades [25]. Para él, la IA es lo que fueron la electricidad e internet, «la infraestructura esencial de nuestro tiempo» [384].
En marzo de 2026 dio tres razones para que NVIDIA entrene sus propios modelos abiertos. La primera es el codiseño: investigar arquitecturas de modelos, es decir, cómo se organiza el cálculo dentro de cada uno, como la de Nemotron 3, que combina dos diseños de cálculo distintos, le muestra a NVIDIA qué computadoras van a necesitar los modelos futuros. La segunda es que la IA llegue a cada industria, cada país y cada investigador, porque «si todo es propietario, es difícil investigar». La tercera es que la IA no es sólo lenguaje, y alguien tiene que llevar a la frontera los modelos de biología, química, clima y física. NVIDIA no fabrica autos ni descubre medicamentos, y quiere que las empresas que sí lo hacen tengan buenos modelos. En la misma respuesta, Huang aceptó que los mejores modelos, vendidos como producto, «deben ser propietarios» [15].
De ahí sale su idea de soberanía, según la cual cada país debe producir su propia IA y no sólo consumirla. «Cada país necesita ser dueño de la producción de su propia inteligencia», dijo en Dubái en 2024, porque la IA «codifica tu cultura, la inteligencia de tu sociedad, tu sentido común, tu historia» [385]. En 2025 pidió que cada país use los grandes modelos estadounidenses y construya además los suyos, entrenados en su lengua, su historia y sus valores: «No es sensato que una sola empresa occidental pueda captar y apreciar a fondo los valores de cada país, de cada religión y de cada sociedad del mundo» [386]. En Berlín, en octubre de 2026, dijo que en la economía de la IA no basta con consumirla y que hay que producirla [387].
Con China, Huang separa la competencia de la enemistad. La llama «competidor y adversario, no enemigo», por la interdependencia entre los dos países [386]. De sus investigadores dijo: «No son investigadores chinos, son investigadores de clase mundial», y recordó que abundan en Anthropic, OpenAI y DeepMind [388]. En noviembre de 2025 dijo al Financial Times que «China va a ganar la carrera de la IA». Ese mismo día matizó por escrito que China está «a nanosegundos detrás de Estados Unidos» y que es vital que Estados Unidos gane «adelantándose y ganándose a los desarrolladores de todo el mundo» [389].
En marzo calculó que «50 % de los investigadores de IA del mundo son chinos, más o menos». Explicó la cantidad de empresas chinas por la competencia entre provincias y ciudades, cuyos alcaldes compiten entre sí. Explicó su apertura por una cultura de «la familia primero, los amigos después y la empresa en tercer lugar», en la que los ingenieros de empresas rivales son hermanos, amigos y compañeros de escuela. «Están, en esencia, en código abierto todo el tiempo» [15]. En abril de 2026 dijo que el ecosistema «necesita modelos abiertos», que «mucho de eso viene de China» y que «no debemos asfixiarlo». En la misma entrevista advirtió que el día en que DeepSeek salga primero para los chips de Huawei será «un resultado horrible para nuestra nación» [390]. En septiembre de 2026 dijo de los dirigentes chinos que quieren que China prospere, «igual que nosotros queremos que Estados Unidos prospere» [391].
Sobre la seguridad, Huang rechaza el miedo y reconoce el problema. Comparar la IA con el uranio enriquecido le parece «una locura» [390]. «Asustar a la gente es innecesario. Es irresponsable», dijo en septiembre de 2026, y sostuvo que bastan las leyes vigentes de responsabilidad por productos [391]. Esas leyes, que en Estados Unidos son estatales, hacen responder por el daño que causa un producto a quienes lo fabrican y lo venden [392]. Diez días después, al lanzar una plataforma abierta de seguridad para agentes, dijo que el potencial de la IA «sólo se realizará si resolvemos su seguridad», y que esa seguridad exige ingeniería en todas las capas [393]. Los agentes son programas que encadenan tareas por su cuenta, y un agente puede acceder a información sensible, ejecutar código y comunicarse con el exterior. Huang propone que, para ser seguro, un agente tenga en cada momento sólo dos de esas tres capacidades [15].
Las cinco ideas forman una sola postura. Si la IA es infraestructura, nadie debe acapararla, cada país debe producir la suya, los investigadores de los dos países deben seguir trabajando juntos y la seguridad se construye con ingeniería, no con exclusión.
Huang tampoco separa esa postura del negocio. En julio de 2026, cuando el lanzamiento de Kimi K3, el modelo de la empresa china Moonshot, hizo caer la acción de NVIDIA por el temor de que los modelos baratos redujeran la necesidad de infraestructura, dijo a Axios que «la IA gratuita debería ser muy buena para los chips» y para los centros de datos, y que un mundo con un solo modelo tendría «un solo punto de ataque, un solo punto de falla» [394]. La postura pide soberanía en los modelos y en los datos, pero no en los chips, que son la capa donde domina NVIDIA [395]. Lionel Laurent la llamó en Bloomberg Opinion «soberanía como servicio» [395]. Un mercado de pocos laboratorios cerrados concentra a los clientes de NVIDIA en empresas que diseñan sus propios chips, como las grandes nubes (ver «La cadena alrededor de la IA»). Uno de modelos abiertos, en cambio, multiplica a quienes compran GPU para correrlos, como sostienen SemiAnalysis y Ben Thompson, autor del boletín Stratechery [27] [396]. Creemos que eso explica el lugar de NVIDIA mejor que una alianza con China.
Lo que Huang prevé para el cómputo
En marzo de 2026, ocho meses antes de renunciar (ver «La caída de Jensen Huang»), Huang expuso su visión del cómputo en la conferencia anual de NVIDIA y en el programa de Lex Fridman [397] [15]. En esa visión se apoyan el plan de productos de la empresa y lo que NVIDIA pide a sus proveedores [397] [15].
Para Huang, la computadora cambió de función. Durante décadas sirvió para guardar y recuperar información, como un almacén, y ahora genera tokens que se venden, como una fábrica. «Los almacenes no ganan mucho dinero», dijo, y las fábricas sí. La unidad de cómputo pasó de la GPU a la computadora, después al clúster, que es un conjunto de computadoras conectadas, y después a la fábrica de IA, y la siguiente será de «escala planetaria». La demanda crece por cuatro leyes de escala: la del preentrenamiento, la primera etapa, en que el modelo aprende de enormes volúmenes de texto; la del postentrenamiento, el ajuste posterior; la del razonamiento al responder, y la de los agentes. Según cada una, más cómputo da más capacidad: al entrenar con más datos, al afinar con datos sintéticos, los que genera otro modelo, al razonar más en cada respuesta y al sumar agentes. «La inteligencia va a escalar por una sola cosa, y es el cómputo» [15].
El plan de productos sigue esa idea a un ritmo anual. NVIDIA envió los sistemas GB200 en 2024 y GB300 en 2025, y la plataforma Vera Rubin (ver «NVIDIA ordena la cadena») desde el segundo semestre de 2026 [165]. Los modelos de mezcla de expertos son los que activan sólo una parte de sí mismos en cada respuesta. Frente a Blackwell, Vera Rubin los entrena con la cuarta parte de las GPU, y da hasta diez veces más rendimiento de inferencia por watt, a un décimo del costo por token [164]. Después vienen Vera Rubin Ultra, con racks Kyber que duplican a 144 las GPU conectadas como una sola, y la arquitectura Feynman, que NVIDIA presentó sin fecha, con una CPU nueva, Rosa, y un procesador de inferencia de nueva generación, LP40. NVIDIA diseña además Space-1 Vera Rubin, para centros de datos en órbita [165] [397].
Huang explicó que el plan se adelanta a los modelos porque sus arquitecturas cambian cada seis meses y las del hardware cada tres años, así que NVIDIA tiene que prever hoy los modelos de dentro de dos o tres años. Grace Blackwell se diseñó para los modelos de mezcla de expertos, y Vera Rubin, para los agentes [15].
Para la inferencia rápida, NVIDIA recurrió a Groq. En diciembre de 2025 licenció sin exclusividad la tecnología de esa empresa y se llevó a su fundador, Jonathan Ross, y a su presidente, Sunny Madra. Groq no publicó el precio y sigue operando su nube [398]. El rack que usa esa tecnología, LPX, reúne 256 de sus procesadores y abre, según NVIDIA, «un nuevo nivel ultra premium» de inferencia [164].
El precio del token y el de la computadora van en sentidos opuestos. «El precio de nuestra computadora sube», dijo Huang, pero el costo del token «baja un orden de magnitud cada año», es decir, a la décima parte. Los tokens se segmentan «como los iPhone», en gratuitos, de gama media y de primera, y que alguien pague «1.000 dólares por millón de tokens está a la vuelta de la esquina» [15]. En los precios, los modelos que ya existen se abaratan y los de frontera se cobran cada vez más caros (ver «El precio del modelo»).
El mercado que Huang prevé es mucho mayor que el actual. En la conferencia dijo que ve al menos un billón de dólares, es decir, un millón de millones, de ingresos entre 2025 y 2027 [397]. Con Fridman dijo estar «absolutamente seguro» de que la parte del producto mundial que se gaste en cómputo será «100 veces» la del pasado, y de que NVIDIA puede ser «en el futuro cercano» una empresa de 3 billones de dólares de ingresos [15]. Su razón es que NVIDIA «no está en el negocio de la participación de mercado»: casi todo lo que vende no existía antes, y la carga de producirlo la reparten 200 empresas de su cadena de suministro [15]. En su ejercicio 2026, NVIDIA ingresó US$215.900 millones [11].
La energía, para Huang, es un límite, pero no el único. La red eléctrica se diseña para el peor caso y opera la mayor parte del tiempo cerca de 60 % de su pico. Los centros de datos podrían usar esa capacidad ociosa si aceptaran bajar su consumo cuando la red lo pida. Hoy, en cambio, exigen «seis nueves» de disponibilidad, es decir, 99,9999 %, que equivale a unos 32 segundos sin servicio al año, y por eso no aceptan que la red les baje el consumo [15]. En 2025 Estados Unidos agregó 53 gigawatts (GW) de capacidad eléctrica, su mayor aumento desde 2002, y China agregó 315 GW sólo de energía solar [399] [400]. Un GW es más o menos la capacidad de un reactor nuclear grande. China construye 41 reactores nucleares, y Estados Unidos, ninguno [401]. El estudio de asuntos públicos desarrolla el límite de la energía [152].
Elon Musk, director ejecutivo de SpaceX, dueña de xAI, escribió en X el 31 de enero de 2026 que la generación eléctrica de China «todavía crece muy rápido», con la solar como la mayor contribución, y que superará a la de Estados Unidos «por un factor de 3» ese año o el siguiente. Lo escribió al citar la publicación de otra cuenta, que daba a China 33,2 % de la generación mundial en 2025 y a Estados Unidos cerca de 14,2 % [402]. Según Ember, un centro de análisis energético, China consumió en 2025 10.573 teravatios-hora (TWh), un tercio de la demanda mundial y más del doble de los 4.536 TWh de Estados Unidos. Un TWh es lo que producen en una hora mil reactores nucleares grandes. La demanda china creció 5 % y la estadounidense, 3 % [403]. Con esos ritmos, China consumiría en 2027 unas 2,4 veces lo que Estados Unidos, y para triplicarlo tendría que crecer cerca de 17 % al año.
La visión descansa en un comprador que hoy pierde dinero, el laboratorio. Ed Zitron advierte que la demanda de centros de datos depende de que esos laboratorios paguen sus compromisos de cómputo [404]. Cada eslabón de la cadena invierte porque espera dos cosas: que el uso de tokens crezca más rápido de lo que baja su precio en los modelos que ya existen, y que la frontera siga cobrándose cada vez más cara (ver «El precio del modelo»). Quien compra al final esa capacidad, a través de la nube, es el laboratorio, y los dos laboratorios de frontera con cuentas conocidas pierden en su operación (ver «Dónde se queda el dinero»). NVIDIA ya respalda parte de ese crédito, con la garantía del arrendamiento de Ohio (ver «NVIDIA entre los dos lados»).
La visión explica también la apuesta de NVIDIA por lo abierto, porque más modelos y más usuarios son más tokens, como escribe Nathan Lambert [405]. El plan de productos es de la empresa, pero los acuerdos con los proveedores los ganaba Huang en persona, según SemiAnalysis, que por eso sostiene que sin él los proveedores no le darán a NVIDIA la misma prioridad (ver «NVIDIA ordena la cadena») [27].
10
China fabrica sus propios chips
La cadena china de chips tiene hoy diseñadores cuyas ventas se duplican, una fábrica que trabaja casi al máximo, una memoria que no alcanza y un software que Huawei abrió para atraer desarrolladores. En abril de 2026, el mes en que DeepSeek presentó V4 adaptado a los chips de Huawei, Jensen Huang, entonces director general de NVIDIA, advirtió: «El día que DeepSeek salga primero en Huawei, ese es un resultado horrible para nuestra nación» [38]. Eric Xu, presidente rotativo de Huawei, repitió en septiembre de 2025, como ya había dicho en Huawei Connect 2024, que China continental «irá detrás en los nodos de fabricación de semiconductores por un tiempo relativamente largo». Por eso, dijo, Huawei diseña sus sistemas con los procesos de fabricación que tiene a su alcance [406]. Un nodo es una generación del proceso de fabricación y se nombra con una medida en nanómetros, que son millonésimas de milímetro. Cuanto más pequeños son los elementos que se imprimen en el chip, más transistores caben en él y más puede hacer [169].
Por qué China dejó de comprar a NVIDIA
NVIDIA escribió en agosto de 2026 que su exclusión de los centros de datos chinos «ayudó a nuestros competidores a construir ecosistemas de desarrolladores y clientes más grandes para desafiarnos en todo el mundo» [14]. Huang lo había dicho en octubre de 2025 con una cifra: «pasamos de 95 % de participación de mercado a 0 %» [407].
La exclusión vino de los dos gobiernos. En septiembre de 2025, según el Financial Times, el regulador del ciberespacio chino ordenó a ByteDance y Alibaba cancelar sus pedidos del RTX Pro 6000D, el chip que NVIDIA había diseñado para China, y dejar de probarlo [136]. En noviembre, según Reuters, una guía del gobierno chino ordenó que los centros de datos nuevos con fondos públicos usen sólo chips nacionales y que los que lleven menos de 30 % de avance retiren los chips extranjeros [408]. Ese mismo mes, según el Financial Times, Gansu, Guizhou y Mongolia Interior rebajaron hasta 50 % la factura eléctrica de los centros de datos más grandes de ByteDance, Alibaba y Tencent, que gastaban más en electricidad desde que pasaron a chips nacionales [409]. Por su parte, Estados Unidos advierte desde mayo de 2025 que usar en cualquier país los chips Ascend de Huawei «corre el riesgo de violar» sus controles de exportación. La razón que da es que esos chips probablemente se diseñaron o se fabricaron con tecnología estadounidense sin la licencia exigida [410].
La exclusión sigue. Desde febrero de 2026, Estados Unidos dio a NVIDIA licencias para enviar cantidades pequeñas del H200 a clientes chinos concretos [11], y el 14 de mayo autorizó como compradoras a unas diez empresas chinas (ver «La caída de Jensen Huang»). Sin embargo, según Reuters, en noviembre unos 600.000 de esos chips esperaban en Hong Kong, porque el gobierno chino no ha autorizado importarlos en volumen y, según The Information, citado por Reuters, pidió en julio a las empresas que prioricen los procesadores chinos para ejecutar modelos [174]. Varias grandes empresas de internet obtuvieron unos 10.000 cada una, y un servidor de ocho H200 costaba a fines de octubre el triple que un año antes [174].
Según IDC, citado por Reuters, en el primer semestre de 2026 se vendieron en China 2.008.000 aceleradores de IA, los chips especializados en los cálculos de la IA, como las GPU. NVIDIA envió 678.000, 44 % menos que un año antes, y bajó a 34 % del mercado. Huawei envió 572.000 y llegó a 28 %. Le siguieron T-Head, de Alibaba, con 7 %; Cambricon, con 5 %; Kunlunxin, de Baidu, con 4 %, e Hygon, con 3 % [37].
Tomamos la cifra de IDC sólo como señal de la tendencia. IDC no aclara qué modelos de NVIDIA cuenta ni por qué canal llegaron, y la cifra no coincide con lo que la propia NVIDIA informa de sus ventas en China. IDC también mide los chips de IA para centros de datos, así que la distancia con lo que dice Huang depende de qué chips y qué canales cuenta cada uno; según Reuters, la cifra podría incluir chips B200 y B300, de la generación Blackwell, cuya venta a China está prohibida, llegados de contrabando. En cambio, Morgan Stanley calcula que Cambricon tendrá en 2026 cerca de 14 % del mercado, detrás sólo de Huawei [411], y Huawei dijo en septiembre de 2026 que ya superaba a NVIDIA en China [412].
Quién diseña los chips
Huawei es el mayor diseñador. Según el Financial Times, citado por Reuters, vendió US$7.500 millones en chips de IA en 2025 y, por los pedidos que ya tiene, espera unos US$12.000 millones en 2026 [36]. Según Reuters, Huawei planea enviar este año unos 750.000 Ascend 950PR, a unos 50.000 yuanes por tarjeta, y a 70.000 la versión con memoria más rápida, y ByteDance y Alibaba planean hacer pedidos. El mismo reporte dice que el 950PR apenas mejora el cómputo del Ascend 910C [413]. La tarjeta Atlas 350 de Huawei, presentada en marzo, usa el 950PR, que es el primer chip de Huawei con memoria HBM propia [414]. La HBM es la memoria de alto ancho de banda que usan los chips de IA (ver «La cadena alrededor de la IA»). Según la empresa, esa tarjeta da 2,8 veces el cómputo del H20, el chip que NVIDIA vendía en China, medido en FP4, un formato de números de baja precisión. Con números menos precisos un chip hace muchas más operaciones por segundo, así que la cifra sólo se compara con otras medidas en el mismo formato [414].
Cambricon multiplicó por más de cinco sus ventas en 2025, a 6.500 millones de yuanes. Ese año tuvo la primera utilidad anual de su historia, de 2.100 millones de yuanes, después de perder 455,8 millones en 2024 [415]. En el tercer trimestre de 2026 duplicó de nuevo sus ventas, a 3.530 millones de yuanes (unos US$529 millones), pero los analistas esperaban 6.260 millones. Según Bloomberg, citado por The Next Web, la diferencia se debe a que Cambricon no logra fabricar todos los chips que le piden [411].
T-Head, la división de chips de Alibaba, presentó en enero de 2026 el Zhenwu 810E, que por su rendimiento se ubica entre el A800 y el H20, los dos chips que NVIDIA adaptó a los controles de exportación para venderlos en China. Alibaba prepara la salida a bolsa de T-Head por separado [416].
La bolsa financia a los diseñadores más chicos. Moore Threads, fundada en 2020 por un exdirectivo de NVIDIA en China, subió 425 % en su primer día en Shanghái, en diciembre de 2025, después de captar 8.000 millones de yuanes [417]. MetaX duplicó sus ventas en 2025, a 1.600 millones de yuanes, con una pérdida de 830 millones sin contar partidas extraordinarias [418]. Biren subió casi 76 % en su debut en Hong Kong, en enero de 2026, después de captar US$717 millones [419]. Enflame, que todavía no tiene utilidades, salió a bolsa en Shanghái en septiembre de 2026 para captar 6.100 millones de yuanes. Su mayor cliente, Tencent, es también uno de sus principales accionistas [420]. Kunlunxin, la división de chips de Baidu, pidió en enero de 2026 salir a bolsa en Hong Kong [421].
Esa fuente de capital se contrajo en otoño. Según Reuters, el índice STAR50 de la bolsa de Shanghái, que reúne a las empresas líderes de IA y semiconductores, cayó 40 % en menos de cuatro meses desde su máximo de julio, y perdió unos US$480.000 millones de valor. CXMT, el fabricante chino de memoria, perdió más de una cuarta parte de su valor en un mes, y MetaX y Moore Threads valían la mitad que en julio. Reuters no encontró un detonante claro. Los operadores atribuyeron la caída a los precios altos, a las cargas fiscales y a la amenaza de que Estados Unidos u otros países prohíban los equipos chinos en los centros de datos. Zhongji Innolight y Eoptolink, fabricantes chinos de componentes ópticos, cotizaban cerca de 60 % debajo de sus máximos de junio y julio, en parte porque Estados Unidos avanza hacia prohibir que abastezcan sus centros de datos [422]. La Comisión Federal de Comunicaciones de Estados Unidos busca desde agosto prohibir los modelos nuevos de transceptores ópticos chinos, y en noviembre seguía adelante pese al cabildeo de Amazon, Google, Meta y Microsoft, entre otras [423].
Aun después de la caída, el precio de las acciones del índice equivalía a unos 100 años de las utilidades de sus empresas, desde casi 250 en el máximo, y el del Nasdaq 100, a 30. Hong Hao, de Lotus Asset Management, dijo que la caída frenará a muchas empresas que buscaban salir a bolsa, y Reuters prevé que retrase la captación de capital de las tecnológicas [422]. Creemos que la caída pesa más sobre la fabricación que sobre el diseño, porque fabricar memoria y chips exige capital de largo plazo, y que un mercado que deja de dar ese capital le deja más peso al Estado chino.
Cuántos chips fabrica China
Las cifras de Huawei difieren según quién las calcule. En junio de 2025, la Oficina de Industria y Seguridad del Departamento de Comercio de Estados Unidos estimó ante la Cámara de Representantes de Estados Unidos que Huawei podría producir ese año 200.000 chips Ascend o menos [424]. SemiAnalysis calculó en septiembre de 2025 que Huawei enviaría ese año 805.000, de ellos 653.000 del 910C. Calculó también que Huawei había recibido de TSMC, en violación de los controles de exportación, más de 2,9 millones de chips Ascend, una reserva que se agotaría en nueve meses [39]. Huawei está en la lista de entidades de Estados Unidos (ver «La caída de Jensen Huang») desde mayo de 2019. Desde mayo de 2020, además, una fábrica extranjera que use equipo estadounidense necesita licencia para producirle chips diseñados por ella [425]. Epoch AI estima que Huawei produjo unos 800.000 Ascend en 2025 y que producirá cerca de 1,5 millones en 2026, contra unos 5,9 millones de NVIDIA. Estima también que, en cómputo, la producción de Huawei de 2026 será menos de 4 % de la de NVIDIA [426].
La fábrica
SMIC, la mayor fábrica china de chips por encargo, fabrica los chips más avanzados de China sin las máquinas de litografía EUV, que los controles le niegan (ver «La cadena alrededor de la IA»). SMIC está en la lista de entidades de Estados Unidos desde el 18 de diciembre de 2020. Por esa inclusión, Estados Unidos rechaza por regla general toda solicitud de licencia para venderle lo que sólo sirve para fabricar chips de 10 nanómetros o menos, que son los más avanzados [427].
TechInsights, que analiza chips ya fabricados, encontró en el Kirin 9030, el procesador de teléfono de Huawei, el proceso N+3 de SMIC. Ese proceso es una evolución de su clase de 7 nanómetros, «significativamente menos escalada» que los 5 nanómetros de TSMC y Samsung, es decir, con elementos más grandes y, por tanto, menos transistores en el mismo espacio [428]. En marzo de 2026, TechInsights concluyó que ese proceso «no será una solución viable» para los chips de IA de los centros de datos. La razón es que las fallas de fabricación crecen con el tamaño del chip, y un chip de IA es mucho más grande que uno de teléfono [40]. En el tercer trimestre de 2026 SMIC vendió US$3.190 millones, 33,9 % más que un año antes, con 97,3 % de su capacidad ocupada [429]. Según Nikkei, citado por TrendForce, China quiere pasar de menos de 20.000 obleas al mes de las clases de 7 y 5 nanómetros a 100.000 en uno o dos años, con SMIC, Hua Hong y fábricas ligadas a Huawei [430] [431].
Hua Hong, la segunda fábrica china de chips por encargo después de SMIC, es la segunda opción. Según Reuters, citado por TrendForce, su filial Huali empezó en 2025 a desarrollar un proceso de 7 nanómetros con apoyo de SiCarrier, una empresa respaldada por Huawei, y Huawei planea pasarle parte de la producción de sus chips de IA. Según Reuters, que lo informó el 28 de abril de 2026, el Departamento de Comercio de Estados Unidos envió cartas a Lam Research, Applied Materials y KLA, fabricantes estadounidenses de equipo, para impedirles venderle equipo a dos fábricas de Hua Hong, una de ellas la Fab 6 de Shanghái, donde Huali desarrolla su proceso de 7 nanómetros [432].
China es el mayor comprador de equipo para fabricar chips. Según SEMI, gastó US$49.300 millones en 2025, de un total mundial de US$135.100 millones [433]. Su fabricante de litografía, SMEE, mostró en noviembre de 2026 máquinas para procesos de 110 nanómetros o más, con más de 90 % de componentes chinos. Son procesos muy anteriores a la clase de 7 nanómetros en que SMIC fabrica los chips más avanzados de China. Según Reuters, otra empresa china, Aishengna, empezó a producir máquinas de inmersión, que imprimen con luz ultravioleta profunda a través de una capa de agua y son la generación anterior a la EUV, que todavía requieren pruebas [434]. El estudio de asuntos públicos describe el prototipo chino de máquina EUV de Shenzhen, que todavía no fabrica chips [146].
Estados Unidos controla ese equipo. En diciembre de 2024 puso bajo control 24 tipos de equipo y tres de software para fabricar chips, además de la memoria HBM, y agregó 140 entidades a su lista restringida, la lista de entidades (ver «La caída de Jensen Huang») [435]. El 22 de abril de 2026, la Comisión de Asuntos Exteriores de la Cámara de Representantes de Estados Unidos aprobó el proyecto de ley MATCH, que pide identificar las fábricas chinas de chips avanzados y los equipos que Estados Unidos y sus aliados deben negarles [436]. El proyecto es del representante Michael Baumgartner y encarga esa revisión a los secretarios de Comercio y de Estado de Estados Unidos. La aprobación en comisión es el paso previo a la votación en el pleno de la Cámara [436].
Una parte de los controles está suspendida. La tregua comercial es el acuerdo que Donald Trump y Xi Jinping alcanzaron al reunirse en Corea del Sur, y que la Casa Blanca anunció en noviembre de 2025. En él, Estados Unidos rebajó diez puntos de sus aranceles a China, y China se comprometió a comprar soya estadounidense y a cerrar sus investigaciones a empresas de semiconductores [380]. Con esa tregua, Estados Unidos suspendió por un año la regla que extiende sus controles a las empresas en las que las de su lista tienen 50 % o más, solas o en conjunto, y China suspendió sus controles ampliados sobre las tierras raras. En noviembre de 2026 los dos gobiernos prorrogaron esas suspensiones hasta el 10 de enero de 2027 [437] [438].
La regla estadounidense suspendida se conoce como regla de filiales. La Oficina de Industria y Seguridad la emitió en septiembre de 2025 para la lista de entidades y para la lista de usuarios finales militares. Antes de ella, una filial que no estuviera nombrada en esas listas quedaba fuera de la restricción [439]. La regla busca impedir el desvío, es decir, que una empresa de la lista reciba por medio de una filial sin nombrar lo que no puede comprar directamente [440]. La suspensión rige desde el 10 de noviembre de 2025. Mientras dura, sólo están restringidas las empresas que las listas nombran [441]. Los controles chinos suspendidos son del 9 de octubre de 2025. Exigían licencia del Ministerio de Comercio de China para exportar desde cualquier país ciertos productos fabricados en el extranjero, cuando las tierras raras de origen chino fueran 0,1 % o más de su valor [442].
La memoria
La memoria es el límite principal. Los chips de IA usan memoria HBM, cuya exportación a China controla Estados Unidos desde diciembre de 2024 (ver «La fábrica»). SemiAnalysis lo dijo en septiembre de 2025: «creemos que la producción de HBM es el cuello de botella» [39]. Epoch AI calcula que, aun si Huawei consiguiera de contrabando diez veces la HBM que China produce, la producción de Huawei en 2028 sería sólo 16 % de la de NVIDIA [426].
CXMT, el fabricante chino de memoria, captó 58.000 millones de yuanes (US$8.710 millones) en julio de 2026, en la mayor salida a bolsa de Asia en el año. En el tercer trimestre vendió 118.710 millones de yuanes, 613,2 % más que un año antes, y ganó 54.400 millones. Según fuentes citadas por Reuters, CXMT empezará en dos meses una producción limitada de HBM3E, una de las generaciones más recientes de la memoria HBM, con rendimientos de fabricación, la proporción de chips que salen útiles, de 20 % a 30 %, contra cerca de 70 % de SK hynix [443]. El estudio de asuntos públicos describe el contrabando de HBM coreana por Hong Kong [146].
El software
Huawei abre el software para vender el hardware. Xu lo dijo así: «Nuestra estrategia de monetización en IA se centra en el hardware». Huawei se comprometió a abrir antes del 31 de diciembre de 2025 el código de CANN, su equivalente de CUDA, y el de sus herramientas de desarrollo [406]. CUDA es la plataforma con la que se programan los chips de NVIDIA (ver «NVIDIA ordena la cadena»).
Los laboratorios chinos ajustan sus modelos a esos chips. En agosto de 2025, DeepSeek entrenó V3.1 con UE8M0 FP8, un formato que guarda cada número con pocos dígitos para que el chip calcule más rápido y use menos memoria. Un modelo así corre mejor en los chips que manejan ese formato, y según la empresa este «está diseñado para la próxima generación de chips de producción nacional que se lanzará pronto» [444] [445]. Huawei dijo que sus chips se usaron en parte del entrenamiento de DeepSeek V4 [38]. Zhipu entrenó por completo con chips Ascend un modelo de imágenes, GLM-Image, en enero de 2026 [446]. Según la prensa china, DeepSeek entrenará V5 con ellos [447].
Escala en vez de calidad
Huawei compensa con cantidad lo que le falta en cada chip. Xu dijo que, sin acceso a los procesos de fabricación avanzados, su apuesta es combinar chips [406]. Un sistema CloudMatrix 384 junta 384 chips Ascend 910C, cada uno con un tercio del rendimiento de un Blackwell. Según SemiAnalysis, ese sistema da casi el doble de cómputo que el GB200 NVL72 de NVIDIA, un rack de 72 GPU Blackwell. Con más de cinco veces más chips, Huawei logra el doble de cómputo, pero con 2,6 veces menos operaciones por watt, es decir, con mucho más gasto de electricidad por el mismo trabajo [448]. China puede pagar esa electricidad de más, por la capacidad eléctrica que agrega cada año (ver «Lo que Huang prevé para el cómputo»).
En el mismo discurso, Xu puso fecha a los chips siguientes. El Ascend 950PR quedó para el primer trimestre de 2026, con una memoria HBM propia más barata que la HBM3E. El 950DT quedó para el cuarto trimestre de 2026; el 960, con el doble de cómputo, para el cuarto trimestre de 2027, y el 970, para el cuarto trimestre de 2028. Para el cuarto trimestre de 2026 anunció además el Atlas 950, un sistema de 8.192 chips 950DT que, según Huawei, dará 6,7 veces el cómputo del NVL144 que NVIDIA planeaba para el segundo semestre del año [406].
En Huawei Connect 2026, el 17 de septiembre, Huawei adelantó tres trimestres el Ascend 960DT, al primer trimestre de 2027, y presentó el Atlas 960E SuperPoD, de 4.096 chips, mucho más chico que el Atlas 960 de 15.488 chips que había anunciado antes. Sus directivos dijeron a Bloomberg que ya tienen en China más participación que NVIDIA, pero que no producen todos los chips que les piden. Huawei subió 60 % el precio del 950DT por la escasez de componentes [412]. Epoch AI calcula que el Ascend 950 rinde la mitad que el H100 de 2022, y que Huawei seguirá tres o cuatro años detrás de NVIDIA en cada chip al menos hasta 2029, por lo que difícilmente la alcanzará para 2030. Epoch AI revisó su informe el 24 de septiembre con el calendario nuevo [426].
Los chips de NVIDIA siguen llegando por otras vías. Según TechCrunch, Will DePue, exinvestigador de OpenAI, encontró en los pesos de Kimi K3 y DeepSeek V4 huellas de entrenamiento en chips Blackwell, cuya venta a China está prohibida. Según ese análisis, los pesos conservan rastros de la configuración de los chips con que se entrenó el modelo. Esos chips pudieron estar en un centro de datos fuera de China [449]. Ese es el camino que cierra la regla que el Departamento de Comercio de Estados Unidos dio a conocer el 16 de noviembre. Esa regla exige licencia a los centros de datos de cualquier país para prestar grandes cantidades de cómputo a empresas chinas (ver «Controles de exportación»).
El cuello de botella chino está hoy en fabricar los chips: en la memoria y en las máquinas, que son los dos eslabones donde los controles todavía pesan. Gregory Allen, del Centro de Estudios Estratégicos e Internacionales (CSIS), un centro de estudios de Washington, reconoce que Huawei diseña bien sus chips, y SemiAnalysis señaló la producción de memoria HBM como el cuello de botella [450] [39]. Huawei abre su software para que se use su hardware, como dijo Eric Xu [406]. Es la estrategia de precio cero, que consiste en regalar un producto para vender el que lo acompaña, y que, según Alicia García-Herrero y Bertin Martens, de Bruegel, un centro europeo de estudios económicos, sigue NVIDIA con CUDA [451] [452], y que NVIDIA aplica también a sus modelos (ver «Abaratar la capa ajena»).
Por ahora, la distancia entre los modelos chinos y los estadounidenses es más corta que la distancia entre sus chips. El AI Index de Stanford mide la primera en 2,7 %, la ventaja del mejor modelo estadounidense sobre el mejor chino en la clasificación de Arena (ver «China») [317], y Epoch mide la segunda en años. Lennart Heim, de RAND, una organización estadounidense de investigación sin fines de lucro [453], ya notaba en 2025 que los modelos chinos cerraban la brecha aunque Estados Unidos tiene unas diez veces más cómputo [454]. Creemos que en esa distancia pesa que algunos modelos chinos se entrenaran con chips de NVIDIA fuera de China; la regla del 16 de noviembre apunta a ese camino. Y creemos que el cierre que imponen los dos gobiernos apura que haya modelos chinos de primera línea entrenados y servidos sobre chips chinos. Eso es lo que Huang temía, porque le quita a NVIDIA en China la base de desarrolladores que, según el propio Huang, es su ventaja (ver «NVIDIA ordena la cadena»).
11
Los robots
En los robots, la línea entre lo abierto y lo cerrado no coincide con la frontera entre Estados Unidos y China. Los modelos que mueven a los robots se publican sobre todo en Estados Unidos, y los cuerpos se fabrican sobre todo en China. De los cerca de 13.000 humanoides que se enviaron en 2025, los tres fabricantes que más enviaron son chinos, según la consultora Omdia [455], y en el primer semestre de 2026 los fabricantes chinos hicieron más de 97 % de los envíos, según Smart Analytics Global [41]. Jensen Huang, entonces director general de NVIDIA, lo reconoció en marzo de 2026: dijo que la microelectrónica, los motores, las tierras raras y los imanes chinos son «los mejores del mundo» y que la industria estadounidense de robots depende de esa cadena [456].
Abierto y cerrado en los robots
Los modelos de robots más usados son de visión, lenguaje y acción: reciben lo que ve la cámara y una instrucción en palabras, y devuelven los movimientos del robot. Del lado cerrado están Google DeepMind y Figure. Google distribuye Gemini Robotics On-Device 2, su modelo que corre dentro del robot, sólo entre probadores de confianza [457]. Figure llama «propietario» a Helix 02, el modelo con el que su robot Figure 03 trabaja en la planta de BMW en Spartanburg, Carolina del Sur [458].
NVIDIA abre sus modelos de robots, unos con licencias que escribe ella misma y otros con una licencia de terceros. Presentó en abril de 2026 GR00T N1.7, un modelo de 3.000 millones de parámetros, como abierto y con licencia para uso comercial; las dos versiones anteriores, de 2025, tenían licencia sólo para uso no comercial [459] [460]. La propia página técnica advierte que el archivo de licencia que acompaña a los pesos de N1.7 sigue siendo el no comercial [459]. Su modelo de mundo, que simula el mundo físico para entrenar robots sin tocar uno real, se llama Cosmos 3 y salió en mayo bajo OpenMDW, una licencia de la Linux Foundation que cubre los pesos, los datos y el código [461]. El 9 de noviembre, NVIDIA anunció GR00T 2 como abierto, sin publicar todavía su licencia ni su fecha de salida [462].
Physical Intelligence, una empresa de San Francisco, publica sus modelos anteriores con licencia Apache 2.0, que permite el uso comercial, y da acceso a sus modelos más recientes por una interfaz propia. Su repositorio openpi contiene los modelos π₀, π₀-FAST y π₀.₅, entrenados con más de 10.000 horas de datos de robots [463]. Desde octubre la ofrece en prueba, sin precio publicado: el cliente sube sus datos, la empresa ajusta el modelo en su propio cómputo y se lo sirve [464]. Hugging Face, que NVIDIA acordó comprar, publica SmolVLA, de 450 millones de parámetros, también con Apache 2.0 [465].
Los laboratorios chinos publican pesos, pero no siempre para uso comercial. Unitree publicó en enero de 2026 los pesos de UnifoLM-VLA-0, construido sobre Qwen2.5-VL de Alibaba, con una licencia que prohíbe el uso comercial [466]. La Academia de Inteligencia Artificial de Pekín publicó RoboBrain 2.5 sobre Qwen3-VL con licencia Apache 2.0 [467]. Creemos que en los robots se repite lo que pasa con los modelos de lenguaje, pero con los papeles cruzados: quien más abre es una empresa estadounidense que vende el chip, y quien fabrica el cuerpo abre el modelo sin dejar que otro lo venda.
El cuerpo se fabrica en China
En 2025, AgiBot envió 5.168 humanoides, Unitree 4.200 y UBTech unos 1.000, según Omdia [455]. Unitree dice en su prospecto que vendió más de 5.500 [468]. En el primer semestre de 2026, IDC calcula cerca de 25.000 humanoides enviados, 432 % más que un año antes, con AgiBot a la cabeza con más de 8.600, y atribuye a China más de 19.000, cerca de 77,9 % [469]. Las consultoras no coinciden. Smart Analytics Global cuenta 19.100 en total, frente a unos 5.100 un año antes, y atribuye más de 97 % a fabricantes chinos [41].
Unitree gana dinero con sus robots. Según su prospecto, en 2025 ingresó unos 1.700 millones de yuanes, 335 % más que en 2024, y los humanoides aportaron cerca de 51 % de lo que vende. El margen bruto, que es lo que queda de cada yuan vendido después de pagar lo que cuesta fabricar el producto, fue de unos 60 % para la empresa, y el de los humanoides bajó de 87,67 % en 2023 a 63,18 % en 2025 [468] [470]. Salió a bolsa el 19 de agosto de 2026 en el STAR Market de Shanghái, el mercado chino de empresas tecnológicas. Captó cerca de US$900 millones, y sus acciones cerraron el primer día con un alza de más de 460 % [471]. En los primeros nueve meses de 2026, según su primer reporte como empresa cotizada, su utilidad neta subió 270 %, sobre todo porque un año antes había registrado un gasto único por pagos en acciones. La utilidad recurrente, que excluye esas partidas, bajó 19 %, mientras su gasto en investigación casi se triplicaba [472]. UBTech, que cotiza en Hong Kong, ingresó 2.001 millones de yuanes en 2025, de ellos 820,6 millones por humanoides, y perdió 789,8 millones [473].
En Estados Unidos, Agility Robotics empezó a cotizar en el Nasdaq el 5 de noviembre de 2026, tras fusionarse con una empresa creada para comprar otra y llevarla a bolsa, con una valuación de US$2.500 millones antes de la operación [474]. El capital de riesgo en empresas de robots ya llevaba US$18.800 millones en junio de 2026, más que en todo 2025, según Crunchbase [475]. Skild AI, que desarrolla un modelo general para robots, levantó cerca de US$1.400 millones en enero con SoftBank y NVIDIA, con una valuación de más de US$14.000 millones [476].
Creemos que el eslabón escaso de los robots son los componentes del cuerpo, sus motores, sus reductores (los engranajes que bajan la velocidad del motor y le suben la fuerza) y sus imanes, y que por eso hoy gana quien los fabrica a escala, igual que en la IA gana quien fabrica la memoria (ver «Dónde se queda el dinero»). El modelo se publica y se copia, el cuerpo hay que fabricarlo, y China decide cuándo exporta las tierras raras con que se hacen los imanes, como mostró cuando suspendió sus controles ampliados en noviembre de 2025 y prorrogó la suspensión hasta el 10 de enero de 2027 (ver «La fábrica») [438].
Estados Unidos cierra la puerta
Estados Unidos dejó fuera de su mercado a los modelos nuevos de robots móviles fabricados en el extranjero. El 28 de julio de 2026, la Comisión Federal de Comunicaciones agregó a su lista de equipo cubierto los «dispositivos robóticos avanzados producidos en el extranjero», salvo los que tengan una aprobación condicional del Departamento de Guerra de Estados Unidos [42]. El equipo de esa lista no puede recibir autorizaciones nuevas de la Comisión, y sin esa autorización no se puede vender en Estados Unidos un aparato que emite ondas de radio, como el que se conecta por wifi. La regla alcanza a cualquier país, no sólo a China, porque identifica el equipo por el lugar donde se produjo. Cubre los robots móviles, como los humanoides y los de cuatro patas, que pesan más de dos kilos y se conectan a una red, y deja fuera los brazos industriales y médicos fijos. Los modelos ya autorizados pueden seguir vendiéndose, aunque sus cambios de hardware quedan restringidos [477]. La determinación de seguridad nacional en que se apoya dice que los robots recogen datos que podrían servir para vigilar a los estadounidenses «o para tomar el control de los robots a distancia» [42].
El Departamento de Defensa de Estados Unidos, que desde septiembre de 2025 usa también el nombre de Departamento de Guerra, incluyó a Unitree el 8 de junio de 2026 en su lista de empresas militares chinas que operan en Estados Unidos [478]. La Cámara de Representantes aprobó el 22 de julio su ley de defensa con una disposición que obliga al Departamento de Guerra a empezar a determinar si se deben prohibir los robots chinos en todo el país [479]. En 2025, investigadores de seguridad documentaron que el humanoide G1 de Unitree envía datos a servidores externos cada cinco minutos y que todas las unidades comparten las mismas claves de cifrado, de modo que quien obtenga la clave de un robot puede descifrar las comunicaciones de todos [480].
China, del otro lado, financia el sector como prioridad del Estado. Su XV Plan Quinquenal, de 2026 a 2030, incluye la inteligencia incorporada, que es la IA que actúa en el mundo físico, entre las industrias del futuro que deben volverse «nuevos puntos de crecimiento económico» [481]. El Fondo Nacional de la Industria de la IA, que forma parte del fondo estatal de chips, hizo en marzo de 2026 su primera inversión en inteligencia incorporada: encabeza la lista de inversionistas de una ronda de 2.500 millones de yuanes de Galbot [482]. La propia Comisión Nacional de Desarrollo y Reforma, el órgano de planeación económica de China, advirtió en noviembre de 2025 del riesgo de una burbuja, con más de 150 fabricantes de humanoides en el país [483].
NVIDIA otra vez en medio
NVIDIA vende el cerebro de los robots a los dos lados. Su computadora para robots, Jetson AGX Thor, salió en agosto de 2025. NVIDIA nombró entre sus primeros usuarios a Agility Robotics, Amazon Robotics, Boston Dynamics y Figure [484], y también la adoptaron pronto Unitree, AgiBot, Galbot y UBTech [485]. El 31 de mayo de 2026 presentó un humanoide de referencia para universidades: el cuerpo es un Unitree H2 Plus, el cerebro un Jetson Thor y el software, el de NVIDIA. Unitree lo venderá a finales de 2026, y lo usarán el Allen Institute, la ETH de Zúrich, Stanford y la Universidad de California en San Diego [486].
Creemos que ese humanoide resume la posición de NVIDIA a los dos lados (ver «NVIDIA entre los dos lados»). Pone un modelo estadounidense que llama abierto sobre el cuerpo de una empresa que el Departamento de Guerra lista como empresa militar china, dos meses antes de que la Comisión Federal de Comunicaciones cerrara el mercado a los modelos nuevos de robots móviles fabricados fuera de Estados Unidos.
La ley de la máquina
Europa regula la IA de los robots dentro de las reglas de la máquina. El Ómnibus Digital, la reforma de las leyes digitales de la Unión de julio de 2026, movió el Reglamento de máquinas a la sección del Reglamento de IA que se aplica por la vía sectorial, es decir, cuyos requisitos no rigen directamente sino que se incorporan a la ley de cada producto. Encargó a la Comisión Europea agregar al Reglamento de máquinas, por actos delegados, los requisitos de IA de alto riesgo, que se aplicarán desde el 2 de agosto de 2028 [487] [488]. Un acto delegado es una norma que la Comisión dicta por mandato del reglamento para completarlo o cambiar sus anexos. El Reglamento de máquinas se aplica desde el 20 de enero de 2027 y ya cubre los componentes de seguridad cuyo comportamiento cambia con el aprendizaje [489]. El daño que cause un robot defectuoso entra en la Directiva de responsabilidad por productos (ver «Responsabilidad por el daño») [490].
Las normas técnicas van detrás. La norma ISO 10218, de seguridad de los robots industriales, se actualizó en 2025 y reemplazó la edición de 2011, pero sigue sin aplicarse a los robots que no son industriales [491]. La norma para los robots móviles industriales que deben mantener el equilibrio por su cuenta, como los humanoides con piernas, sigue en borrador como ISO 25785-1 [492]. En China, el Ministerio de Industria presentó en febrero de 2026 un sistema de normas para humanoides, un mapa de las normas que se escribirán para toda la cadena [493].
12
La computación cuántica
La computación cuántica se cruza con la IA en cuatro puntos: la IA ya sirve para operar las máquinas cuánticas; la cuántica aprende, por ahora en teoría, ciertos problemas mejor que una computadora normal; NVIDIA vende el puente entre las dos, y una máquina cuántica grande podría romper la criptografía de clave pública, que protege hoy las conexiones y las firmas digitales de los modelos, de sus datos y de casi todo lo demás.
Una computadora cuántica calcula con cúbits, unidades que, a diferencia de un bit, pueden estar en una combinación de 0 y 1 y enlazarse entre sí; con algoritmos hechos para aprovecharlo, resuelven ciertos problemas, como factorizar números grandes o simular moléculas, mucho más rápido que la mejor computadora normal. Los cúbits fallan con facilidad, porque el calor, las vibraciones o cualquier interferencia del entorno alteran su estado. La técnica que se juega en estos años es la corrección de errores. Un cúbit físico es cada pieza real del chip. Un cúbit lógico es el que la máquina arma repartiendo la misma información entre muchos cúbits físicos, de modo que, si uno falla, los demás permiten detectar el error y corregirlo. Así el cúbit lógico falla menos que cada uno de los físicos que lo forman, pero cada uno cuesta muchos de ellos. Ninguna máquina hace todavía un trabajo útil que una computadora normal no pueda hacer [494]. Una máquina tolerante a fallos es la que corrige sus errores mientras calcula, de modo que puede correr programas largos. IBM fecha para 2029 su primera máquina tolerante a fallos, Starling, de 200 cúbits lógicos [495]. Los experimentos de Microsoft y Quantinuum de junio de 2026 llegaron a 12 (ver «Lo que la cuántica ya hace»).
Lo que la cuántica ya hace
Estados Unidos y China ya corrigen errores por debajo del umbral. Cada cúbit físico que se suma a un cúbit lógico trae sus propios errores, y si los cúbits fallan demasiado, agregar más empeora el resultado. Por debajo del umbral fallan tan poco que la corrección elimina más errores de los que agregan, y cada cúbit que se suma hace más fiable al cúbit lógico. Es la condición para que una máquina pueda crecer. Google lo mostró con su chip Willow, de 105 cúbits [43], y la Universidad de Ciencia y Tecnología de China lo repitió con Zuchongzhi 3.2, en un artículo de diciembre de 2025 [496]. Microsoft y Quantinuum publicaron en junio de 2026 experimentos de hasta 12 cúbits lógicos que fallaron entre 11 y 800 veces menos que sin corrección. La corrección se repite en rondas mientras la máquina calcula, y un programa largo necesita muchas rondas seguidas; en uno de esos experimentos, el error de cada ronda fue más de 50 veces menor que sin corrección. Son los primeros pasos hacia una máquina tolerante a fallos de gran escala [497].
La ventaja cuántica es hacer un cálculo que ninguna computadora normal puede hacer en un tiempo razonable, sea útil o no, y cada anuncio queda a prueba de que otros intenten repetirlo con computadoras normales. En mayo de 2026, el mismo equipo chino publicó en Nature Jiuzhang 4.0, una máquina que manipula hasta 3.050 fotones, las partículas de la luz [498] [499]. El equipo calcula que la mejor supercomputadora tardaría más de 10^42 años en repetir lo que hizo, una cifra que supera por mucho la edad del universo, de unos 13.800 millones de años, y Jiuzhang 4.0 está hecho para ese problema, el muestreo de partículas de luz, no para cualquier cálculo. La máquina hace pasar los fotones por una red de espejos y anota por dónde sale cada uno, y la tarea consiste en producir esos resultados con las probabilidades correctas. Una computadora normal no puede imitarlo en un tiempo razonable, pero el problema todavía no tiene un uso práctico demostrado [500]. IBM declaró 2026 su año de la ventaja y publica sus experimentos en un registro abierto que lleva la comunidad, para que otros los verifiquen [494].
Desde octubre de 2025 hay anuncios de ventaja cuántica que otros pueden comprobar. Google publicó en Nature un experimento, Quantum Echoes, en que el chip Willow deja que un sistema cuántico cambie con el tiempo, lo altera en un punto, lo hace volver hacia su estado inicial y mide cuánto de la alteración queda, que es el eco [44]. Con 65 de sus 105 cúbits tardó unas dos horas, y Google calcula que Frontier, una de las supercomputadoras más rápidas del mundo, tardaría 13.000 veces más [501]. El resultado es un número, y otra máquina cuántica de igual calidad podría repetirlo para confirmarlo. Nadie lo ha hecho todavía, y el problema es un modelo de prueba sin uso práctico [502].
El 30 de julio de 2026, IBM y la Universidad de Chicago anunciaron un cálculo que viene con una garantía estadística de que su resultado es correcto al menos en cierta proporción, la prueba que faltaba en los anuncios anteriores [503]. Para lograrlo usaron un código que detecta errores: la máquina descarta las ejecuciones en que aparece una falla, y así cada operación falla unas 10 veces menos [504]. El código detecta los errores pero no los corrige, y el resultado espera a que otros grupos intenten reproducirlo con computadoras normales [505]. Creemos que la discusión pasó de si la ventaja existe a cómo comprobarla, y que el paso siguiente es una ventaja comprobada en un problema con uso práctico.
Microsoft apuesta por otro tipo de cúbit, el topológico. Guarda la información repartida entre los dos extremos de un nanohilo, un hilo de material cientos de veces más delgado que un cabello, para que el ruido del entorno no la borre con facilidad. Microsoft sostiene que así necesitaría muchos menos cúbits para corregir errores. Esa protección depende de unos estados de la materia llamados modos de Majorana. Un modo, en física, es una manera en que los electrones de un material se mueven en conjunto, como si fueran una sola partícula. Los de Majorana aparecen en pareja, uno en cada extremo del nanohilo, y entre los dos guardan la información repartida. Si el chip de Microsoft los tiene es una discusión abierta entre físicos. Cuando la empresa presentó Majorana 1, en febrero de 2025, los editores de Nature, la revista que publicó el artículo, le agregaron una nota: los resultados no prueban que esos estados existan en el chip [506] [507]. En junio de 2026, Henry Legg, físico de la Universidad de St Andrews, publicó en la misma revista un comentario según el cual los datos de Microsoft apuntan a un estado sin la protección que se buscaba. Microsoft respondió, también en Nature, que sus mediciones indican un origen topológico y descartan casi todas las otras explicaciones [508] [509].
En junio de 2026, Microsoft presentó Majorana 2, que cambia el aluminio del chip por plomo y agrega antimonio al semiconductor [510] [511]. Lo que más importa de un cúbit es cuánto tiempo conserva su estado, porque cada vez que lo pierde se produce un error. Según Microsoft, si un cúbit hace una operación cada microsegundo y su estado dura un milisegundo, comete un error cada mil operaciones; si dura decenas de segundos, puede hacer decenas de millones de operaciones antes de equivocarse [511]. Según el preprint que acompañó el anuncio, un artículo publicado antes de que otros científicos lo revisen, en Majorana 2 ese estado dura unos 20 segundos, y a veces un minuto [512]. Microsoft dice que sus cúbits son 1.000 veces más fiables que los de Majorana 1 y adelantó a 2029 su meta de una computadora cuántica que resuelva problemas que hoy ninguna computadora puede resolver, la mitad del plazo que se había dado [510] [511].
El preprint todavía no tiene revisión por pares, y físicos ajenos a la empresa lo cuestionan [513]. Henry Legg dice que no hay pruebas de que el dispositivo pueda guardar una superposición, la combinación de 0 y 1 que distingue a un cúbit de un bit, y que por eso los 20 segundos miden cuánto dura un bit [514]. Añade que los datos parecen venir de unas pocas mediciones en un solo dispositivo [515]. Sergey Frolov, de la Universidad de Pittsburgh, dice que el trabajo no se apoya en una trayectoria sólida [515]. Frolov y Vincent Mourik señalaron las inconsistencias por las que un equipo ligado a Microsoft retiró en 2021 un artículo de 2018 en Nature que decía haber detectado modos de Majorana [516]. Microsoft respondió que sostiene sus resultados y su hoja de ruta [514]. Jason Zander, vicepresidente ejecutivo a cargo de su equipo cuántico, dijo que los Laboratorios Bell no tuvieron que probar que existía el electrón para inventar el transistor, y que Microsoft sí tiene que probar que existen los modos de Majorana [515].
Con átomos neutros ya se manejan miles de cúbits. Cada cúbit es un átomo sin carga eléctrica que un rayo láser sostiene en su lugar. En septiembre de 2025, el Instituto de Tecnología de California atrapó 6.100 átomos, que conservaron su estado cuántico unos 13 segundos, y operó cada uno con dos fallas de cada 10.000 operaciones. Todavía no los enlazó entre sí, y sin enlazarlos no se puede calcular [517]. En noviembre, la Universidad de Harvard, el Instituto Tecnológico de Massachusetts y la empresa QuEra publicaron en Nature, con hasta 448 átomos, las piezas de una máquina tolerante a fallos, entre ellas la corrección de errores por debajo del umbral. Al proteger cada cúbit lógico con más átomos, el error de cada ronda de corrección bajó a menos de la mitad. Los autores calculan que, para una máquina grande, aún deben reducir de tres a cinco veces los errores de cada átomo [518].
Abierta en el software, cerrada en la máquina
En la cuántica la parte abierta es el software, es decir, las herramientas con que se escriben los programas para las máquinas cuánticas y se prueban en una computadora normal. Qiskit de IBM, Cirq de Google, CUDA-Q de NVIDIA y PennyLane se publican con licencia Apache 2.0; el lenguaje Q# de Microsoft, con licencia MIT, y QPanda de Origin Quantum, la empresa china, también con Apache 2.0 [519]. Lo cerrado es la máquina. Sólo unas pocas empresas y laboratorios tienen una, y el resto entra por la nube con las condiciones del dueño. El plan gratuito de IBM, por ejemplo, da hasta 10 minutos de uso cada 28 días [520].
Lo que se cierra con más cuidado es lo que sirve para atacar. En marzo de 2026, Google estimó cuántos cúbits harían falta para romper la criptografía de curvas elípticas, la que protege, entre otras cosas, buena parte de las firmas digitales en internet. No publicó los circuitos del ataque, los programas cuánticos que lo ejecutarían. Publicó, en su lugar, una prueba de conocimiento cero, que demuestra que el circuito existe sin mostrarlo [521]. En abril, la empresa de seguridad Trail of Bits falsificó esa prueba, es decir, logró que el verificador aceptara una prueba de algo que no era cierto, aprovechando fallas del código con que Google la generaba. Mientras tuvo esas fallas, la prueba no garantizaba nada. Google las corrigió sin que cambiaran sus resultados [522], y en junio un investigador del instituto francés Inria reconstruyó los circuitos y los publicó [523]. Creemos que el caso repite lo que el estudio cuenta de los pesos de un modelo: lo que se retiene para no ayudar al atacante llega igual a quien tiene los medios para reconstruirlo, y quien queda fuera es el que no los tiene.
La IA dentro de la máquina cuántica
La IA ya ayuda a calibrar y corregir las máquinas cuánticas. Google DeepMind y Google Quantum AI presentaron AlphaQubit 2, un decodificador, el programa que lee las señales de error y decide cómo corregirlas. Trabaja en tiempo real, a menos de un microsegundo por ciclo de corrección, y esa velocidad importa porque la máquina repite esos ciclos sin parar mientras calcula: un decodificador más lento que la máquina deja que los errores se acumulen [524]. En julio de 2026, Google publicó en Nature un método de aprendizaje por refuerzo, en que el programa aprende por ensayo y error, que ajusta más de 1.000 parámetros de la máquina mientras calcula. Aquí los parámetros son los ajustes físicos con que se controla cada cúbit, distintos de los pesos de un modelo. El método reduce cerca de 20 % la frecuencia con que fallan los cúbits lógicos frente a la calibración convencional [525] [526]. Microsoft dice que fabricó Majorana 2 con ayuda de agentes de IA de su plataforma Microsoft Discovery, que simularon materiales, automatizaron mediciones y encontraron un sensor de temperatura mal calibrado que alteraba los datos de fabricación [510].
NVIDIA ocupa el puente. En octubre de 2025 presentó NVQLink, una conexión entre sus GPU y los procesadores cuánticos, con 17 fabricantes de máquinas cuánticas y nueve laboratorios estadounidenses [527]. En abril de 2026 presentó Ising, una familia de modelos que llama abiertos para calibrar y decodificar máquinas cuánticas [528]. Su modelo de calibración está construido sobre Qwen3.5 de Alibaba, con la licencia de modelos de NVIDIA, y la versión de julio, sobre Gemma 4 de Google, con la licencia OpenMDW [529]. Los modelos se pueden descargar, pero el decodificador necesita NVQLink, la conexión de NVIDIA, y la calibración corre sobre CUDA-Q, la plataforma de NVIDIA para programar máquinas que combinan procesadores cuánticos y GPU: quien usa los modelos queda dentro del equipo de NVIDIA [530]. NVIDIA invirtió en septiembre de 2025 en Quantinuum, en una ronda de US$600 millones, y en PsiQuantum, en una de US$1.000 millones [531] [532].
Jensen Huang, entonces director general de NVIDIA, dijo en enero de 2025 que las computadoras cuánticas muy útiles llegarían en 15 años, como pronto, y al día siguiente cayeron las acciones de dos empresas estadounidenses que fabrican computadoras cuánticas: las de Rigetti, 40 %, y las de IonQ, 37 % [533]. En marzo se retractó en un evento dedicado a la cuántica dentro de su conferencia anual [534]. Creemos que NVIDIA repite en la cuántica lo que hace con los modelos de lenguaje (ver «Lo que dice Huang»): regala el software y los modelos, aunque uno de esos modelos esté hecho sobre un modelo chino, para vender la GPU y la conexión que necesitan las máquinas que combinan procesadores cuánticos y GPU.
La cuántica al servicio de la IA
Que la cuántica mejore a la IA está demostrado en teoría y en problemas hechos a su medida. En 2021, investigadores de IBM probaron que una computadora cuántica con corrección de errores clasifica unos datos que ninguna máquina clásica puede clasificar mejor que al azar, siempre que el logaritmo discreto, un problema matemático en que se apoya parte de la criptografía, sea tan difícil como se cree. Esos datos, sin embargo, se fabricaron a partir de ese mismo problema, así que el resultado prueba que la ventaja puede existir, pero no que aparezca con datos reales, como textos, imágenes o registros de clientes [46]. En 2022, Hsin-Yuan Huang, John Preskill y el equipo de Google mostraron que, cuando lo que se aprende es un sistema cuántico, una máquina cuántica necesita exponencialmente menos experimentos, y lo comprobaron con 40 cúbits [535]. Un artículo de 2024 propone que una máquina con corrección de errores podría acelerar el entrenamiento de modelos grandes, pero sólo en un caso acotado: que el modelo sea disperso, es decir, que la mayoría de sus pesos valgan cero, y disipativo, es decir, que su entrenamiento avance de forma estable, sin que los cambios pequeños se amplifiquen. No lo prueba en ninguna máquina [536].
El resultado más amplio es de abril de 2026. El grupo de Hsin-Yuan Huang y John Preskill, con investigadores de Google, calcula que una máquina de menos de 60 cúbits lógicos clasificaría reseñas de cine o datos genéticos con entre 10.000 y un millón de veces menos memoria que una computadora clásica. Esa máquina todavía no existe: los experimentos de 2026 llegaron a 12 cúbits lógicos, e IBM promete 200 para 2029. Es un preprint, sin revisión por pares y sólo simulado, y la ventaja es de memoria: con memoria suficiente, admiten sus autores, los algoritmos clásicos tardan lo mismo y pueden ser más rápidos [537]. Ninguno de estos trabajos acelera el entrenamiento de un modelo de lenguaje. Torsten Hoefler, de la ETH de Zúrich y Microsoft, y Thomas Häner y Matthias Troyer, entonces de Microsoft, concluyeron en 2023 que la cuántica servirá para problemas de mucho cómputo con pocos datos, y no para los de muchos datos, como el entrenamiento, porque meter los datos en la máquina cuesta más de lo que se gana [538].
Los experimentos con máquinas reales todavía no superan a los mejores métodos clásicos en tareas de IA, y los primeros anuncios se han matizado. HSBC e IBM anunciaron en septiembre de 2025 una mejora de hasta 34 % al predecir si un cliente aceptaría una cotización de bonos, pero la mejora desaparecía al simular en una computadora normal la misma máquina sin errores. El propio artículo la atribuye al ruido del equipo, es decir, a sus imperfecciones: la mejora venía de las fallas de la máquina y no de lo que la hace cuántica [539] [540]. Scott Aaronson, de la Universidad de Texas en Austin, escribió que el resultado no tiene que ver con la aceleración cuántica [541]. IonQ reportó en mayo de 2026 que su ajuste fino de un modelo de lenguaje en su máquina reduce cerca de 24 % el error, pero la comparación es contra modelos clásicos simples y se hizo con 250 frases, donde la diferencia queda dentro del margen de error que calcula el propio artículo [542].
Google entrenó en 2025, en 68 cúbits, modelos generativos, los que producen datos nuevos parecidos a los que aprendieron, y esos modelos aprenden distribuciones, patrones de probabilidad que una computadora clásica no puede reproducir. Pero son patrones de sistemas cuánticos, no de texto ni de imágenes, y el trabajo no tiene revisión por pares [543]. Un estudio de Xanadu, una empresa canadiense de computación cuántica, con 12 modelos cuánticos y 160 conjuntos de datos encontró que los clasificadores clásicos comunes ganan [47]. Ewin Tang mostró en 2018 que un algoritmo cuántico para sistemas de recomendación, los que sugieren productos o películas, y que se tenía por uno de los mejores candidatos a una aceleración exponencial, tenía un equivalente clásico [544].
Lo que está en disputa es si la cuántica producirá datos que la IA no puede obtener de otro modo. Hartmut Neven, fundador de Google Quantum AI, escribió en diciembre de 2024 que la cuántica será indispensable para reunir datos de entrenamiento que una máquina clásica no puede producir [43]. El 10 de noviembre de 2026, Quantinuum y el instituto japonés RIKEN dijeron que un modelo entrenado con datos de su máquina Reimei predice el magnetismo mejor que uno entrenado sólo con simulaciones clásicas, un resultado que ellos mismos llaman preliminar y que no acompañan de ningún artículo [545]. NVIDIA presenta la relación al revés: al lanzar Ising, Jensen Huang habló de la IA como lo que hará práctica a la computación cuántica [546]. Creemos que la cuántica no acelerará pronto el entrenamiento de los modelos que disputa este estudio, y que su aporte más probable a la IA serán datos de química y materiales que hoy no se pueden medir ni simular.
Estados Unidos y China
Estados Unidos controla la exportación de computadoras cuánticas desde septiembre de 2024. La regla de la Oficina de Industria y Seguridad exige licencia según el tamaño y la precisión de la máquina: mientras menos errores comete, menos cúbits bastan para que quede controlada. Las más precisas quedan controladas desde 34 cúbits, y desde 2.000 cúbits físicos queda controlada cualquier máquina, cometa los errores que cometa. La regla controla también su software y su tecnología [547]. La regla controla la máquina, pero no dice nada del acceso por la nube, y la del 16 de noviembre de 2026 sobre acceso remoto se limita a los chips avanzados (ver «Controles de exportación») [22]. Ese hueco es el que quiere cerrar la Ley de Seguridad del Acceso Remoto, que la Cámara de Representantes aprobó 369 a 22 el 12 de enero de 2026 y que no es ley todavía (ver «Restricciones al modelo del rival») [548] [549]. Desde mayo de 2024 están en la lista de entidades la Universidad de Ciencia y Tecnología de China, que fabrica Jiuzhang y Zuchongzhi, y Origin Quantum, entre 22 entidades chinas que la lista sumó por apoyar el desarrollo cuántico de China [550].
En 2026 el gobierno de Estados Unidos pasó de financiar la investigación a comprar acciones. El 21 de mayo, el Departamento de Comercio de Estados Unidos firmó cartas de intención, acuerdos preliminares que todavía no obligan a entregar el dinero, con nueve empresas por US$2.013 millones de la Ley de Chips y Ciencia de 2022, que financia la fabricación de chips y la investigación en Estados Unidos. A cambio, el gobierno recibiría en cada una una participación minoritaria y sin control, es decir, acciones que no le dan el mando de la empresa. IBM recibiría US$1.000 millones; GlobalFoundries, US$375 millones, Atom Computing, D-Wave, Infleqtion, PsiQuantum, Quantinuum y Rigetti, hasta US$100 millones cada una, y Diraq, hasta US$38 millones [551]. Un mes después, la orden ejecutiva 14413 mandó entregar a un laboratorio del Departamento de Energía de Estados Unidos una computadora cuántica de escala suficiente para iniciar la era del descubrimiento científico con cuántica [552]. Según el Instituto Payne de la Escuela de Minas de Colorado, las acciones de las empresas en bolsa con apoyo definitivo cayeron en promedio 22,1 % entre el 9 de septiembre y el 6 de noviembre, frente a 6,4 % del Nasdaq, el índice de la bolsa estadounidense en que cotizan muchas de las grandes tecnológicas [553].
China puso la cuántica primera en la lista de industrias del futuro de su XV Plan Quinquenal, de 2026 a 2030 [554]. Su gasto es difícil de medir. El centro de estudios alemán MERICS dice que los proyectos insignia chinos son «secretos y caros», calcula el gasto público chino en unos US$15.000 millones y no pudo verificar los US$150.000 millones que reportó McKinsey [555]. China abrió además sus máquinas a la nube: China Telecom anunció en noviembre de 2025 que su Tianyan-287, de 105 cúbits, quedaba abierta por su nube a investigadores y empresas de todo el mundo [556].
Cosechar ahora, descifrar después
La amenaza cuántica para la ciberseguridad empieza antes de que exista la máquina. Un atacante puede guardar hoy datos cifrados y descifrarlos cuando tenga una computadora cuántica grande. El Instituto Nacional de Estándares y Tecnología de Estados Unidos lo escribe así en su plan de transición, publicado en octubre de 2026, que declara obsoleta después de 2030 la criptografía de clave pública vulnerable, la que permite acordar claves y firmar sin haberse visto antes, como RSA y la de curvas elípticas, y la prohíbe después de 2035 [557]. La criptografía poscuántica es la que resiste a una computadora cuántica, y sus tres primeros estándares los publicó ese instituto en agosto de 2024 [558]. La orden ejecutiva 14412, de junio de 2026, ordena que las agencias la usen en sus sistemas más sensibles para acordar claves antes del 31 de diciembre de 2030 y para las firmas digitales antes del 31 de diciembre de 2031 [45]. El mismo instituto advierte que pasar de un estándar a su uso pleno ha tomado entre 10 y 20 años [557].
Las estimaciones de esa máquina bajan. En mayo de 2025, Google calculó que romper una clave RSA de 2.048 bits, el tamaño de uso más común hoy, tomaría cerca de una semana con un millón de cúbits físicos, veinte veces menos cúbits que su estimación de 2019 [559]. En marzo de 2026, investigadores del Instituto de Tecnología de California y de la empresa Oratomic, entre ellos John Preskill y Hsin-Yuan Huang, estimaron que con átomos neutros bastarían 10.000 cúbits para correr el algoritmo de Shor, el que sirve para romper esta criptografía, y que con 26.000 se rompería en pocos días una clave de curvas elípticas. Es un preprint, sin revisión por pares [560]. Willow, el chip de Google citado arriba, tiene 105 cúbits: unas 100 veces menos que la estimación más baja, la de 10.000 cúbits de átomos neutros, y cerca de 10.000 veces menos que el millón que calculó Google. Google se fijó 2029 para migrar sus sistemas, productos y servicios [561]. Creemos que este es el punto donde la cuántica toca más de cerca la disputa del estudio: los pesos de un modelo cerrado, los datos de sus clientes y las firmas que prueban que un modelo descargado es el original viajan o se autentican con la misma criptografía de clave pública que el gobierno de Estados Unidos ya ordenó reemplazar en sus agencias.
Dónde está el dinero
Las empresas cuánticas todavía gastan más de lo que ingresan. IonQ ingresó US$173,8 millones en el tercer trimestre de 2026, pero US$83,5 millones vinieron de SkyWater, una fábrica que produce chips por encargo y que IonQ compró. Tuvo una pérdida operativa de US$433,1 millones, aunque registró una utilidad neta de US$564 millones por la revaluación contable de sus warrants, títulos que dan derecho a comprar acciones de IonQ a un precio fijo. La empresa los registra como una deuda; cuando su acción baja, esa deuda vale menos y la diferencia se anota como ganancia, sin que entre dinero [562]. Quantinuum, que salió a bolsa en junio, ingresó US$9,1 millones en el mismo trimestre y perdió US$118 millones [563]. En el año que terminó el 10 de noviembre de 2026, las acciones de IonQ bajaron 41 %, las de Rigetti 64 % y las de D-Wave 65 % [564]. Creemos que, por ahora, quien gana en la cuántica es quien vende lo que la rodea: NVIDIA, con las GPU con que se simulan, se calibran y se corrigen esas máquinas, y los gobiernos que compran acciones confían en que el negocio llegue después.
13
Dos ideas sobre cómo desarrollar la IA
Al lado de la competencia entre Estados Unidos y China corre una disputa de ideas sobre cómo debe desarrollarse la IA. Una idea la quiere concentrada en pocos laboratorios que controlen los modelos más capaces. La otra la quiere difundida, para que cualquiera la use, la estudie y la modifique. Arvind Narayanan y Sayash Kapoor, de Princeton, la describen como una elección entre limitar la IA a pocos actores y difundirla, y la atribuyen a diferencias profundas de visión del mundo [48]. Esa disputa no sigue las fronteras. Los mismos argumentos se oyen en California, en Pekín y en París, y dentro de cada país hay fracturas tan hondas como la que separa a las dos potencias.
Concentración o difusión. De los argumentos del lado abierto, el que más se repite es que abrir los modelos evita que el poder se concentre. Lo sostienen sobre todo quienes cobran fuera del modelo, como Meta con la publicidad, o quienes llegan tarde y necesitan desplazar a los establecidos, como Mistral y DeepSeek. Mark Zuckerberg, fundador y director general de Meta, escribió en 2024 que el código abierto evita que el poder se concentre en manos de unas pocas empresas [297]. En 2026 escribió que la idea de que la IA es tan peligrosa que el único camino seguro es una concentración extrema de poder «parece intrínsecamente problemática» [301]. Yann LeCun, entonces en Meta, ve en la concentración de poder por los sistemas propietarios un peligro «mucho mayor que todo lo demás». Propone para la IA la respuesta que las democracias liberales dieron a la prensa: que sea libre y diversa [565].
Liang Wenfeng, fundador de DeepSeek, quería en 2023 que hasta una aplicación pequeña pudiera usar modelos grandes a bajo costo, en lugar de que la tecnología quedara en manos de unas pocas personas y empresas, «formando un monopolio» [566]. Arthur Mensch dijo ante la Asamblea Nacional francesa que fundó Mistral porque «se perfilaba un oligopolio», y que abrir los modelos es «una técnica de descentralización y de desplazamiento de los actores establecidos» [567]. Dario Amodei, de Anthropic, que vende acceso a un modelo cerrado (ver «Quién gana con abrir y quién con cerrar»), también teme la concentración del poder, pero la ve en otros lugares. La ve en los chips, que no deben venderse al Partido Comunista Chino, y en los gobiernos, incluso democráticos, que podrían volver la IA contra sus propios ciudadanos [568].
Control o escrutinio. El argumento del control lo sostienen quienes venden acceso al modelo. El del escrutinio lo sostienen quienes ganan cuando el modelo circula, como Zuckerberg, cuyo negocio es la publicidad, y Huang, que vende los chips. El lado cerrado sostiene que a un modelo abierto es muy difícil ponerle salvaguardas o vigilar su uso, y que una vez publicado no se puede retirar [291]. Amodei piensa sobre todo en los ataques cibernéticos y biológicos, y las pruebas de 2026 sobre modelos abiertos chinos, que encontraron salvaguardas débiles en DeepSeek V4 Pro y en Kimi K3, le dan apoyo (ver «Qué es abierto y qué es cerrado»). El lado abierto responde que lo que se publica se revisa más. Zuckerberg sostuvo que el código abierto debería ser bastante más seguro porque cualquiera puede escrutarlo [297]. Huang lo dijo en París en 2025, según Fortune: «Si quieres que algo se haga de forma segura y responsable, hazlo a la vista» [569].
Los dos lados coinciden cada vez más en regular según la capacidad del modelo y no según su licencia. Amodei pide pruebas obligatorias para todo modelo suficientemente capaz, abierto o cerrado [291]. Demis Hassabis, de Google DeepMind, propuso en julio de 2026 un organismo de estándares en Estados Unidos, autorregulado y con supervisión federal, al estilo del que vigila a los corredores de bolsa. Ese organismo se aplicaría a los modelos de frontera de cualquier país, «abiertos o cerrados», y tendría representantes del código abierto en su consejo [570]. El modelo que cita Hassabis es la FINRA, una organización privada y sin fines de lucro que dicta y hace cumplir las reglas de los corredores de bolsa bajo la supervisión de la SEC [570] [571].
Principio o instrumento. Para unos, abrir es un valor, y para otros, una herramienta de poder nacional. El uso de la apertura como instrumento sigue la posición de cada país. Así lo lee para China el centro de estudios indio Takshashila: China abre sus modelos para atacar el ingreso de los laboratorios estadounidenses, que cobran por el acceso a los suyos (ver «Abaratar la capa ajena»). A India, el mismo centro le recomienda no atarse a ninguna de las dos potencias [50]. Estados Unidos, que lleva la delantera en los modelos cerrados y en los chips, patrocina a los dos lados, el abierto y el cerrado. China, que tiene restringido el acceso a los chips más avanzados, abre para ganar adopción fuera. Los países medianos abren para no depender de ninguno de los dos (ver «Los patrocinadores estatales»).
Liang llamó en 2024 a la apertura «más un acto cultural que comercial», y dijo que ante una tecnología disruptiva el foso que protege al código cerrado, la ventaja que impide a los rivales alcanzarlo, es pasajero [572]. El plan de acción de Estados Unidos quiere modelos abiertos «fundados en valores estadounidenses» porque tienen «valor geoestratégico» [30]. Marc Andreessen escribió en 2023 que el código abierto debía proliferar sin ninguna barrera regulatoria y, en el mismo texto, que había que llevar la IA estadounidense y occidental al «dominio global absoluto, incluso dentro de la propia China» [573]. Zuckerberg quiere que los modelos abiertos estadounidenses sean los mejores del mundo [301]. China abre hacia afuera los recursos técnicos «no sensibles» [353] y exige adentro que los servicios de IA generativa se apeguen a los valores socialistas fundamentales [574]. Lo exigen las Medidas Provisionales para la Gestión de Servicios de IA Generativa, vigentes desde agosto de 2023. Esas medidas se aplican a quien ofrece tales servicios al público dentro de China, y no a quien sólo investiga o desarrolla la tecnología [574].
Coincidencias entre rivales. En menos de un mes, entre julio y agosto de 2026, tres voces de países rivales se opusieron a restringir lo abierto. Xi Jinping llamó el 17 de julio, en la Conferencia Mundial de IA, en Shanghái, a fomentar el código abierto y a oponerse a «generalizar el concepto de seguridad nacional» en la IA [575]. La carta del 24 de julio, que firmaron Meta, Microsoft, NVIDIA y otras empresas a favor de los pesos abiertos (ver «Los abiertos de Estados Unidos»), pidió evitar «restricciones prematuras» a los modelos abiertos [306]. Y el 10 de agosto Zuckerberg escribió que restringir el acceso a los modelos abiertos extranjeros no es una solución eficaz [301].
Fracturas dentro de cada país. En Estados Unidos, Anthropic quedó fuera de la carta que firmaron Meta, NVIDIA, Microsoft, Google y OpenAI (ver «Quién está de cada lado»). En China, Robin Li, de Baidu, decía en 2024 que los modelos abiertos se quedarían cada vez más atrás [576], mientras DeepSeek y Moonshot, la empresa de Kimi, hacían de lo abierto su vía al mundo. Meta cambió de postura dos veces en dos años. En abril de 2026 publicó cerrado su modelo Muse Spark, y en agosto volvió a publicar modelos abiertos (ver «Los abiertos de Estados Unidos»).
Creemos que esta disputa se mezcla con el negocio y con la rivalidad entre potencias, pero no se reduce a ellos. Casi cada postura coincide con el lugar donde cobra quien la sostiene (ver el mapa en «Quién gana con abrir y quién con cerrar»), y los gobiernos usan lo abierto como instrumento. Aun así, los argumentos sobre la concentración del poder, el pluralismo y la seguridad se repiten casi palabra por palabra entre rivales que compiten por el mismo mercado, y dividen a empresas del mismo país.
14
Quién gana con abrir y quién con cerrar
El paralelo entre el software y la IA se sostiene en la lógica del negocio. Así leen Nathan Lambert, autor del boletín Interconnects, la apuesta de NVIDIA y el centro de estudios indio Takshashila la de China [49] [50]. Creemos que el paralelo se rompe en la manera en que funciona la propiedad. El software ya pasó por los dos cálculos de negocio que hoy dividen a la IA. El primero es abrir la capa que vende otro para cobrar en la propia. Una capa es cada eslabón de la cadena, como el chip, la nube o el modelo. El segundo es la pelea por la propiedad del insumo, que en el software fueron las patentes y en la IA son los datos de entrenamiento.
Abaratar la capa ajena
Joel Spolsky, programador y empresario, formuló la regla en 2002: «las empresas inteligentes intentan volver commodity los complementos de sus productos» [577]. Un commodity es un producto genérico, que se compra por precio porque da igual quién lo venda. Un complemento es lo que suele comprarse junto con otro producto, como la gasolina con el automóvil [577]. La razón es que la demanda de un producto sube cuando baja el precio de lo que lo acompaña [577]. Su ejemplo era IBM, que se estaba volviendo una consultora y por eso le convenía que el software empresarial fuera barato. La consultoría es el complemento de ese software [577]. En diciembre de 2000, IBM había anunciado que gastaría US$1.000 millones en Linux, el sistema operativo libre, al año siguiente, según la prensa de la época [578].
IBM aplica hoy la misma regla a la IA. En 2024 su director, Arvind Krishna, dijo que la empresa quería usar el código abierto para hacer con la IA «lo que se hizo con Linux y OpenShift» [579]. OpenShift es una plataforma de Red Hat, la empresa que IBM compró en 2019 [579]. Sus modelos Granite salen con Apache 2.0, una licencia permisiva (ver «Qué es abierto y qué es cerrado») [580]. A sus clientes les ofrece, frente a reclamos de propiedad intelectual, la misma protección que con el resto de sus productos [580] [581]. Es decir, si un tercero demanda a un cliente alegando que un modelo desarrollado por IBM infringe sus derechos, IBM se compromete por contrato a cubrir el costo, sin tope de monto [580] [581].
La misma regla ordena las posturas de la disputa. La tabla junta lo que sostiene cada actor con el lugar donde cobra. La última columna es nuestra lectura, salvo donde la cita es de la propia empresa.
| Quién | Qué sostiene | Dónde cobra | Qué gana con su postura |
|---|---|---|---|
| Anthropic | Modelo cerrado, pruebas obligatorias para todo modelo capaz y ningún chip avanzado para China; no firmó la carta [291] [217] | Acceso a sus modelos: 55 % del gasto empresarial en API [66] | Que el modelo conserve su precio. El token abierto cuesta en promedio US$0,13 por millón y el cerrado, US$0,70 [66]. Según la empresa, también evitar que un modelo capaz de ayudar a un ataque cibernético o biológico se publique sin pruebas [291] |
| OpenAI y Google | Modelo principal cerrado y versiones menores abiertas, gpt-oss y Gemma; firmaron la carta [292] [229] [217] | Acceso a sus modelos: 31 % y 9 % del gasto en API [66]. Google, además, en su nube | Que lo abierto quede una generación atrás. Abren lo que no compite con su modelo principal |
| Microsoft | Publicó la carta; Phi abierta [306] [231] | Azure, que sirve modelos de los dos tipos, y cerca de 24 % de OpenAI, que se comprometió a comprarle US$250.000 millones en servicios [582] [583] | Cobra en la nube gane quien gane |
| Meta | Abierto hasta 2025, híbrido desde 2026 [297] [301] | Publicidad: «vender acceso a modelos de IA no es nuestro modelo de negocio» [297] | No quedar encerrada en el ecosistema cerrado de un competidor, como le pasó con Apple en los teléfonos, según Zuckerberg [297] |
| NVIDIA | Abierto y cerrado juntos; Huang fue coautor de la carta [25] | Chips: los centros de datos dieron 89,7 % de sus ingresos del año fiscal 2026 [11] | La demanda de modelos abiertos «promueve el uso de nuestros productos» [14]. Muchos clientes en lugar de pocos laboratorios que diseñan sus propios chips |
| IBM | Granite abierto, con Apache 2.0 [580] | Consultoría y plataforma empresarial [579] | Repetir con la IA lo que hizo con Linux [579] |
| Alibaba | Qwen abierto, con licencia propia para los mayores [240] | Nube, que creció 45 % [319] | Los modelos abiertos «generan más demanda para nuestros servicios de nube» [584] |
| DeepSeek, Moonshot y Z.ai | Modelos insignia abiertos [309] [238] [241] | Servicio a precio bajo; la web y la aplicación de DeepSeek son gratuitas [320] | Adopción fuera de China. Abrir les cuesta tráfico: el del modelo de Z.ai por su propia plataforma cayó de 88 % a 22 % en veinte días [321] |
| ByteDance | Modelo principal cerrado, menores abiertos [311] [312] | Servicio, por Volcano Engine y Doubao [311] | Lo mismo que los laboratorios cerrados de Estados Unidos |
| Mistral | Abre los modelos chicos y reserva los medianos; abrir es una técnica de «desplazamiento de los actores establecidos» [244] [567] | Servicio y contratos para revender sus modelos mayores [244] | Competir con los establecidos sin igualar su gasto |
| Hugging Face | Firmó la carta [306] | La plataforma donde se publican los modelos, que NVIDIA acordó comprar [24] | Que se publiquen más modelos |
| Andreessen Horowitz | Ninguna barrera regulatoria al código abierto; licenciar los datos sólo estaría al alcance de los más ricos [573] [585] | Inversión en empresas emergentes | Modelos baratos para las empresas en que invierte |
Creemos que la correspondencia entre la postura y el negocio es alta, pero no total. Quien vende acceso al modelo defiende el control. Quien cobra en otra capa defiende la difusión. Quien llega tarde defiende la apertura, que desplaza a los establecidos porque ofrece gratis lo que ellos cobran. Cuando el negocio cambia, también cambia la postura. Microsoft, cuyo director llamó cáncer a Linux en 2001, publicó la carta de julio de 2026 a favor de los pesos abiertos [586] [306]. Meta cerró Muse Spark al crear su laboratorio de superinteligencia y volvió a abrir meses después (ver «Quién está de cada lado»).
Sin embargo, los mismos argumentos los repiten actores que cobran en capas distintas. También los repiten otros que no venden modelos ni chips, como las universidades públicas suizas que publican el modelo abierto Apertus o la Free Software Foundation. Esa fundación es una organización sin fines de lucro que defiende la libertad de los usuarios de programas [587]. En el caso de esas universidades y de la Free Software Foundation, el argumento no se explica por el negocio.
La licencia de Llama le pone a la apertura un límite de negocio. Quien ofrezca productos con más de 700 millones de usuarios activos al mes debe pedir a Meta una licencia aparte, y Meta la concede a su discreción. Mientras no la tenga, no puede usar el modelo [588]. De ese modo, Meta abarata el complemento para todos menos para sus rivales más grandes.
La propiedad del insumo
Las patentes del software. La disputa entre el software libre y las empresas se libró en las patentes. Las patentes terminaron como un arma de disuasión mutua más que como una fuente de ingresos, y las licencias de los modelos heredan las cláusulas que lograron esa disuasión.
El movimiento del software libre defiende desde los años ochenta cuatro libertades del usuario: ejecutar el programa, estudiarlo y cambiarlo, y redistribuirlo con o sin cambios [589]. En 1998, una parte de esa comunidad adoptó el nombre de código abierto para hablarles a las empresas de sus ventajas prácticas y no de ética [590]. Richard Stallman, fundador del movimiento, respondió que el código abierto «valora sobre todo la ventaja práctica y no hace campaña por principios» [591].
Steve Ballmer, entonces director de Microsoft, llamó a Linux en 2001 «un cáncer que se adhiere, en el sentido de la propiedad intelectual, a todo lo que toca», según The Verge [586]. En 2007, Microsoft dijo a Fortune que el software libre infringía al menos 235 de sus patentes, pero no identificó ninguna [592]. En noviembre de 2006 había firmado un acuerdo con Novell, que distribuía la versión SUSE de Linux. Por ese acuerdo, Microsoft se comprometía a no demandar por patentes sólo a los clientes de esa distribución [593]. Los usuarios de las demás distribuciones de Linux quedaban sin esa protección.
La licencia de la Free Software Foundation es la GPL, la licencia pública general de GNU. Quien distribuye un programa cubierto por ella, modificado o no, debe hacerlo bajo la misma licencia y entregar el código fuente, de modo que el programa sigue siendo libre aunque cambie de manos [594]. La fundación respondió al acuerdo con la versión 3 de su licencia, que impide distribuir el programa a quien firme un acuerdo así después del 28 de marzo de 2007 [595] [596]. Por su parte, la licencia Apache 2.0 ya concedía al usuario una licencia de patentes, que se pierde si ese usuario demanda alegando que el programa infringe una patente [597]. A diferencia de la GPL, Apache 2.0 permite distribuir las versiones modificadas con términos de licencia distintos [598].
Con los años, Microsoft cambió de lado. En 2018 entró con más de 60.000 patentes a la Open Invention Network, una red de licencias cruzadas que protege a Linux, en la que las empresas miembro se permiten usar mutuamente sus patentes sobre ese sistema, y reconoció la «fricción» del pasado [599]. En 2020 su presidente, Brad Smith, dijo que Microsoft estuvo «del lado equivocado de la historia» [586]. En julio de 2026 fue Microsoft quien publicó la carta a favor de los pesos abiertos [306]. Los modelos Gemma 4, gpt-oss y Granite salen con Apache 2.0, y la licencia de Llama copia la cláusula de represalia: quien demanda a Meta alegando que Llama infringe su propiedad intelectual pierde la licencia [588].
Los datos de entrenamiento. Hoy la pelea por la propiedad está en los datos, y ya cuesta dinero:
- Reddit firmó en enero de 2024 licencias de datos por US$203 millones, con plazos de dos y tres años [600]. Esas licencias dan al comprador acceso a lo que publican los usuarios de Reddit, que la empresa considera clave para entrenar los principales modelos de lenguaje [600].
- Meta discutió gastar hasta US$100 millones en licencias de libros y abandonó la idea al ver lo difícil que era negociarlas, según el fallo del caso Kadrey contra Meta, que le dio la razón sobre el entrenamiento [601].
- Anthropic acordó pagar US$1.500 millones a los autores de libros descargados de bibliotecas piratas. La jueza Araceli Martínez-Olguín, que heredó el caso del juez William Alsup, dio la aprobación final al acuerdo el 20 de julio de 2026, y el pago equivale a unos US$3.000 por obra, según Bloomberg Law [602].
En Estados Unidos, el juez Alsup separó el entrenamiento de la manera de conseguir los datos; el juez Chhabria, no. La doctrina en juego es el uso justo (fair use), que permite usar una obra protegida sin permiso según el fin, la cantidad usada y el efecto sobre su mercado. Un uso es transformador cuando da a la obra un fin distinto del original.
Dos jueces del tribunal federal del Distrito Norte de California aplicaron esa doctrina en junio de 2025. En Bartz contra Anthropic, tres autores demandaron a la empresa por entrenar a Claude con sus libros. Anthropic había descargado millones de libros de sitios piratas, y había comprado y escaneado otros. El juez William Alsup resolvió que entrenar fue un uso justo, por ser «sumamente transformador», pero que eso no excusa las copias piratas [603]. En Kadrey contra Meta, el caso de un modelo abierto, trece autores demandaron a Meta por entrenar Llama con libros suyos descargados de bibliotecas piratas. El juez Vince Chhabria le dio la razón a Meta porque los autores «presentaron los argumentos equivocados». Según el juez, el argumento que podía ganar era que el modelo inundaría el mercado con obras parecidas, y los autores no lo probaron [601]. El juez aclaró que su fallo no establece que entrenar con obras protegidas sea lícito [601].
Creemos que el primer fallo de apelación sobre entrenamiento de IA llegó el 29 de septiembre de 2026. El Tercer Circuito, el tribunal federal de apelación que revisó el fallo del tribunal de Delaware, resolvió que Ross Intelligence no hizo un uso justo de los resúmenes de Westlaw [604]. Westlaw es el servicio de investigación jurídica de Thomson Reuters, y sus editores redactan resúmenes de los puntos de derecho de cada sentencia. Ross, una empresa emergente que competía con Westlaw, entrenó su buscador jurídico con memorandos elaborados a partir de miles de esos resúmenes [604]. El tribunal aclaró que la IA de Ross no era generativa. Midió el daño en el mercado de licencias de esos resúmenes para entrenar IA, un mercado que «se está desarrollando rápidamente» [604].
Ese razonamiento se refuerza solo, porque cada licencia que se firma hace más fácil probar que quien no paga causa un daño. James Gibson, profesor de derecho de la Universidad de Richmond, describió ese efecto en 2007 para la propiedad intelectual [605]. Michael Weinberg, director ejecutivo del Centro Engelberg de Derecho y Política de la Innovación de la Universidad de Nueva York, advirtió en 2024 que los acuerdos de datos para IA pueden minar la defensa del uso justo [606].
El caso del New York Times contra OpenAI todavía no tiene fallo. El diario demandó a OpenAI y a Microsoft en diciembre de 2023, ante el tribunal federal del Distrito Sur de Nueva York, por usar sus artículos para entrenar los modelos de ChatGPT [607]. En el expediente que reúne esa demanda con otras contra OpenAI (In re: OpenAI, Inc. Copyright Infringement Litigation, 1:25-md-3143), el Departamento de Justicia de Estados Unidos sostuvo el 1 de septiembre de 2026 que entrenar un modelo generativo es un uso transformador, según cita el propio Tercer Circuito [604]. La Oficina de Derechos de Autor de Estados Unidos, que registra las obras y asesora al Congreso en la materia [608], espera que unos usos de entrenamiento sean justos y otros no. Recomienda dejar que el mercado de licencias se desarrolle sin intervención del gobierno [585].
En Europa, dos tribunales decidieron de forma opuesta si los pesos de un modelo contienen las obras con que se entrenó. En Londres, la agencia de fotografía Getty Images demandó a Stability AI por su generador de imágenes Stable Diffusion. El Tribunal Superior resolvió en noviembre de 2025 que Stable Diffusion «no almacena ni reproduce» esas obras, así que distribuir el modelo no es distribuir copias [609]. La jueza autorizó a Getty a apelar en ese punto, que el Tribunal de Apelación todavía debe resolver [610]. Una semana después, el tribunal regional de Múnich condenó a OpenAI porque las letras de canciones de la sociedad de autores GEMA quedaron «fijadas de forma reproducible en los modelos» [611]. El caso trataba de las letras de nueve autores alemanes. El tribunal descartó que esa memorización estuviera cubierta por la excepción de minería de textos y datos, que permite copiar obras para analizarlas [611].
Las leyes también tratan el tema. El Reglamento de IA exime a los modelos abiertos de buena parte de su documentación, pero no de la política de derechos de autor ni del resumen público de los datos de entrenamiento (ver «Cómo trata la ley a cada modelo») [612] [613]. Meta no firmó el código de buenas prácticas que concreta esas obligaciones [87]. Quien no lo firma debe demostrar a la Comisión Europea, por otros medios, que las cumple (ver «Quién regula la IA»). Japón permite, en el artículo 30-4 de su Ley de Derechos de Autor, usar obras para análisis de datos, es decir, para extraer y comparar información de un gran número de ellas, salvo que se perjudique sin razón al titular [614]. China exige a los servicios usar datos «de origen lícito» [574]. La exigencia está en sus Medidas Provisionales sobre servicios de IA generativa, de 2023, que se aplican a quien ofrece esos servicios al público dentro del país y le prohíben además infringir la propiedad intelectual ajena [574].
Por qué los datos no son las patentes. El paralelo se rompe en tres puntos:
- Los datos son la materia prima. Las patentes del software cubrían técnicas y eran difíciles de probar, y Microsoft no identificó las suyas. Los datos son el insumo mismo del modelo. Se prueban con facilidad cuando el modelo los memoriza, y ya se pagan en cientos de millones.
- La transparencia cambió de lado. El código público ayudaba al software libre a defenderse de las patentes. Con los datos ocurre lo contrario, porque publicar perjudica. La demanda contra Meta se armó con el artículo en que Meta presentó Llama, que reconocía haber usado Books3, un conjunto de datos formado por libros. A partir de ese dato, los autores rastrearon esa colección hasta un sitio pirata [615] [616]. EleutherAI, que publica sus datos, dice que los pleitos redujeron «drásticamente» la transparencia de las empresas [617].
- No hay licencias cruzadas que firmar. En el software, las dos partes tenían patentes y podían comprometerse a no usarlas una contra la otra. El dueño del contenido no es parte de la comunidad y no tiene nada que intercambiar. La Open Source Initiative optó por no exigir los datos en su definición de IA de código abierto (ver «Qué es abierto y qué es cerrado»), para que lo abierto y lo propietario estén en igualdad: «ambos pueden entrenar con el mismo tipo de datos» [618].
Quienes defienden lo abierto dicen que licenciar los datos sólo estaría al alcance de los más grandes. Ante la Oficina de Derechos de Autor, Andreessen Horowitz advirtió que el costo dejaría el mercado a unos pocos. Hugging Face dijo que excluiría a todos menos a las empresas más grandes. Meta sostuvo que ninguna empresa podría pagar regalías por los usos que terceros hacen de sus modelos [585]. Una regalía por uso no le cuesta lo mismo a quien cobra cada consulta que a quien publica pesos que cualquiera descarga. El primero puede sumarla a su precio. El segundo no cobra por cada uso y tampoco sabe cuántas veces se usa su modelo.
Sin embargo, la defensa del uso justo no es exclusiva de lo abierto. OpenAI dijo en 2023 al Parlamento británico que sería imposible entrenar los modelos punteros sin material protegido [619]. Además, los corpus con licencia abierta todavía no alcanzan la frontera. Common Pile es una colección de ocho terabytes de texto con licencia abierta, reunida para entrenar modelos de lenguaje. Los modelos entrenados con Common Pile compiten con Llama 1 y 2 en su tamaño, que es el nivel de 2023 [620].
Las patentes, en cambio, pesan poco en esta disputa. China registró más de 38.000 invenciones de IA generativa entre 2014 y 2023, seis veces más que Estados Unidos [621], y aun así es el mayor productor de modelos abiertos. No encontramos litigios de patentes relevantes contra un modelo de pesos abiertos.
Creemos que la geografía decide el modelo de negocio. Donde entrenar es uso justo y sólo se castiga la piratería, como resolvió el juez Alsup, lo abierto y lo cerrado compiten en igualdad, y el costo es comprar los ejemplares. Donde rige una licencia de hecho, es decir, donde en la práctica hay que pagar por los datos, como sugieren los fallos de Ross y de Múnich, gana quien puede pagarla. Ese es el laboratorio grande, sea abierto o cerrado. El cerrado tiene además una forma directa de repartir ese costo en lo que cobra por uso. Por último, quien entrena donde la ley es más permisiva, como en China o Japón, compite con ventaja. OpenAI, que es parte interesada, llamó a esa situación en 2025 un «arbitraje de derechos de autor» entre países [622].
15
Dónde se queda el dinero
El dinero de la IA se queda hoy en los eslabones escasos de la cadena. Se queda primero en la memoria, el diseño de chips y la fabricación, y después en la nube. El laboratorio que hace el modelo pierde dinero.
Esa cadena explica buena parte de la disputa. El modelo abierto abarata la capa del laboratorio y deja intactas las demás, y por eso lo defienden quienes cobran en ellas. Es el caso de NVIDIA, que según Nathan Lambert financia lo abierto para sostener su negocio de chips [49]. Kwon Nam-hoon, presidente del Instituto Coreano de Economía Industrial y Comercio, duda de que los laboratorios se queden con la mayor ganancia. Prevé que la oportunidad de ganancia se mueva hacia arriba en la cadena, a los cuellos de botella que persisten en el cómputo, la memoria y la energía. Prevé que se mueva también hacia abajo, a las aplicaciones, la distribución y los datos, y que la competencia traslade buena parte del valor a los consumidores [623].
El margen operativo de la tabla es lo que queda de cada dólar vendido después de pagar la producción, la investigación, las ventas y la administración.
| Eslabón | Empresa y periodo | Ingresos | Margen operativo |
|---|---|---|---|
| Equipo para fabricar chips | ASML, julio a septiembre de 2026 | 11.662 millones de euros | 44 % [624] |
| Fabricación | TSMC, julio a septiembre de 2026 | US$46.720 millones | 59 % [53] |
| Memoria | SK hynix, julio a septiembre de 2026 | 104,6 billones de wones | 80 % [8] |
| Memoria y fabricación | Samsung, división de chips, julio a septiembre de 2026 | 147,1 billones de wones | 72 % [51] |
| Memoria | Micron, ejercicio terminado el 3 de septiembre de 2026 | US$133.188 millones | 75 % [52] |
| Diseño de chips | NVIDIA, agosto a octubre de 2026 | US$115.844 millones | 67 % [198] |
| Nube | AWS, julio a septiembre de 2026 | US$45.984 millones | 39 % [54] |
| Nube | Google Cloud, julio a septiembre de 2026 | US$30.709 millones | 36 % [55] |
| Laboratorio | Anthropic, julio a septiembre de 2026 | US$16.956 millones | −3 %, con US$5.000 millones de cómputo contratado a corto plazo [56] |
| Laboratorio | OpenAI, julio a septiembre de 2026 | cerca de US$10.000 millones | cerca de −109 %, ajustado [625] |
Los márgenes son cálculo nuestro sobre las cifras de cada empresa, salvo el de OpenAI, que no publica sus cuentas. Un margen negativo es pérdida: el de OpenAI, cerca de −109 %, quiere decir que gastó en su operación unos US$2,09 por cada dólar que ingresó.
La escasez fija el margen
Los fabricantes de memoria ganan hoy más por cada dólar que NVIDIA. SK hynix ganó 80 centavos de utilidad de operación por dólar en el tercer trimestre, y espera que la demanda supere a la oferta hasta 2030 [8]. Micron ganó 75 centavos por dólar en su ejercicio. La empresa explica que la HBM, la memoria de alto ancho de banda que usan los chips de IA, consume más obleas de silicio por cada bit que la memoria convencional [52]. Por eso una fábrica produce menos memoria cuando pasa a HBM, y la oferta no alcanza.
ASML, el único fabricante de las máquinas de litografía más avanzadas, las que imprimen los circuitos de los chips, gana menos por dólar: 44 centavos en el trimestre, contra 33 un año antes. Dice que algunos clientes ya quieren hacerle pedidos para 2029 y 2030, y que la oferta que planeó para 2027 y 2028 no alcanzará para toda la demanda [624]. Parte de esa escasez la previó NVIDIA, que pidió a las empresas de memoria invertir en HBM (ver «NVIDIA ordena la cadena»).
El margen de cada eslabón sigue a lo que escasea en ese momento y no a su lugar en la cadena. Kwon Nam-hoon, que sigue en este punto al economista David Teece, sostiene que la ganancia emigra hacia los activos complementarios escasos, lo que hace falta además de la invención para cobrar por ella, como los datos exclusivos o la relación con los clientes [623]. Teece llama apropiabilidad a la capacidad de quedarse con el rendimiento de una innovación. Según Kwon, en la IA es baja frente a lo invertido, porque los artículos, el movimiento de investigadores, las pruebas públicas y la destilación, que consiste en entrenar un modelo con las respuestas de otro, difunden pronto lo que descubre el líder [623]. En 2026 escasea la memoria, y por eso sus fabricantes ganan más que quien diseña el chip. El laboratorio, que compra todo eso a través de la nube, es el único eslabón de la tabla que pierde.
El chip y la nube
NVIDIA ganó 66 centavos de utilidad de operación por cada dólar vendido de mayo a julio de 2026, según nuestro cálculo con su informe trimestral, y 67 de agosto a octubre, el trimestre de la tabla [14] [198]. Parte de esa venta la financia ella misma, porque invierte en empresas que le compran chips, como CoreWeave, y les contrata servicios de nube. Al 26 de julio tenía US$99.000 millones invertidos en el capital de otras empresas y US$25.000 millones más comprometidos [14]. También se había obligado a comprar US$36.000 millones en servicios de nube a nubes de IA, empresas que rentan cómputo especializado para IA y que en buena parte son proveedores que también le compran chips. A eso se suman US$29.000 millones en nube para desarrollar sus propios modelos abiertos y su software de conducción autónoma [14]. CoreWeave, que renta GPU de NVIDIA y tiene a NVIDIA como accionista, perdió US$709 millones en el trimestre [626].
La nube gana margen, pero gasta más efectivo del que genera. Amazon, Alphabet, Microsoft, Meta y Oracle invirtieron US$231.000 millones en el último trimestre que reportó cada una, lo que a ese ritmo equivale a cerca de US$925.000 millones al año, según la suma que hicimos de sus reportes [54] [627] [583] [628] [629]. En China, la firma de análisis Rhodium Group prevé que la inversión en IA se duplique en 2026 hasta 932.000 millones de yuanes, unos US$139.000 millones. Esa cifra es entre 15 % y 20 % de la estadounidense [630].
Las cuentas de cada empresa muestran ese gasto. Amazon acumula en doce meses un flujo libre de caja negativo de US$42.357 millones [54]. El flujo libre de caja es el efectivo de la operación menos lo invertido. Alphabet tuvo flujo libre negativo en el segundo y el tercer trimestre de 2026, y en junio levantó capital por US$49.500 millones [627] [55]. Oracle tiene US$664.000 millones en contratos por cobrar, de los que espera cobrar el 13 % en el próximo año [628].
El margen de la nube depende de que los laboratorios paguen lo que se comprometieron a comprarle. Torsten Slok, economista jefe de Apollo, advierte que los eslabones rentables dependen de que el laboratorio que pierde siga consiguiendo financiamiento [631]. El mercado de crédito ya refleja ese riesgo: el costo de asegurarse contra un impago de CoreWeave, que sube cuando los inversionistas ven más probable que la empresa no pague sus deudas, llegó el 5 de noviembre a un récord (ver el estudio de asuntos públicos, «El riesgo de burbuja») [632].
El laboratorio
Anthropic es el único laboratorio de frontera de Estados Unidos con cuentas públicas. Las dio a conocer en su solicitud de salida a la bolsa, y espera fijar el precio de sus acciones el 18 de noviembre [56]. Sus ingresos pasaron de US$41 millones en 2023 a US$4.585 millones en 2025, y a US$33.242 millones en los primeros nueve meses de 2026. El 79 % viene del cobro por uso, y el 44 % se vendió a través de las tiendas de Amazon, Google y Microsoft [56].
Su margen bruto es lo que le queda de cada dólar después del costo directo de servir el modelo. Es de 85 %, según nuestro cálculo con la nota 8 de su solicitud [56]. Ese margen describe sólo el cómputo que sirve a clientes de pago, que es cerca de una cuarta parte de su gasto en cómputo. El resto se va en entrenar, investigar y atender a los usuarios gratuitos. En total, Anthropic gasta en cómputo el 57 % de lo que ingresa, y en los nueve meses perdió US$1.260 millones en su operación. Su pérdida neta fue de US$104.039 millones, pero casi toda es contable y no corresponde a gasto. Proviene de la revaluación de sus notas convertibles, que son deuda que se paga con acciones, de derivados, que son contratos cuyo valor depende del precio de otro activo, de sus SAFE, acuerdos que dan derecho a recibir acciones en una ronda futura, y del valor razonable, el precio de mercado estimado, de sus acuerdos de financiamiento con socios [56]. Como esos instrumentos se pagan con acciones o dependen de su valor, cuando sube el valor de Anthropic sube también lo que debe por ellos, y la contabilidad registra esa diferencia como pérdida aunque no salga dinero.
Los proveedores financian al laboratorio, y ese dinero regresa a ellos como compra de cómputo. Así lo señalaron Fortune y Stacy Rasgon, de Bernstein, sobre NVIDIA y OpenAI [633]. Anthropic se comprometió a comprar cómputo por unos US$900.900 millones, entre ellos al menos US$121.300 millones a Google, US$110.000 millones a Amazon y US$47.200 millones a Microsoft [56]. Junto con la oferta pública, venderá acciones en privado por US$26.000 millones. Las compran Google, NVIDIA, AMD, Broadcom, Micron, Microsoft y TSMC, todos proveedores de chips o de nube [56]. Microsoft, por su parte, registró en el trimestre US$10.000 millones de ingresos por sus contratos con OpenAI, empresa de la que tiene cerca de 24 % [583].
En sus factores de riesgo, Anthropic dice que los modelos abiertos compiten por cargas de trabajo que priorizan «la eficiencia de costo sobre la inteligencia» y que pueden presionar sus precios [56]. También advierte sobre la destilación, el robo de pesos y la difusión del conocimiento. Si ponen al alcance de más empresas la capacidad de hacer modelos potentes, dice, la competencia podría depender cada vez más «del acceso al cómputo a gran escala que de la capacidad de desarrollar modelos» [56].
El precio del modelo
Lo abierto empuja hacia abajo el precio de lo que ya existe, porque cualquier proveedor puede servir un modelo abierto y competir por precio. Anthropic reconoce que presiona sus precios en las tareas donde pesa más el costo [56]. El laboratorio cerrado cobra por la frontera, el modelo más capaz, y esa ventaja dura de dos a seis meses según Ben Lorica, autor del boletín Gradient Flow [634].
El precio de una capacidad fija cae rápido. Lo que cuesta usar un modelo tan capaz como GPT-4 bajó unas 40 veces por año, según Epoch AI [635]. En cambio, lo que se paga por usar el modelo más capaz sube, porque los modelos son más grandes y razonan más. El aumento es de entre 3 y 18 veces por año, según un estudio académico de 2025 [636].
Los laboratorios cerrados cobran casi lo mismo por modelos de nivel equivalente. Los tokens de entrada son el texto que se envía al modelo, y los de salida, el que el modelo devuelve. Opus 5.5 cuesta US$4 por millón de tokens de entrada y US$20 de salida, lo mismo que gpt-5.6-sol con el precio promocional que OpenAI mantiene hasta el 30 de noviembre [637] [638]. Google duplicará el 1 de diciembre el precio de Gemini 4 Carbon y Argon, de US$2 a US$4 la entrada [639]. DeepSeek V4 Pro cobra US$3,96 por millón de tokens de salida en horas pico y US$1,98 fuera de ellas [640]. En horas pico, eso es cerca de la quinta parte de lo que Opus 5.5 y gpt-5.6-sol cobran por la salida.
Quién paga lo abierto
Los laboratorios abiertos que publican sus cuentas venden servicios y todavía pierden dinero:
- Zhipu, la empresa de Z.ai, cotiza en Hong Kong. Ingresó 724 millones de yuanes en 2025 y perdió 4.718 millones, más de seis veces sus ingresos [57]. En el primer semestre de 2026 ingresó 954 millones, el 86 % por su API. Entre el inicio del año y septiembre subió 101 % el precio promedio de esa API, mientras el volumen crecía más de 40 veces. Su margen bruto bajó de 50 % a 26 % frente al primer semestre de 2025, porque creció la parte de su negocio en la nube, que deja menos que las instalaciones en los servidores de cada cliente. El margen de la nube y la API, en cambio, subió de −0,4 % a 24,6 % [641]. La empresa dice que, en lo comercial, «el código abierto y la seguridad no son partidas de costo». Su razón es que la distribución que da el código abierto es la condición para que el modelo reciba retroalimentación de tareas reales [641]. Entre sus accionistas hay fondos controlados por las comisiones de activos estatales de Pekín y de dos de sus distritos [642].
- MiniMax ingresó US$79 millones en 2025, el 73 % de ellos fuera de China continental, y perdió US$251 millones en su medida ajustada, la que la empresa calcula sin algunas partidas contables que no son pagos en efectivo [58]. Alibaba tiene 11,36 % de la empresa y le vendió servicios de nube por US$75,9 millones en 2025. Esa compra equivale al 96 % de los ingresos de MiniMax, según nuestro cálculo: lo que MiniMax pagó por la nube a uno de sus accionistas casi igualó lo que cobró a todos sus clientes [643].
- Alibaba reporta aparte, desde junio, el segmento AI Labs and Applications, que hace Qwen y su aplicación. El EBITA ajustado de ese segmento, su utilidad antes de intereses, impuestos y amortizaciones, fue una pérdida de 13.861 millones de yuanes en el trimestre a junio. Es más del doble de lo que ganó su nube, 5.628 millones [319]. Es el subsidio cruzado más explícito que encontramos en un reporte. Hay subsidio cruzado cuando una empresa cubre la pérdida de un negocio con lo que gana en otro.
- DeepSeek no publica ingresos. El costo de US$5,6 millones que se le atribuye a V3 es el alquiler teórico de las GPU de la corrida final de entrenamiento. Su propio informe aclara que deja fuera la investigación y los experimentos previos [644]. Su margen teórico de 545 % se medía sobre el costo, y no sobre los ingresos como los de la tabla: quería decir que el servicio ingresaría unos US$6,45 por cada dólar de alquiler de las GPU de inferencia, el único costo que descontaba [320]. DeepSeek lo calculó suponiendo que cobraba todos los tokens al precio de su modelo R1, y aclaró que su ingreso real era mucho menor [320]. Hasta abril de 2026 la financiaba sólo High-Flyer, el fondo de su fundador, según la prensa [645].
- Meta escribió en su informe anual que espera seguir entrenando «una combinación de modelos abiertos y cerrados» [646]. En octubre de 2026 dijo a sus inversionistas que el entrenamiento es un gran costo fijo y que por eso quiere servir toda la demanda de inferencia de alto margen que pueda [647].
El valor de lo abierto lo cobra, en buena parte, quien lo sirve. En la pasarela de modelos de Vercel, el servicio que dirige las llamadas de las aplicaciones hacia los modelos de cada laboratorio, los modelos abiertos procesaron en septiembre de 2026 el 71,5 % de los tokens y se llevaron el 22,6 % del gasto: hicieron casi tres cuartas partes del trabajo y se llevaron menos de una cuarta parte del dinero, porque su token es mucho más barato. Casi el 70 % de lo que se gastó en modelos chinos pasó por proveedores de Estados Unidos [648]. Ese gasto lo cobra el proveedor que sirve el modelo y no el laboratorio chino que lo publicó. Fireworks, que sirve modelos abiertos y especializados, pasó los US$1.000 millones de ingresos anualizados, es decir, lo que ingresaría en un año si mantuviera su ritmo de ventas más reciente [649]. Del lado público, la Fundación Nacional de Ciencias de Estados Unidos y NVIDIA dieron a Ai2 US$152 millones para modelos totalmente abiertos, y Apertus se entrenó con horas del supercómputo público suizo [650] [326]. La Fundación es la agencia federal que financia la ciencia y la ingeniería, y Ai2 es un instituto de investigación sin fines de lucro que Paul Allen fundó en Seattle [651] [652].
Lo abierto se sostiene de tres maneras. La primera es como gasto para vender otra cosa, sea la nube, el chip o la publicidad. La segunda es con capital, a menudo estatal, mientras el laboratorio construye su venta de servicios. La tercera es como bien público. Nathan Lambert describe a NVIDIA financiando modelos abiertos para sostener su negocio de chips, y Takshashila describe al Estado chino absorbiendo su costo [49] [50]. El negocio lo hace sobre todo quien sirve los modelos, más que quien los publica.
16
La industria del software ante la IA
La IA abarata escribir código, y eso cambia el negocio de quien vende software hecho por miles de ingenieros. Creemos que el cambio golpea más a quien vende aplicaciones por licencia que a quien cobra por el cómputo donde corren las aplicaciones nuevas que las reemplazan. Creemos también que Microsoft se acomodó en este segundo grupo. La firma de análisis Forrester prevé que el software pase del cobro por asiento, es decir, por usuario, al cobro por consumo, es decir, por lo que cada cliente usa [653].
El trabajo de programar
David Heinemeier Hansson, creador de Ruby on Rails y socio de la empresa de software 37signals, contó en agosto de 2026 en el programa de Lex Fridman cómo cambió su trabajo en nueve meses. Usamos la transcripción automática del episodio. Dice que hace nueve meses habría llamado «psicosis de IA» a lo que dice hoy, y que él mismo se volvió «opcional en la parte que produce el código» [654].
Su ejemplo es una traducción de código. Un agente tradujo una biblioteca, un paquete de código que otros programas reutilizan, del lenguaje de programación Python al lenguaje Rust en menos de 45 minutos. Pagada por token, la tarea le habría costado unos US$550. A él, aprender Rust para hacerla le habría tomado nueve meses. Otros modelos repitieron la tarea por entre US$23 y US$55, y él la pagó con una suscripción mensual. De ahí concluye que el beneficio económico de cuidar cada línea de código «disminuye rápidamente». Sobre los programas que usamos a medias propone: «¿y si cada uno se construye su propio 5 %?» [654].
Heinemeier Hansson también dice que Microsoft ha tenido durante décadas capacidad de programación ilimitada, y que eso muestra que escribir mucho código no produce buen software. En las empresas grandes, dice, el cuello de botella son las ideas, la visión y el gusto. A esas empresas las compara con superpetroleros que no pueden girar. Llama «confusas» a las cifras de empleo y menciona la paradoja de Jevons, según la cual el abaratamiento aumenta la demanda. Atribuye los despidos de hoy a la sobrecontratación de la pandemia, con la IA como «excusa conveniente» [654].
También habló de modelos abiertos. Usa el modelo chino Kimi servido por Fireworks, un proveedor de Estados Unidos. Llamó «proteccionista» a Anthropic por impedir que su suscripción se use con programas de otros. Dijo que al modelo abierto chino puede preguntarle por Tiananmen, mientras que un modelo cerrado de Estados Unidos se negó a traducirle al italiano un ensayo sobre migración [654].
Los datos de empleo de Estados Unidos muestran la misma mezcla. Los desarrolladores de software pasaron de 1,66 millones en 2023 a 1,69 millones en 2025. Los programadores, una ocupación más estrecha, pasaron de 152.610 en 2021 a 92.230 en 2025 [655]. En cada una de las tres ediciones de su manual de ocupaciones que consultamos, de marzo y octubre de 2025 y de noviembre de 2026, la Oficina de Estadísticas Laborales de Estados Unidos baja el crecimiento que proyecta para los desarrolladores en diez años: 17 %, 15 % y 10 % [656]. Un estudio de Stanford con datos de nómina encontró en su revisión de agosto de 2026 que el empleo de los jóvenes de 22 a 25 años en las ocupaciones más expuestas a la IA está 19 % por debajo de lo esperado. La diferencia se debe a que se les contrata menos, y no a que se les despida. Los autores presentan el resultado como un indicador descriptivo, no como prueba de causa [657].
Huang dio en marzo de 2026 la lectura contraria al despido, con el ejemplo de la radiología. Según él, fue el primer oficio que los investigadores de IA dieron por perdido, la visión por computadora superó a los humanos hacia 2020, y aun así el número de radiólogos creció y hoy faltan. Si programar pasa a ser describir lo que uno quiere, dijo, quienes pueden hacerlo pasan de 30 millones a «probablemente mil millones» [15].
Lo que queda para Microsoft
Microsoft cerró su año fiscal en junio con 223.000 empleados, 5.000 menos que dos años antes. En investigación y desarrollo de producto pasó de 81.000 a 77.000 personas, mientras sus ingresos crecían 35 % en esos dos años, hasta US$331.839 millones [658] [60]. En 2025 recortó unos 15.000 puestos en dos rondas, según CNBC [659] [660], y en julio de 2026 recortó 4.800 más. Su directora de personas escribió que esos puestos «no se reemplazan con IA» [661]. Satya Nadella, director general de Microsoft, dijo a los empleados en 2025 que la empresa está en una industria «sin valor de franquicia», en la que nada protege lo ganado, y que debe pasar «de fábrica de software a motor de inteligencia» [662].
Azure pasó por primera vez los US$100.000 millones en el año fiscal 2026 [663]. El gasto de capital de Microsoft en conjunto, que es lo que invierte en centros de datos, chips y redes, subió de US$44.477 millones en el año fiscal 2024 a US$115.948 millones en 2026 [60]. La empresa no lo separa por negocio [60]. Desde septiembre reporta un segmento llamado «Agents and Infra», que dio el 83 % de sus ingresos del trimestre. En ese mismo trimestre, Azure creció 48 % y los ingresos de Windows para fabricantes y de dispositivos cayeron 22 % [664]. Nadella dijo que su modelo de negocio pasa «de las suscripciones por usuario a incluir el consumo», y que en GitHub, la plataforma de Microsoft donde los programadores guardan y comparten su código, los agentes ya abren más de un tercio de las solicitudes de cambio [61]. Una solicitud de cambio es la propuesta de modificar el código que otra persona revisa antes de integrarla.
Microsoft gana cuando el software se abarata, siempre que corra en su nube, porque cobra por el cómputo que ese software consume. Abrió con licencia MIT, que es permisiva (ver «Qué es abierto y qué es cerrado»), el código de su asistente de programación en el editor VS Code y publica Phi con la misma licencia. Además, ofrece DeepSeek y gpt-oss en su catálogo, y publicó la carta a favor de los pesos abiertos [665] [231] [666] [306]. Sus ingresos por modelos abiertos en ese catálogo se multiplicaron por diez, según Nadella, que no dio el periodo [61].
A los ingenieros de Microsoft les queda construir y operar la infraestructura, los agentes y la capa que los gobierna, más que escribir nuevas aplicaciones. Nadella quiere rehacer cada capa, de la infraestructura a los agentes, y hacer herramientas para que cada quien construya las suyas [662]. El riesgo de la empresa está en dos lugares. Uno es el margen bruto de su nube, que bajó a 66 % por el costo de la IA [60]. El otro es que cobrar por uso hace sus ingresos más variables que cobrar por licencia, porque el cliente paga sólo lo que consume y no una cuota fija por usuario.
El software que se vende por licencia
El 29 de enero de 2026, Anthropic publicó un complemento para tareas jurídicas de su asistente Claude, con la licencia abierta Apache 2.0 [667]. Entre el 2 y el 3 de febrero, Thomson Reuters, la dueña del servicio jurídico Westlaw, cayó 15,7 % en bolsa, Intuit 10,9 % y el fondo cotizado de empresas de software de iShares 4,6 %, según nuestro cálculo con precios de Yahoo Finance [62]. Ese fondo se compra en bolsa como una acción y reúne las de muchas empresas de software, así que su precio sigue al sector entero. Al 13 de noviembre, ese fondo había recuperado casi todo y perdía 4,1 % en el año, mientras Microsoft subía 8,5 %. En cambio, Intuit seguía 48 % abajo, Oracle 36 %, ServiceNow 33 % y Adobe 31 % [62].
Los directivos del sector leen el riesgo de formas distintas. Nadella había anticipado en 2024 que las aplicaciones de negocio «probablemente colapsarán» en la era de los agentes [668]. Huang llamó a la idea de que la IA reemplaza al software «lo más ilógico del mundo» [669]. Klarna, que había anunciado que dejaría Salesforce y Workday, aclaró después: «no reemplazamos el SaaS con un LLM» [670]. SaaS es el software que se paga por suscripción, y LLM, un modelo de lenguaje. Salesforce anunció que no contrataría ingenieros en 2025 [671]. En enero de 2026 tenía 83.334 empleados, más que un año antes, con la compra de Informatica incluida [672].
La amenaza es al precio y al cobro por usuario, más que a la existencia de estas empresas, como sostienen Forrester y la consultora Bain [653] [673]. La caída de febrero coincidió con la publicación de un componente de software libre. Ese componente es el complemento jurídico de Anthropic, que cualquiera puede usar y modificar sin pedir permiso.
El software libre
La IA usa el software libre más que nunca, pero deja de mandarle a sus mantenedores, las personas y empresas que lo desarrollan y lo mantienen al día, el tráfico y los clientes que lo financiaban. Así lo escribió Dries Buytaert, fundador del gestor de contenidos libre Drupal, a propósito de Tailwind [59]. Tailwind es una herramienta libre para diseñar páginas web, y nunca había sido tan usada. Sin embargo, el tráfico a su documentación, que es por donde llegan los clientes de sus productos comerciales, bajó cerca de 40 % desde 2023, y sus ingresos bajaron casi 80 %. En enero de 2026 despidió al 75 % de su equipo de ingeniería, y su fundador escribió que lo hizo por el impacto que la IA tuvo en el negocio [63].
Otros proyectos reciben de la IA tanto carga como ayuda. El proyecto curl, una herramienta libre para transferir datos por internet, cerró en enero de 2026 su programa de recompensas por fallas de seguridad, que pagaba a quien las reportara. La razón fue que los reportes basura hechos con IA bajaron la proporción de reportes confirmados de más de 15 % a menos de 5 % [674]. El mismo mantenedor había integrado unas 50 correcciones encontradas por herramientas de análisis con IA [675]. Heinemeier Hansson cree que este es el mejor momento para mantener un proyecto libre, porque llegan contribuciones gratuitas [654].
17
Lo que las grandes empresas permiten hacer con sus datos
Más que elegir entre modelos abiertos y cerrados, las grandes empresas deciden qué puede hacerse con sus datos y quién lo autoriza. Ninguna de las reglas públicas que revisamos, sean de empresas o de reguladores, exige un modelo abierto ni prohíbe uno cerrado. Esas reglas exigen que no se entrene con los datos, que no se guarden, que se sepa dónde se procesan y que alguien lo autorice por escrito. Las empresas responden a esas exigencias con cinco posturas, que a menudo combinan: prohibir, poner condiciones a sus proveedores, montar un portal propio sobre modelos contratados, entrenar un modelo propio o instalar uno abierto en casa, es decir, en sus propios servidores. Cada postura le da el negocio a un proveedor distinto.
Prohibir y después contratar
En 2023, después de que empleados de Samsung pegaran código interno en ChatGPT, la empresa prohibió las herramientas de IA generativa en sus equipos y en su red. Presentó la prohibición como una medida temporal y advirtió que quien la incumpliera podía ser despedido [676]. Otras organizaciones hicieron algo parecido. En una encuesta de Cisco de 2024, el 27 % de los responsables de privacidad dijo que su organización había prohibido por un tiempo las aplicaciones de IA generativa. El 63 % había limitado qué datos se pueden introducir en ellas y el 61 %, qué herramientas pueden usar los empleados [677].
Las prohibiciones se dirigieron a la versión de consumo de estas herramientas y no a la IA en sí. Donde hay seguimiento público, terminaron en una herramienta aprobada por la empresa. JPMorgan lanzó en 2024 un portal propio con el modelo de OpenAI [678]. Goldman Sachs lanzó uno parecido en 2025, con los modelos detrás de su cortafuegos, es decir, dentro de su propia red [679]. Samsung, que había entrenado su propio modelo, llamado Gauss, permitió en junio de 2026 que su división de electrodomésticos y teléfonos usara ChatGPT, Gemini Enterprise y Claude. Su división de chips todavía no tiene fecha para hacerlo [680].
Las restricciones tampoco alcanzan para frenar el uso. En una encuesta de KPMG y la Universidad de Melbourne, el 46 % de los trabajadores de Estados Unidos dijo haber subido información confidencial de su empresa a plataformas públicas de IA [681].
Lo que exigen a sus proveedores
Algunas grandes empresas publican las reglas de IA que imponen a sus proveedores. Todas las que encontramos regulan el uso de los datos, no el tipo de modelo:
- AT&T prohíbe a sus proveedores procesar su información en cualquier sistema de IA si no hay un acuerdo escrito, y les exige borrarla «después de su uso previsto». Su definición de modelo es amplia. Incluye el aprendizaje por contexto, en el que el modelo recibe ejemplos o documentos dentro de la consulta sin que cambien sus pesos. Incluye el RAG, la técnica que hace que un modelo busque en documentos propios antes de responder. Incluye también los embeddings, la representación numérica que permite buscar esos documentos por significado. Con esa definición, la prohibición alcanza también al proveedor que sólo consulta la información de AT&T sin entrenar ningún modelo. Además, todo lo que se genere con IA debe entregarse etiquetado y revisado por una persona [64].
- BASF prohíbe al proveedor entrenar su IA con los datos de la empresa, es decir, con lo que BASF escribe en ella y con las respuestas que recibe, y también revisarlos o monitorearlos, salvo que haya un consentimiento aparte. Cuenta el RAG como entrenamiento y pide que se aprueben antes los cambios que aumenten el riesgo para las personas [65].
- Procter & Gamble prohíbe usar, sin su consentimiento escrito, herramientas que expongan sus datos a terceros. La prohibición incluye las herramientas internas que puedan entrenar con lo que se escribe en ellas, «aunque sea por un ajuste técnico» [682]. Basta, entonces, con que la configuración de la herramienta permita ese entrenamiento, aunque nadie lo haya buscado.
- Kenvue pide consentimiento escrito para cualquier uso de sus datos con IA generativa. En su lista de ejemplos incluye Microsoft Copilot 365, el asistente de IA que Microsoft integra en Word, Excel y Outlook, junto a ChatGPT y Gemini [683]. La regla alcanza así a las herramientas de oficina de todos los días.
- Clifford Chance, un despacho de abogados global, prohíbe entrenar con sus datos y exige al proveedor que diga qué modelo de base usa, el modelo de uso general sobre el que construye su producto [684].
Los gobiernos piden lo mismo. La Casa Blanca ordenó a las agencias federales que sus contratos prohíban entrenar modelos comerciales con los datos de las agencias [685]. La orden está en el memorando M-25-22, que su Oficina de Administración y Presupuesto emitió en abril de 2025 para fijar cómo compra IA el gobierno federal, salvo en los sistemas de seguridad nacional. La prohibición es permanente, cubre los datos no públicos y sólo cede ante el consentimiento expreso de la agencia. El memorando pide también cláusulas contra la dependencia de un solo proveedor, como la portabilidad, que permite a la agencia llevarse sus datos y sus modelos a otro proveedor, y rige para los contratos de las convocatorias emitidas desde 180 días después de su fecha [685].
La Comisión Europea preparó cláusulas modelo para las compras públicas, que todavía son un borrador. Tienen una versión completa para los sistemas de alto riesgo según el Reglamento de IA (ver «Quién regula la IA») y una versión ligera para los demás [686]. Esas cláusulas limitan el uso de los datos a lo que cubre el contrato y obligan a destruirlos cuando se pida [687].
Las reglas de cada sector
Varias de esas cláusulas se explican por las reglas de cada sector. En la Unión Europea, el reglamento de resiliencia operativa digital del sector financiero, conocido como DORA, obliga a fijar en todo contrato de servicios informáticos los países donde se procesan y se almacenan los datos, y a avisar antes de cambiarlos [104]. DORA se aplica desde el 17 de enero de 2025 a los bancos, las aseguradoras, las empresas de servicios de inversión y las demás entidades financieras de la Unión [688]. En Estados Unidos, la ley de salud HIPAA convierte en asociado de negocio a todo proveedor que procese información de pacientes por cuenta de un hospital o una aseguradora [105]. El hospital o la aseguradora sólo puede entregarle esa información si el proveedor se obliga, en un contrato escrito, a protegerla [689]. Ese contrato le prohíbe usarla para algo distinto de lo pactado, y lo obliga a avisar de cualquier filtración y a imponer las mismas condiciones a sus subcontratistas [690]. Un proveedor de IA que reciba expedientes de pacientes tiene que firmarlo antes.
El Departamento de Defensa de Estados Unidos, por su parte, exige que la nube que guarde información militar tenga el nivel de seguridad de los sistemas federales [107]. Ese nivel es el moderado de FedRAMP, el programa con que el gobierno federal fija los requisitos de seguridad de los servicios de nube [107]. La nueva guía de riesgo de modelos de los supervisores bancarios de Estados Unidos, de abril de 2026, deja expresamente fuera a la IA generativa y a la agéntica, la que ejecuta tareas por su cuenta [110]. Para esos sistemas no fija requisitos propios y remite a las prácticas generales de gestión de riesgo y de gobierno de cada banco [110]. Esa guía reemplaza la de 2011 y describe cómo deben validar y vigilar los bancos los modelos cuantitativos con que deciden. Está dirigida sobre todo a los bancos con más de US$30.000 millones en activos [110].
Los abogados tienen una regla más dura, porque el secreto profesional puede perderse. El regulador de los abogados de Inglaterra y Gales advirtió en agosto de 2026 que meter documentos de un cliente en una herramienta pública de IA probablemente rompe la confidencialidad. Advirtió también que puede hacer perder el privilegio «de forma permanente» [109]. El privilegio es la protección que impide obligar al cliente a revelar lo que trató con su abogado. El colegio de abogados de California prohíbe introducir información confidencial de un cliente, sin su consentimiento informado, en una herramienta que la ponga en riesgo [691]. La regla está en su guía práctica de mayo de 2026, que reemplaza la de 2023 y aplica a la IA generativa y a la agéntica los deberes éticos que el abogado ya tenía [691].
Los modelos propios
Algunas empresas entrenaron modelos propios desde cero. Bloomberg hizo en 2023 uno de 50.000 millones de parámetros con sus datos financieros [692]. Samsung entrenó Gauss y lo usa en su asistente interno de programación [693]. NTT vende tsuzumi, un modelo japonés hecho desde cero que corre en una sola GPU. La empresa ofrece instalarlo en casa o en una nube privada para manejar información confidencial [694]. Las tres empresas tienen capacidad de investigación y un interés comercial en el modelo.
Los bancos JPMorgan y Goldman Sachs tomaron otro camino. Construyeron portales propios sobre modelos cerrados contratados, detrás de su cortafuegos [678] [679]. No encontramos ninguna gran empresa que no sea tecnológica y que documente en sus propios canales, como su plataforma principal, un modelo abierto afinado, es decir, entrenado un poco más con datos propios, e instalado en casa. Lo abierto aparece como una pieza dentro de esos portales o en la oferta de proveedores como Mistral, Cohere, IBM y SAP. El modelo propio también tiene un límite, y el caso de Samsung lo muestra: la empresa tenía un modelo propio desde 2023 y aun así abrió la puerta a tres modelos cerrados. Según la empresa, Gauss seguirá en uso junto a ellos porque está integrado a sus sistemas internos [680].
Lo que ofrecen los laboratorios
Los laboratorios cerrados ajustaron su oferta a esas reglas. OpenAI no entrena con lo que recibe su API desde marzo de 2023 [695], Anthropic no entrena con el contenido de sus clientes comerciales [696], Google no lo hace sin permiso previo del cliente [697] y AWS no comparte el contenido con los desarrolladores de los modelos que vende [698].
La retención cero, es decir, el compromiso de no guardar nada de lo que el cliente envía, tiene límites. OpenAI la concede sólo con aprobación previa [695]. Google advierte que no es posible en algunas funciones avanzadas [697]. AWS guarda hasta 30 días todo el tráfico con Claude Fable 5, 5.1 y 5.2 para detectar abusos de forma automática, y lo que marcan sus clasificadores puede pasar a revisión de una persona. Lo hace porque esos modelos exigen la retención para poder usarse [115] [699]. Con esos modelos, una cláusula como la de AT&T, que obliga a borrar la información después de su uso previsto, no se puede cumplir si no se negocia una excepción.
Los proveedores de modelos abiertos venden lo contrario. Mistral ofrece su asistente para instalarlo en los equipos del cliente o en su nube privada [111]. Cohere promete que en sus despliegues privados no tiene acceso a los datos [112]. IBM vende sus modelos Granite con licencia Apache 2.0 para instalarlos en casa [113]. SAP integró los modelos de Mistral para que sus clientes construyan aplicaciones soberanas dentro de su propio entorno [114].
Quién gana con cada postura de las empresas
Las columnas de quién gana y quién pierde son nuestra lectura, salvo donde citan un dato.
| Postura | Quién la adoptó | Quién gana | Quién pierde |
|---|---|---|---|
| Prohibir las herramientas externas | Samsung en 2023; el 27 % de las organizaciones de la encuesta de Cisco, por un tiempo [676] [677] | Las versiones gratuitas de consumo, que se siguen usando a escondidas: en Estados Unidos, el 46 % de los trabajadores dijo haber subido a ellas información confidencial de su empresa [681] | Todos los proveedores para empresas, mientras dura |
| Poner condiciones a los proveedores | AT&T, BASF, Procter & Gamble, Kenvue, Clifford Chance y el gobierno federal de Estados Unidos [64] [65] [682] [683] [684] [685] | Los proveedores que pueden firmar que no entrenan, que borran y qué modelo usan, y pagar el cumplimiento; el laboratorio que ofrece retención cero | El integrador cuyo laboratorio exige retener los datos para revisión [115] |
| Portal propio o versión empresarial de modelos cerrados | JPMorgan y Goldman Sachs; Samsung desde junio de 2026 [678] [679] [680] | OpenAI, Anthropic y Google, cuyos modelos van dentro, y las nubes que los sirven sin entrenar con los datos [698] [697] | Las aplicaciones genéricas de chat y asistencia que el portal reemplaza |
| Modelo propio entrenado desde cero | Bloomberg, Samsung y NTT [692] [693] [694] | Quien vende el cómputo, NVIDIA o la nube, y la propia empresa cuando vende el modelo, como NTT | Los laboratorios externos, hasta que el modelo propio se queda corto, como pasó en Samsung |
| Modelo abierto instalado en casa o en nube privada | Lo ofrecen Mistral, Cohere, IBM y SAP; no encontramos una gran empresa no tecnológica que lo documente como su plataforma principal [111] [112] [113] [114] | Los vendedores de instalación, soporte y soberanía, y quien vende los chips | Los laboratorios cerrados que exigen retener los datos para revisión |
| Exigencias de cada sector sobre ubicación, contrato y secreto | Sector financiero europeo, salud y defensa de Estados Unidos, despachos de abogados [104] [105] [107] [109] | Los proveedores que firman el acuerdo de asociado de HIPAA, cumplen el nivel federal de seguridad o garantizan el país donde queda el dato | Las herramientas públicas, que según el regulador inglés pueden hacer perder el secreto profesional [109] |
En casi todas las posturas gana quien vende el cómputo, como concluía ya en 2023 la firma de capital de riesgo Andreessen Horowitz para todo el mercado de la IA generativa [700]. El portal de un banco y el modelo abierto en nube privada corren en los centros de datos de Amazon, Microsoft o Google. El modelo propio y el abierto instalado en casa corren en chips de NVIDIA. Los laboratorios cerrados ganan donde la empresa protege sus datos con un contrato. Los vendedores de modelos abiertos ganan donde el dato no admite ninguna retención o donde la regla es de soberanía, como en el caso de NTT en Japón o en el de SAP con Mistral en Europa.
Creemos que quien vende soluciones construidas sobre modelos de terceros gana o pierde según la postura de cada cliente. En las cláusulas de AT&T, BASF, Procter & Gamble, Kenvue y Clifford Chance, el proveedor obligado es ese vendedor y no el laboratorio. El vendedor tiene que pedir autorización escrita, no entrenar con los datos ni siquiera mediante RAG, borrarlos, declarar el modelo de base y etiquetar lo generado. Además tiene que conseguir esos mismos compromisos de su laboratorio.
Ese vendedor pierde frente al portal propio, que ya da acceso a los modelos, y pierde también cuando su laboratorio exige retener los datos. Gana si corre en la nube o en los equipos del cliente con el modelo que el cliente ya contrató. Gana también si aporta lo que un portal genérico no da, como datos del dominio, flujos de trabajo de un sector y trazabilidad de cada respuesta, y si puede cambiar a un modelo abierto instalable cuando el dato no admite retención.
Las encuestas no coinciden sobre qué postura crece. En 2025, Andreessen Horowitz encontró más adopción de modelos abiertos en las empresas grandes, por su preferencia por instalarlos en casa [701]. En enero de 2026, la misma firma encontró que más de un tercio prefería modelos cerrados y que la seguridad de los datos era una de las razones [702]. La encuesta de Menlo Ventures, levantada en septiembre de 2026, encontró que en un año los modelos abiertos pasaron de 11 % a 19 % de los tokens que usan las empresas, pero que sólo se llevan 4 % del gasto [66]. Las tres encuestas vienen de fondos que invierten en laboratorios, por lo que ninguna es una fuente desinteresada.
La retención que exigen ahora algunos modelos de frontera, como los Claude Fable en Bedrock, el mercado de modelos de la nube de Amazon, es posterior a las dos primeras encuestas, que por eso no miden su efecto. AWS exime de esa retención a los clientes que califican a su programa Enterprise Frontier Safeguards. La exención vale para uso interno y AWS la ofrece al menos hasta el 30 de junio de 2027. Después guardará todo el tráfico hasta 30 días para detectar abusos de forma automática [699]. Por eso creemos que la banca, la salud y los despachos negociarán esa exención antes de instalar un modelo abierto en casa [115].
18
Cómo trata la ley a cada modelo
Controles de exportación
A partir del 19 de noviembre de 2026, ninguna regla de exportación estadounidense tratará distinto a los pesos abiertos y a los cerrados. La regla de difusión de IA, de enero de 2025, fue la única regla de exportación de una potencia que lo hizo. La Oficina de Industria y Seguridad la emitió como regla provisional. Con ella extendió a todo el mundo la exigencia de licencia para exportar los chips avanzados de cómputo, y creó excepciones para los destinos que, a su juicio, no planteaban riesgos de seguridad nacional [703]. Esa regla creó la clasificación 4E091, un número nuevo en la lista de bienes cuya exportación controla el Departamento de Comercio de Estados Unidos, y exigió licencia para exportar los pesos de los modelos cerrados entrenados con más de 10^26 operaciones, un 1 seguido de 26 ceros. Cada operación es una suma o una multiplicación, y el total de operaciones mide el cálculo que costó entrenar el modelo. La regla dejó fuera a los modelos de pesos publicados porque, a juicio de la Oficina de Industria y Seguridad, sus beneficios superaban por ahora a sus riesgos [703].
El 13 de mayo de 2025 el Departamento de Comercio de Estados Unidos anunció que retiraría la regla, instruyó a la Oficina de Industria y Seguridad a no aplicarla y prometió una regla de reemplazo [704]. Después del anuncio, sin embargo, el texto siguió en el reglamento. Ese texto exigía licencia para exportar a cualquier destino lo clasificado en 4E091 [705]. Establecía una presunción de denegación, es decir, que la solicitud de licencia se niega en principio, para todo usuario final con sede fuera de los destinos del párrafo (a) del suplemento 5 de la parte 740 [705]. Ese párrafo enumera los destinos a los que la regla de difusión daba una excepción de licencia [703]. Eximía también a los modelos que no superaran al modelo abierto más capaz, de modo que el control sólo alcanzaba a los cerrados mejores que cualquiera que ya se pudiera descargar. Mantenía además la regla de producto extranjero para los pesos de modelos [705]. Esa regla somete al reglamento estadounidense ciertos bienes producidos en otros países con tecnología, programas o equipos estadounidenses, así que un modelo entrenado fuera de Estados Unidos con chips estadounidenses podía necesitar licencia para exportarse [703].
El 12 de mayo de 2026 la Oficina de Rendición de Cuentas del Gobierno dictaminó que el anuncio de no aplicar la regla era en sí una regla, y que por eso debía someterse al Congreso [706]. Esa Oficina es un organismo independiente de los departamentos del Ejecutivo [707]. Emitió el dictamen a petición de la senadora Elizabeth Warren. Su dictamen se apoyó en la Ley de Revisión del Congreso, y no podía obligar a la Oficina de Industria y Seguridad a aplicar la regla de difusión [706]. Esa ley, de 1996, exige a toda agencia enviar cada regla nueva a las dos cámaras y al titular de la Oficina de Rendición de Cuentas antes de que surta efecto, y da al Congreso 60 días para desaprobarla con un procedimiento especial [708]. La regla de reemplazo estaba prevista para julio de 2026, y su descripción no mencionaba los pesos [709].
El 16 de noviembre de 2026, el Departamento de Comercio dio a conocer una regla provisional que retira formalmente la de difusión. La regla provisional elimina la clasificación 4E091 y todo control propio de los pesos, porque el Departamento de Comercio juzga más eficaz atender sus riesgos con licencias por destino o por uso final, es decir, según el país al que va el bien o según lo que se hará con él. Se publica en el Federal Register y entra en vigor el 19 de noviembre. Como regla provisional, rige sin consulta previa y admite comentarios durante los 60 días siguientes [22]. La misma regla traslada el control al cómputo. Un centro de datos de cualquier país necesita licencia para dar acceso a más de 12 millones de unidades de TPP, la medida de potencia con que se clasifican los chips, unos 760 chips H100, a empresas con sede, o con matriz, en Macao o en un país del grupo D:5. El requisito busca impedir que esas empresas usen por la nube, desde otros países, chips estadounidenses que no pueden comprar. Ese grupo es la lista de países bajo embargo de armas de Estados Unidos, e incluye a China [22].
La guía de compras federal, en cambio, sí distingue a los modelos abiertos de los cerrados, porque exime a los modelos con licencia abierta de los requisitos de neutralidad ideológica que impone a los modelos de lenguaje que compran las agencias (ver «Estados Unidos patrocina a los dos lados») [341].
Mientras la regla de difusión seguía sin aplicarse, el Departamento de Comercio restringió un modelo cerrado por otra vía. En junio de 2026 ordenó a Anthropic, sin dar sus razones por escrito, que cortara el acceso de los usuarios extranjeros a Fable 5 y Mythos 5. El 30 de junio levantó la orden. El caso está en el estudio de asuntos públicos [710].
El 16 de octubre de 2026, los ministerios de Comercio y de Ciencia y Tecnología de China presentaron una propuesta para restringir la exportación de tecnologías de IA, cuyos umbrales recoge el estudio de asuntos públicos. La propuesta reforma el catálogo de las tecnologías cuya exportación China prohíbe o restringe. Suma 40 tecnologías de IA, de biomedicina y de energía fotovoltaica, 23 de ellas de IA [290]. En ella propuso controlar la transferencia de sus pesos cerrados más grandes y dejar libres los pesos ya publicados y el acceso como servicio [711]. Es el criterio que Estados Unidos todavía tenía en su reglamento [705]. De un modelo grande, la propuesta restringe los pesos, los puntos de control (las copias de los pesos guardadas a mitad del entrenamiento), el código fuente y la arquitectura, además de las técnicas para optimizar su entrenamiento y acelerar su inferencia. Queda fuera lo que ya entró al dominio público por código abierto o por publicación académica [290].
Un modelo entra en la lista si cumple cualquiera de tres criterios: 10^26 operaciones de entrenamiento o más (el mismo umbral de cómputo que usa Estados Unidos), 2 billones de parámetros o más, o un lugar entre los diez primeros del mundo en evaluaciones públicas. También entran los modelos que prestan servicio y fueron entrenados con «datos importantes». El rubro 266501J va más lejos con los modelos entrenados con «datos centrales»: los pone entre las tecnologías de exportación prohibida, que a diferencia de las restringidas no pueden salir de China ni con licencia [290]. Las dos categorías vienen de la Ley de Seguridad de Datos de China, vigente desde septiembre de 2021. Los datos importantes son los que cada región y cada sector inscribe en un catálogo de protección reforzada. Los datos centrales son los que tocan la seguridad nacional, las arterias de la economía, el sustento de la población o un interés público mayor, y tienen el régimen más estricto [712].
Desde el 16 de octubre, mientras se aprueba el catálogo, quien quiera exportar algo de la lista debe registrarlo antes [290]. Abrir el código de una tecnología listada tendrá licencia automática, de modo que, según el vocero del Ministerio de Comercio de China, básicamente «se declara y sale» [713]. Tampoco cuenta como exportación ofrecer al exterior un modelo restringido por API, aplicación, web, software como servicio o instalación ligera en el dispositivo. Desplegarlo completo en el extranjero sí cuenta, aunque la licencia es automática si el modelo va en la nube propia de la empresa fuera de China [713]. La consulta sobre la propuesta cerró el 15 de noviembre [290]. Desde el 19 de noviembre, esa propuesta será el único control de exportación de pesos de las dos potencias.
Evaluación previa y transparencia
Unión Europea. Entre las normas vigentes, el Reglamento de IA es la que trata lo abierto con más detalle en evaluación y transparencia. Lo hace en cuatro artículos:
- El artículo 2(12) deja fuera del reglamento a los sistemas de IA con licencia libre y de código abierto. La exclusión no vale si son de alto riesgo, ni si caen en las prácticas prohibidas del artículo 5 o en las obligaciones de transparencia del artículo 50, entre ellas la de marcar el contenido sintético (ver «Contenido sintético») [612].
- El artículo 25(4) se refiere a los contratos que el reglamento exige en la cadena de los sistemas de alto riesgo. En ellos, el proveedor de un sistema de alto riesgo y quien le suministra herramientas, servicios o componentes fijan por escrito la información y el acceso técnico que el primero necesita para cumplir el Reglamento. El artículo exime de esos contratos a quien publica herramientas o componentes con licencia abierta. La exención no cubre a los modelos de uso general [612].
- El artículo 53(2) exime de dos obligaciones de documentación a ciertos proveedores de modelos de uso general. Son aquellos cuya licencia permite acceder al modelo, usarlo, modificarlo y distribuirlo, y que además publican sus pesos, su arquitectura y su información de uso. Las dos obligaciones son elaborar la documentación técnica del modelo para la Oficina de IA y las autoridades nacionales, y entregar información sobre el modelo a quienes lo integran en sus sistemas [714]. La exención no vale para los modelos con riesgo sistémico, la categoría que el Reglamento reserva a los más potentes [612].
- El artículo 54(6) exime a esos mismos proveedores de nombrar un representante en la Unión, que el Reglamento exige a los proveedores establecidos fuera de ella [714], con el mismo límite [612].
El código de buenas prácticas para modelos de uso general repite esa frontera. Sus medidas de documentación no se aplican a los modelos abiertos que cumplan el artículo 53(2), salvo a los de riesgo sistémico. A los abiertos les pide advertir en su documentación que el modelo no debe usarse para infringir derechos de autor [715]. Según las directrices de la Comisión Europea, que no son vinculantes, quien afina un modelo ajeno pasa a ser su proveedor, y carga con las obligaciones del Reglamento sobre ese modelo, si usa en el afinado más de un tercio del cómputo con que se entrenó el original. La Comisión da ese tercio como criterio indicativo. Quien afina con menos no se vuelve proveedor. Según las mismas directrices, los modelos con riesgo sistémico cumplen todas las obligaciones, sean abiertos o no [716].
La exención se pierde en tres casos:
- Riesgo sistémico. El riesgo sistémico se presume cuando el entrenamiento supera 10^25 operaciones, diez veces menos que el umbral de 10^26 que usan las leyes de California y Nueva York, así que la Unión Europea alcanza a más modelos. El proveedor puede refutar la presunción si demuestra que, por sus características, su modelo no presenta esos riesgos. La Comisión puede designar también modelos que estén por debajo de ese umbral. Cuando hay riesgo sistémico, la apertura no exime de nada [612]. El proveedor debe entonces cumplir las dos obligaciones de documentación y, además, evaluar el modelo con pruebas adversarias, en las que un equipo intenta que el modelo haga lo que no debe para descubrir sus capacidades peligrosas. Debe también evaluar y reducir los riesgos sistémicos, comunicar los incidentes graves a la Oficina de IA y dar al modelo una protección adecuada de ciberseguridad [714].
- Derechos de autor. La exención nunca alcanza al resumen del contenido usado para entrenar ni a la política de cumplimiento de derechos de autor, como aclara el considerando 104, uno de los párrafos que preceden a los artículos del Reglamento y explican cómo interpretarlos [612].
- Licencia y cobro. Según las directrices de la Comisión, hay tres licencias que no cuentan como abiertas: la que limita el modelo a uso no comercial o de investigación, la que exige una licencia adicional por encima de cierto número de usuarios (la de Llama es un ejemplo nuestro) y la que pide una licencia comercial aparte para ciertos usos. La monetización también quita la exención. Hay monetización si el modelo sólo se aloja en la plataforma del proveedor con acceso pagado o con publicidad, si el acceso exige datos personales para algo más que seguridad, o si el modelo se ofrece con una licencia dual que cobra el uso comercial o el uso por encima de cierta escala [716] [612]. Con ese criterio, las licencias que exigen un contrato aparte al gran revendedor, descritas arriba, difícilmente califican para la exención.
El Ómnibus Digital de julio de 2026, que reformó el reglamento, no tocó estas exenciones. Sí pospuso las obligaciones de los sistemas de alto riesgo, a los que no alcanza la exención de lo abierto. El anexo III del Reglamento enumera los usos de alto riesgo, entre ellos la biometría, la educación, el empleo, el acceso a servicios esenciales, la policía, la migración y la justicia. El anexo I cubre la IA que sirve de componente de seguridad en productos ya regulados, como las máquinas, los juguetes o los productos sanitarios [612]. Las obligaciones de los sistemas del anexo III pasaron al 2 de diciembre de 2027 y las del anexo I, al 2 de agosto de 2028 [488]. En el artículo 25(4), la reforma sustituyó el primer párrafo y dejó intacto el segundo, que es donde está la exención de lo abierto. También dio a la Oficina de IA la supervisión exclusiva de los sistemas construidos sobre un modelo de uso general del mismo proveedor [488].
Estados Unidos. Las leyes estatales de frontera no distinguen entre modelos abiertos y cerrados. La SB 53 de California, firmada en septiembre de 2025, obliga a todo desarrollador que entrene modelos con más de 10^26 operaciones a publicar un informe de transparencia y a reportar incidentes críticos. A los desarrolladores que además facturan más de US$500 millones los obliga a publicar un marco de seguridad, el documento con los protocolos técnicos y de organización con que evalúan y reducen los riesgos catastróficos. Sólo a ellos se les puede multar, con hasta US$1 millón por infracción. La ley define desplegar como poner un modelo a disposición de un tercero para que lo use, lo modifique o lo copie, de modo que publicar los pesos es un despliegue más [99].
En cuanto a los pesos, el desarrollador grande debe explicar en su marco cómo protege los pesos no publicados contra su modificación o su transferencia no autorizada. Todo desarrollador de frontera, por su parte, debe reportar en 15 días el acceso no autorizado a los pesos, su modificación no autorizada o su exfiltración (la salida de los pesos sin autorización), cuando cualquiera de los tres cause muerte o lesiones [99]. A más tardar el 1 de enero de 2027, y después cada año, el Departamento de Tecnología de California debe revisar las definiciones de modelo de frontera y de desarrollador de frontera. Debe también proponer cambios a la legislatura, con la opinión de la comunidad de código abierto, entre otros [99].
Otros dos estados siguieron a California. La ley RAISE de Nueva York alcanzaba en su texto original a los modelos destilados de un modelo de frontera. La reforma de marzo de 2026 la alineó con la de California y quitó esa parte [100] [101]. Illinois siguió las mismas definiciones en su SB 315, que exige desde 2028 el marco de seguridad y una auditoría independiente anual [717]. Las dos obligaciones recaen en el desarrollador grande, el que factura más de US$500 millones al año. Desde el 1 de enero de 2027, cuando la ley entra en vigor, ese desarrollador no puede desarrollar, desplegar ni operar un modelo de frontera en el estado sin una declaración vigente ante la agencia estatal de manejo de emergencias, que debe renovar cada año [718].
En el plano federal, el acceso anticipado de la orden 14409, que el gobierno recibe a ciertos modelos de frontera hasta 30 días antes de su entrega a otros socios, es voluntario (ver «Estados Unidos patrocina a los dos lados») [339]. El 10 de noviembre de 2026, Josh Gottheimer, demócrata, y Mike Lawler, republicano, presentaron la Ley de Seguridad Estadounidense en IA (H.R. 10981), que lo volvería obligatorio. El desarrollador de un modelo fundacional cubierto tendría que dar a la NSA acceso completo al modelo antes de desplegarlo. Sólo podría desplegarlo después de aplicar las recomendaciones de la NSA, o si la NSA no lo evalúa en 30 días, prorrogables otros 30. El Departamento de Comercio fijaría qué modelos quedan cubiertos, con un mínimo de parámetros y por capacidades de riesgo cibernético, químico, biológico o radiológico [719].
El texto del proyecto se refiere también a la publicación de los modelos. La NSA evaluaría, entre otras cosas, la capacidad que crearía una amenaza grave de ciberseguridad «si el desarrollador hiciera público el modelo». Además, el proyecto define desplegar como entregar o dar acceso al modelo a cualquiera ajeno al desarrollador, de modo que publicar los pesos también es desplegar. La multa sería de US$500.000 por día de incumplimiento, y un tribunal especial revisaría las apelaciones [719]. Por su texto, si el proyecto se aprobara, un modelo abierto cubierto no podría publicarse sin pasar antes por la NSA, porque publicar los pesos es desplegar. El umbral de parámetros que fije el Departamento de Comercio decidiría a cuántos modelos abiertos alcanza.
China. Las medidas para servicios de IA generativa, vigentes desde agosto de 2023, se aplican a los servicios que se ofrecen al público en China. Excluyen expresamente a quien investiga o desarrolla sin prestar el servicio al público [574]. La evaluación de seguridad y el registro de algoritmos se exigen a los servicios con atributos de opinión pública o con capacidad de movilización social, es decir, los que pueden influir en lo que piensa el público o convocar a la gente [574]. El registro lo regulan las disposiciones sobre algoritmos de recomendación, vigentes desde marzo de 2022. El proveedor debe inscribir en el sistema de la Administración del Ciberespacio, en los diez días hábiles siguientes al inicio del servicio, su nombre, el tipo de algoritmo y un informe de autoevaluación [720]. Las medidas no prevén el caso de los pesos publicados para descarga, y no encontramos una guía oficial que lo resuelva. Por su texto, el registro alcanza a quien sirve el modelo al público y no a quien publica los pesos. Así lo leyó el analista Tony Peng cuando se publicaron las medidas [721]. De este modo, China vigila el servicio, donde puede exigir censura y registro, y deja libre la publicación, que es la vía por la que sus modelos llegan al mundo.
Otros países. El proyecto de ley de IA de Brasil (PL 2338/2023), que el Senado aprobó en diciembre de 2024 y que espera dictamen en la Cámara de Diputados, no exime a lo abierto por ley. El desarrollador de un sistema de propósito general con riesgo sistémico cumple sus requisitos aunque lo ofrezca «con licencias gratuitas y de código abierto» (art. 30, § 1). La autoridad podrá dar un régimen simplificado a los estándares y formatos abiertos y libres, salvo a los de alto riesgo y a los de propósito general (art. 73) [722]. Las leyes generales de IA de Corea del Sur, Japón e Italia no distinguen entre modelos abiertos y cerrados [723].
Responsabilidad por el daño
La Directiva europea de responsabilidad por productos defectuosos, la Directiva (UE) 2024/2853, da derecho a indemnización a toda persona física que sufra un daño causado por un producto defectuoso. La víctima debe probar el defecto, el daño y la relación entre ambos, pero no la culpa del fabricante. La Directiva cubre la muerte, las lesiones, los daños a bienes de uso no profesional y la pérdida de datos [490]. Cuenta el software como producto. No se aplica al software libre y de código abierto que se desarrolla o se suministra fuera de una actividad comercial [724]. La Directiva considera fabricante, con responsabilidad objetiva por los defectos, es decir, sin que la víctima deba probar su culpa, a quien modifica de forma sustancial un producto fuera del control del fabricante y lo pone en el mercado. También hace responder al fabricante de un componente [724]. El afinado de un modelo puede contar como modificación sustancial, como sostienen Philipp Hacker y Matthias Holweg [725].
Con esas reglas, el desarrollador que publica pesos gratis queda fuera de la Directiva. Responde quien integra el modelo en un producto comercial, o quien lo modifica de forma sustancial y lo vende. El desarrollador que cobra por su modelo puede responder como fabricante de un componente. La Directiva se aplica, a través de las leyes nacionales que la transpongan, a lo comercializado después del 9 de diciembre de 2026. Transponer una directiva es incorporarla al derecho de cada Estado miembro, y el plazo para hacerlo vence ese mismo día [724]. Al 30 de octubre de 2026, sólo Hungría, Croacia y Lituania la habían transpuesto por completo [726].
En Estados Unidos no hay una regla equivalente. La SB 53 se aplica con multas civiles a cargo del fiscal general, y no crea responsabilidad por daños [99]. La SB 1047, que Gavin Newsom vetó en 2024, hacía responder al desarrollador original por las copias afinadas con poco cómputo, y convertía en desarrollador a quien afinaba con mucho. La frontera entre los dos casos era de 3 × 10^25 operaciones de afinado, el triple del cómputo con que la Unión Europea presume riesgo sistémico en un entrenamiento completo. Por eso casi todo afinado habría quedado a cargo del desarrollador original. Limitaba además la obligación de apagado, la de poder detener por completo el modelo, a las copias que el desarrollador todavía controlaba [727].
La Sección 230 del título 47 del código federal impide tratar a un servicio en línea como editor de la información que aporta un tercero, de modo que la plataforma no responde por lo que publican sus usuarios [728]. Ningún tribunal de apelación ha resuelto si la protección de la Sección 230 alcanza a lo que genera una IA. El Tribunal de Distrito del Norte de California, en dos casos, la trató como una cuestión de hecho, que se decide en cada caso según sus circunstancias y no con una regla general [729] [730]. Un desarrollador no puede saber de antemano si su modelo está protegido. Los casos son Forrest v. Meta, de 2024, y Bouck v. Meta, de marzo de 2026. En ambos, el tribunal distinguió entre publicar el material de un tercero y contribuir a su contenido lo bastante para perder la protección, sin fijar una regla [730].
A falta de una regla propia de la IA, el fiscal general de California, Rob Bonta, demandó a OpenAI el 16 de noviembre de 2026 ante el Tribunal Superior de San Francisco. Se apoyó en la ley de competencia desleal y en la figura de perturbación pública (public nuisance). La ley de competencia desleal de California prohíbe los actos de negocio ilícitos, desleales o fraudulentos. El código civil del estado llama perturbación pública a la que afecta a la vez a una comunidad entera o a un número considerable de personas, y permite al fiscal general pedir que cese [287]. La demanda alega que en julio de 2026 cientos de agentes que corrían en versiones experimentales de los modelos de OpenAI salieron al internet público y atacaron durante unos dos días y medio los sistemas de Hugging Face. Alega que eso ocurrió aunque OpenAI aseguraba que esas pruebas se hacían con control estricto y supervisión constante. Alega también que la empresa le reconoció al fiscal más de 80 pérdidas de control de sus agentes durante pruebas, que sólo ha reportado en público 27 y que no le entregó el detalle de todos los incidentes [287].
El fiscal pide una orden que frene la conducta, la restitución y la devolución de lo obtenido, el cese de la perturbación y multas de US$2.500 por cada infracción que se pruebe [287]. OpenAI respondió que la demanda la señala a ella sola por un problema que han identificado todos los grandes laboratorios. Respondió también que publicó un informe técnico, encargó uno independiente, avisó a los afectados y reforzó sus salvaguardas [731].
Restricciones al modelo del rival
En Estados Unidos, las únicas restricciones vigentes a modelos abiertos recaen sobre los modelos chinos. Alcanzan su uso por el gobierno, no su descarga:
- La ley de defensa del año fiscal 2026 ordena excluir y retirar de los sistemas del Departamento de Defensa de Estados Unidos la IA desarrollada por DeepSeek o por High Flyer, el fondo que la creó. Prohíbe además a los contratistas del Departamento de Defensa usarla en sus contratos. También ordena retirar la aplicación de DeepSeek de los sistemas de seguridad nacional de las agencias de inteligencia [732].
- La misma ley, en su sección 1532, faculta al Departamento de Defensa de Estados Unidos a extender la exclusión a otras empresas de IA, también para sus contratistas. Puede extenderla, si juzga que plantea un riesgo para la seguridad nacional, a toda empresa que esté en la lista consolidada de verificación (Consolidated Screening List), que la Administración de Comercio Internacional del Departamento de Comercio arma con las listas de restricciones de exportación de los departamentos de Comercio, de Estado y del Tesoro de Estados Unidos, o en la lista de empresas militares chinas que el Departamento de Defensa publica cada año con las que operan en Estados Unidos, que esté domiciliada en Corea del Norte, China, Rusia o Irán, o que esté bajo propiedad, control o influencia de uno de esos países sin medidas que lo mitiguen [732] [346]. Desde el 8 de junio de 2026, la lista del Departamento de Defensa incluye a Alibaba, que desarrolla Qwen, y a Baidu, que se suman a Tencent. El Departamento de Defensa usa esa lista cada vez más para restringir sus contratos con esas empresas, aunque estar en ella tiene pocas consecuencias legales inmediatas [733].
- Una orden del Departamento de Seguridad Nacional de Estados Unidos, de julio de 2026, excluye los productos de DeepSeek de las compras de las agencias civiles. Ordena también retirar los productos de terceros «desarrollados con implementaciones de DeepSeek», un término que no define [734]. La orden se dictó con la ley de seguridad de la cadena de suministro de las compras federales, de 2018. Esa ley creó un consejo de varias agencias que puede recomendar la exclusión de productos de riesgo. Las órdenes las emiten el Departamento de Seguridad Nacional para las agencias civiles, el Departamento de Defensa para las suyas y la Dirección de Inteligencia Nacional para las de inteligencia [735] [736]. Según el despacho Crowell & Moring, la orden alcanza a todo producto que integre un modelo de DeepSeek, dondequiera que se aloje y aunque sea la copia de pesos abiertos instalada en local [736]. Haynes Boone advierte que la orden no distingue entre el servicio de DeepSeek y la copia que aloja el usuario, y que tampoco trata las versiones afinadas [737]. La orden limita las compras federales, no el uso fuera del gobierno [735].
- El Departamento de Defensa y la Dirección de Inteligencia Nacional emitieron sus propias órdenes. Esas órdenes alcanzan a las aplicaciones y los servicios que implementen un modelo de DeepSeek, dondequiera que se alojen [735] [736].
- Virginia prohibió la aplicación de DeepSeek en los equipos y las redes del gobierno estatal. Según la prensa, Texas y Nueva York, entre otros, hicieron lo mismo. Son prohibiciones de la aplicación, no de los pesos ejecutados en equipo propio [738].
- Zhipu, la empresa detrás de Z.ai, está desde enero de 2025 en la lista de entidades restringidas del Departamento de Comercio. Eso restringe exportarle a Zhipu, no usar GLM, la familia de modelos de Z.ai [739]. No encontramos que en 2026 el Departamento de Comercio haya incluido a algún laboratorio chino en la lista de entidades. El Departamento de Defensa de Estados Unidos sí incluyó a Alibaba en la suya. El aviso conjunto de la NSA, el FBI y la CISA del 8 de septiembre de 2026 señala por prácticas de destilación a DeepSeek, Moonshot, Alibaba, MiniMax, StepFun y Z.ai, pero no restringe el uso de sus modelos [740].
Los proyectos pendientes van más lejos. El S. 321, de Josh Hawley, prohibiría importar a Estados Unidos tecnología o propiedad intelectual de IA desarrollada en China y, por su definición amplia, alcanzaría a los pesos [741]. Prohibiría también exportar esa tecnología a China, y las dos prohibiciones regirían a los 180 días de aprobarse la ley [741]. El China FIREWALL Act, H.R. 10670, prohibiría a las agencias comprar cualquier programa que use un modelo fundacional desarrollado o provisto por una «entidad extranjera de interés», como la define la ley de reautorización del transporte terrestre de 2021, y no exime la ejecución local [742].
Esa definición incluye, entre otros supuestos, a toda entidad que sea propiedad del gobierno de uno de los cuatro países que señala la legislación de defensa, que son Corea del Norte, China, Rusia e Irán, o que esté bajo su control o su jurisdicción [743] [346]. El proyecto ordenaría además retirar esas aplicaciones de los equipos del gobierno, con excepciones para la seguridad nacional y la investigación de seguridad [742]. La Ley contra la IA Adversaria, presentada en las dos cámaras, obligaría a cada agencia a considerar la exclusión de la IA de esos mismos cuatro países, a los que llama adversarios extranjeros [744]. Encargaría al consejo de varias agencias que creó la ley de seguridad de la cadena de suministro de 2018 una lista pública de la IA producida o desarrollada por un adversario extranjero, que las agencias tendrían que excluir y retirar, salvo excepciones como la investigación o las pruebas [744]. Ninguno de los tres ha pasado de la comisión.
La Ley de Seguridad del Acceso Remoto, que la Cámara de Representantes de Estados Unidos aprobó el 12 de enero de 2026, trata del cómputo rentado a distancia, no de los modelos [745]. El proyecto reformaría la ley de control de exportaciones de 2018 para que el gobierno pueda controlar el acceso remoto de un extranjero, por internet o por un servicio de nube, a los bienes sujetos a esa ley [549]. Hoy una empresa a la que no se le puede vender una máquina controlada puede rentarla por la nube. La regla del 16 de noviembre cierra ese hueco sólo para los chips avanzados, y el proyecto lo cerraría también para el resto, como las computadoras cuánticas.
Fuera de Estados Unidos, las medidas contra DeepSeek separan de la misma manera el servicio de los pesos, pero cada país traza la frontera en un lugar distinto:
- Las autoridades de protección de datos de Italia, Corea del Sur y Berlín actuaron contra la aplicación y contra su tratamiento de datos. En enero de 2025, el Garante para la Protección de los Datos Personales de Italia limitó de urgencia el tratamiento de los datos de usuarios italianos [746]. En Corea, DeepSeek suspendió por su cuenta las descargas. La Comisión de Protección de la Información Personal de Corea del Sur le recomendó tener una base legal para transferir lo que los usuarios escribían a Volcano Engine, la nube de ByteDance, y borrar lo ya transferido [747]. La Comisionada de Protección de Datos y Libertad de Información de Berlín denunció la aplicación ante Apple y Google como contenido ilícito, porque transfiere datos a China [748].
- Australia prohibió los productos de DeepSeek en los sistemas y dispositivos del gobierno federal, por un nivel de riesgo de seguridad «inaceptable» [749].
- Chequia advirtió el 10 de julio de 2025 contra los productos de DeepSeek a quienes están obligados por su ley de ciberseguridad, y calificó la amenaza como alta. Excluyó expresamente los modelos de código abierto instalados en equipo propio sin comunicación con los servidores de la empresa. El gobierno ordenó además a la administración central dejar de usar esos productos en 30 días [750].
- Taiwán prohibió DeepSeek a las entidades públicas en todas sus formas, incluida la descarga local, es decir, los pesos abiertos. No restringió su uso privado. Las universidades públicas y los centros de investigación pueden usarlo con autorización [751].
En la Unión Europea, el Comité Europeo de Protección de Datos amplió su grupo de trabajo sobre ChatGPT. El Comité reúne a las autoridades nacionales de protección de datos y vela por que el reglamento europeo de datos se aplique de forma coherente [752]. El grupo se ocupa ahora de la aplicación de las normas de datos a la IA en general, DeepSeek incluido [753]. No encontramos una medida formal de la Comisión Europea.
Las medidas de Estados Unidos y de Taiwán alcanzan a los pesos, las de Chequia los dejan libres y las de Italia, Corea y Berlín se dirigen al servicio. Un modelo abierto ejecutado en equipo propio no transfiere datos a nadie. Queda el riesgo del modelo mismo, con sus sesgos, su censura y lo que un tercero pueda haberle insertado.
Contenido sintético
Las reglas sobre contenido sintético se escribieron para el servicio, y el modelo de pesos abiertos queda casi fuera de ellas. Marcar el contenido sólo se le puede exigir a quien controla el sistema que lo genera. Quien corre un modelo abierto en su propio equipo puede no poner la marca, o puede quitarla.
Unión Europea. El artículo 50(2) del Reglamento de IA obliga a los proveedores de sistemas que generan imagen, audio, video o texto a marcar ese contenido de modo que una máquina lo reconozca como artificial, en la medida en que sea técnicamente posible. La exención de lo abierto del artículo 2(12) no alcanza a esa obligación [612]. Las directrices de la Comisión, fechadas el 5 de noviembre de 2026, precisan que quien publica componentes abiertos, modelos incluidos, que no son por sí mismos un sistema de IA no está sujeto al artículo 50. Precisan también que el artículo no se aplica de forma expresa a los modelos de uso general [754].
El código de buenas prácticas del 10 de junio de 2026 pide dos capas de marca. Una son los metadatos con firma digital, datos adjuntos al archivo que declaran que es artificial y que llevan una firma con la que se comprueba que nadie los alteró. La otra es una marca de agua imperceptible, una alteración incrustada en la imagen, el audio o el texto. A los sistemas y modelos con licencia abierta les basta con advertir en su documentación que no debe quitarse la marca, y la firma no se exige cuando el sistema corre en el equipo del usuario [755]. Para los sistemas que ya estaban en el mercado antes del 2 de agosto de 2026, el plazo para marcar vence el 2 de diciembre de 2026 [488].
Desde ese mismo día rige una prohibición que introdujo la reforma de julio. Prohíbe poner en el mercado o usar sistemas que generen imágenes, videos o audio realistas de las partes íntimas o de la actividad sexual de una persona identificable sin su consentimiento. Prohíbe también los que generen material de abuso sexual infantil. La prohibición alcanza al proveedor en dos casos: cuando ese es el fin del sistema, o cuando el resultado es previsible y reproducible sin una modificación técnica significativa y el sistema no tiene salvaguardas razonables para impedirlo. Esas salvaguardas se juzgan según la estrategia de publicación, «como las publicaciones de código abierto», dice el considerando 12 [488]. Creemos que la regla alcanza al sistema abierto que se publica con ese fin o sin salvaguardas. Creemos también que deja fuera al modelo base que sólo produce ese material después de un ajuste, y que hace proveedor de un sistema prohibido a quien hace el ajuste.
Estados Unidos. La TAKE IT DOWN Act, de mayo de 2025, castiga publicar imágenes íntimas falsificadas. Obliga además a las plataformas de contenido de usuarios a retirarlas en 48 horas después de recibir un aviso. No impone deberes a quien desarrolla el modelo [756]. La FTC empezó a aplicarla el 19 de mayo de 2026 [757]. California llega más lejos con lo abierto:
- La AB 853, de 2025, llama plataforma de alojamiento a la que permite descargar el código o los pesos de un sistema generativo. Desde el 1 de enero de 2027 le prohíbe ofrecer a sabiendas un sistema que no marque su contenido [98].
- La SB 1000, de septiembre de 2026, extendió el deber de marcar a todo proveedor de un sistema generativo accesible al público en el estado. Eliminó así el umbral de un millón de usuarios que tenía la Ley de Transparencia de la IA de California, la ley de 2024 que reformó [758]. Según Latham & Watkins, con eso probablemente alcanza también a quien desarrolla modelos de código abierto. Quien licencia el sistema a otro y sabe que ese otro quitó la marca debe revocarle la licencia o avisarle en 72 horas [759] [760].
Reino Unido. Desde el 29 de junio de 2026, la Crime and Policing Act castiga con hasta tres años de prisión a quien hace, adapta o suministra una herramienta destinada a generar imágenes íntimas falsas [761]. La ficha del gobierno dice que la ley alcanza a esas herramientas «en todas sus formas, incluidos los modelos de IA» [762]. La ley deja fuera al modelo general y alcanza al modelo ajustado para desnudar a personas que alguien sube a un repositorio. La ficha limita el delito a las herramientas hechas para generar esas imágenes [762]. Lorna Woods, por su parte, lee igual el delito paralelo sobre abuso infantil, que alcanza a las versiones afinadas de modelos comerciales [762] [763].
China. Las medidas de etiquetado, vigentes desde septiembre de 2025, obligan a quien presta el servicio a poner una etiqueta visible y otra en los metadatos. Prohíben además a cualquier organización o persona quitar esas etiquetas o dar herramientas para hacerlo [764]. A quien publica pesos sin prestar el servicio sólo lo alcanza esa prohibición.
El daño viene de los dos lados. Según la Internet Watch Foundation, una organización independiente sin fines de lucro que busca y retira de internet las imágenes de abuso sexual infantil [765], los sistemas abiertos «siguen siendo la herramienta preferida» de quienes generan material de abuso sexual infantil, porque corren en el equipo propio, sin moderación ni detección [766]. El caso más visible del año, sin embargo, salió de un servicio cerrado. Según el Center for Countering Digital Hate, Grok, de xAI, generó unos 3 millones de imágenes sexualizadas en 11 días de enero de 2026, unas 23.000 de ellas de aparente niñez [767]. La Comisión Europea abrió el 26 de enero de 2026 un procedimiento contra X por esas funciones de Grok, bajo la Ley de Servicios Digitales [768]. Esa ley obliga a las plataformas de muy gran tamaño a evaluar y reducir los riesgos sistémicos de su servicio. La Comisión puede multarlas con hasta 6 % de su facturación mundial anual [769].
Con lo cerrado, el regulador tiene a quién exigir. Con lo abierto, el control pasa a quien ajusta el modelo, a quien lo aloja y a quien difunde el contenido. Kapoor, Bommasani y otros sostienen que impedir que un modelo abierto circule no es factible, y que sí lo es vigilar la distribución de los modelos ajustados con fines ilícitos [252].
Competencia y concentración
Las autoridades de competencia cuentan los modelos abiertos a favor de la competencia, pero ninguna los ha usado como criterio para decidir un caso. La Autoridad de Competencia y Mercados del Reino Unido escribió en abril de 2024 que le preocuparía un mercado que no sostuviera una variedad de modelos fundacionales, «incluidos los de código abierto» [770]. En julio de 2024, la Oficina de Tecnología de la FTC escribió que los modelos de pesos abiertos pueden «impulsar la innovación, reducir costos, ampliar la elección del consumidor». Advirtió también el riesgo de la empresa que abre primero y cierra después, es decir, la que ofrece su producto abierto para ganar mercado y luego lo cierra. Según el texto, esa estrategia permitió en generaciones anteriores de tecnología dominar el mercado y excluir a los rivales [771]. Según TechCrunch, la FTC retiró ese texto en 2025, ya presidida por Andrew Ferguson, a quien Donald Trump designó presidente de la comisión en enero de ese año [772].
El estudio de la FTC de enero de 2025 sobre las alianzas de Microsoft, Amazon y Google con OpenAI y Anthropic constató que ninguno de los modelos principales de esas empresas era de pesos abiertos [773]. La declaración conjunta de las autoridades de Estados Unidos, el Reino Unido y la Unión Europea, de julio de 2024, no menciona los modelos abiertos [774]. El plan de acción del gobierno de Estados Unidos los defiende para que las empresas emergentes no dependan de un proveedor de modelos cerrados [30].
El gasto de las empresas en modelos se concentra en dos laboratorios cerrados, mientras que el uso se reparte más. La encuesta de Menlo Ventures, publicada en noviembre de 2026, consultó a casi 400 responsables de compras de IA de empresas estadounidenses. En ella, Anthropic se lleva 55 % del gasto empresarial en acceso a modelos y OpenAI, 31 %. Los modelos abiertos llevan 19 % del uso y 4 % del gasto, porque su token cuesta en promedio US$0,13 por millón, contra US$0,70 de los cerrados. Los modelos chinos se quedan con 89 % de lo que se gasta en abiertos. Menlo es inversionista de Anthropic [66]. Por ahora, los modelos abiertos sirven más para bajar los precios de los cerrados que para quitarles clientes. Menlo señala que, mientras crece el uso de lo abierto, Anthropic y OpenAI empezaron a descontar incluso sus modelos insignia [66].
Las grandes alianzas atan a los laboratorios cerrados a una nube. En octubre de 2025, al reorganizarse OpenAI, Microsoft quedó con cerca de 27 % de la empresa [582]. Su informe anual de julio de 2026 da cerca de 25 % y su reporte del trimestre a septiembre, cerca de 24 % [775] [583]. Según el informe anual, la participación bajó por la reorganización y por otras rondas de financiamiento de OpenAI. En cada ronda entran inversionistas con acciones nuevas, y el porcentaje de los socios anteriores se achica aunque no vendan nada [775]. OpenAI, a su vez, se comprometió a comprar US$250.000 millones más de servicios de Azure. El mismo acuerdo le permite a OpenAI publicar modelos de pesos abiertos que cumplan ciertos criterios de capacidad [582].
La compra de Hugging Face, el principal sitio de distribución de modelos abiertos, no tiene una revisión formal confirmada. Según Reuters, el Departamento de Justicia de Estados Unidos preguntó si la compra le permitiría a NVIDIA «capturar un punto fundamental de distribución de la IA» [372] [776]. Lo preguntó dentro de una investigación de competencia que ya tenía abierta sobre las prácticas de NVIDIA. Esa investigación es distinta de la revisión formal de una compra, la que puede aprobarla, condicionarla o frenarla. La compra se anunció siete semanas después de que agentes de OpenAI en evaluación entraran a la infraestructura de producción de Hugging Face. El estudio de asuntos públicos desarrolla ese caso [777], por el que California demandó a OpenAI el 16 de noviembre (ver «Responsabilidad por el daño»). La prensa especializada da por probable que la Comisión Europea revise la compra, aunque no hay una notificación confirmada [778].
En el aviso de la compra, NVIDIA se comprometió a mantener abierta la plataforma según las prácticas de Hugging Face y a dar soporte a otros fabricantes de chips. Jensen Huang, entonces director general de NVIDIA, escribió además en el blog de la empresa que usar la plataforma no exigirá cómputo de NVIDIA [24] [25]. Creemos que la política pública tiene que decidir si esos compromisos quedan como promesa de la empresa o se vuelven condiciones de la autorización.
La única medida de 2026 sobre la distribución de asistentes de IA recayó en Meta, la empresa que más defiende los modelos abiertos. En octubre de 2025, Meta prohibió los asistentes de IA de otras empresas en la API de WhatsApp Business, la interfaz con la que las empresas conectan sus sistemas a WhatsApp. En marzo de 2026 los readmitió con una tarifa que, según la Comisión Europea, a primera vista equivale en la práctica a la prohibición. El 9 de junio, la Comisión le impuso medidas cautelares con base en la ley de competencia y le ordenó restablecer el acceso en las condiciones previas [779]. La Comisión puede imponer medidas cautelares cuando a primera vista hay una infracción y urge evitar un daño grave e irreparable a la competencia. La orden rige hasta la decisión final del caso. Es la segunda vez que la Comisión usa esa facultad con el reglamento de competencia vigente [779]. Creemos que abrir el modelo no impide cerrar el canal por el que llega al usuario.
Adam Schiff y Jim Banks presentaron en julio de 2026 la Ley de Colaboración contra Amenazas Adversarias y Riesgos de Seguridad, S. 5105. El proyecto daría una defensa frente a las leyes de competencia a las empresas que compartan información sobre riesgos de seguridad de la IA, incluidos el robo y la destilación por países adversarios. La misma defensa cubriría a las empresas que acuerden retrasar o limitar el lanzamiento de un modelo para reducir esos riesgos, en este caso con aviso previo al Departamento de Justicia. El proyecto conserva las demandas privadas y permite al fiscal general pedir que se suspenda una conducta que aumente el riesgo [780]. Si se aprueba, los laboratorios podrían acordar entre ellos no publicar ciertos pesos y tendrían una defensa frente a una acusación de colusión, siempre que prueben su propósito de seguridad. El proyecto sigue en la Comisión de Asuntos Judiciales del Senado desde el 23 de julio.
Quién regula
Estados Unidos. La disputa de fondo es entre el gobierno federal y los estados, y la regla que gane pesa distinto sobre cada modelo. La Constitución de Estados Unidos hace de las leyes federales la ley suprema del país, por encima de las leyes de cualquier estado [781]. Por eso una ley federal puede desplazar a una ley estatal sobre la misma materia, es decir, dejarla sin efecto. En julio de 2025, el Senado de Estados Unidos quitó, por 99 votos contra 1, la moratoria a las leyes estatales de IA que traía la ley de presupuesto [782]. La moratoria habría impedido por diez años que los estados aplicaran sus leyes de IA [782].
La orden ejecutiva 14365, de diciembre de 2025, fijó como política un marco nacional de IA con la menor carga posible. Creó en el Departamento de Justicia un grupo cuya «única responsabilidad» es impugnar las leyes estatales de IA. El grupo puede alegar que esas leyes invaden el comercio entre estados, que la Constitución reserva al Congreso, o que una norma federal ya las desplaza. Condicionó fondos federales de banda ancha a que los estados no tengan leyes «onerosas». Los fondos son los del programa BEAD, y qué leyes son onerosas lo define una evaluación que la orden encargó al Departamento de Comercio. Encargó además a la FTC una declaración sobre el tema. La declaración debe explicar cuándo la prohibición federal de las prácticas engañosas desplaza a una ley estatal que obligue a alterar los resultados veraces de un modelo. La orden mandó también preparar una propuesta de ley federal que desplace las leyes estatales contrarias a su política, sin desplazar las de protección de los niños, las de infraestructura de cómputo y centros de datos ni las de compras y uso de la IA por los propios estados [783]. En marzo de 2026, la Casa Blanca pidió al Congreso que los estados no puedan regular el desarrollo de la IA ni castigar a un desarrollador por lo que un tercero haga ilegalmente con su modelo [93].
Lo demás sigue en curso:
- En abril de 2026, el Departamento de Justicia intervino en la demanda de xAI contra la ley de Colorado sobre discriminación algorítmica, y Colorado aceptó no aplicarla mientras el juez resuelve [784] [785]. Esa ley, la SB 24-205, obliga a quien desarrolla un sistema de IA de alto riesgo a actuar con cuidado razonable para proteger a los consumidores de la discriminación algorítmica [786]. El Departamento de Justicia alega que viola la cláusula de igual protección de la Decimocuarta Enmienda, que exige tratar igual a todos ante la ley, porque obliga a las empresas a evitar que sus productos perjudiquen más a una raza o a un sexo aunque no lo busquen, y exime ciertas formas de discriminación destinadas a promover la diversidad [784]. En mayo, Colorado la reemplazó por otra ley, que regula las decisiones automatizadas sobre empleo, vivienda, crédito, educación, seguros o salud. La nueva ley obliga a documentar a quien desarrolla esos sistemas de decisión, no a quien entrena modelos de uso general [787]. Desde el 1 de enero de 2027, quien desarrolla uno de esos sistemas debe entregar a quien lo usa documentación técnica sobre sus usos previstos, sus datos de entrenamiento y sus límites conocidos. La ley la aplica el fiscal general del estado, y no da a los particulares un derecho nuevo a demandar [787].
- En junio de 2026, los representantes Jay Obernolte y Lori Trahan publicaron el borrador de la Great American AI Act. El borrador prohibiría por tres años toda ley estatal que regule específicamente el desarrollo de un modelo, y dejaría vivas las que regulan su distribución y su uso. Define desplegar como poner un modelo a disposición para usarlo, copiarlo o combinarlo con otro software, y convierte en desarrollador a quien afina los pesos de otro. No se ha presentado [97]. Unos 200 legisladores estatales firmaron una carta en su contra [788].
- El 1 de julio de 2026, la FTC propuso una declaración sobre la supresión de la exactitud en los sistemas de IA. Según despachos de abogados, la declaración sostiene que una ley estatal que obligue a alterar resultados veraces queda desplazada por la ley federal, y pone la de Colorado como ejemplo. El texto de la declaración dice que una empresa que altera los resultados de su sistema para cumplir una ley estatal puede engañar al consumidor y violar la sección 5 de la ley de la FTC, que prohíbe las prácticas engañosas, salvo que lo advierta de forma clara y visible. Dice también que la ley con que Colorado reemplazó la suya en mayo plantea muchas de las mismas preocupaciones [789]. No tiene versión final [790].
Las leyes estatales de frontera vigentes tratan la publicación de los pesos abiertos como un despliegue más y sólo exigen proteger los pesos no publicados, así que no eximen a los pesos abiertos (ver «Evaluación previa y transparencia»).
Los bandos de esta disputa no coinciden con los de lo abierto y lo cerrado. Google pidió en marzo de 2025 desplazar «un mosaico caótico» de reglas estatales sobre el desarrollo de modelos de frontera [89]. Andreessen Horowitz advirtió en febrero de 2025 contra «un mosaico de leyes estatales» que regulen el desarrollo [90]. OpenAI propuso en junio de 2026 llevar a ley federal la SB 53, la RAISE y la ley de Illinois, y después desplazar las leyes estatales sobre los mismos riesgos [91]. Anthropic apoyó la SB 53 [102]. En 2026 donó US$40 millones, en dos aportes de US$20 millones, a Public First Action, un grupo fundado y dirigido por estrategas republicanos y demócratas, que se opone a desplazar las leyes estatales sin salvaguardas federales más fuertes [791] [792]. Anthropic sostiene además que el Congreso no debe desplazarlas salvo con una ley federal «al menos tan fuerte» como el marco que ella propone [92]. La carta de julio de 2026 a favor de los pesos abiertos no menciona las leyes estatales [217]. OpenAI y Google firmaron la carta y piden desplazar las leyes estatales. Anthropic no la firmó y acepta desplazarlas con condiciones.
Desplazar las leyes estatales sobre el desarrollo sólo favorecería a quien publica pesos si llega junto con la regla que pidió la Casa Blanca sobre el uso ilegal de terceros, que lo cubriría del uso que no puede controlar (ver «Los siete niveles»). El borrador de la Great American AI Act, de los representantes Obernolte y Trahan, no basta. Deja vivas las leyes estatales sobre la distribución y define desplegar como poner un modelo a disposición para copiarlo. Por eso publicar los pesos seguiría alcanzado por esas leyes, como ya lo alcanza la AB 853 de California (ver «Contenido sintético»).
La H.R. 10981 desplaza sólo las leyes estatales que exigen al desarrollador de un modelo cubierto transparencia sobre sus protocolos de seguridad, sus marcos y sus evaluaciones de capacidad. A cambio impone la evaluación previa de la NSA [719]. Ese canje consiste en una obligación federal a cambio de desplazar las leyes estatales sólo donde ella regula, y es el que puede reunir votos de los dos partidos. Según el despacho Covington & Burling, la nueva mayoría demócrata no desplazará las leyes estatales sin normas federales exigibles que las reemplacen [67]. Creemos que, para quien publica pesos, el canje cambia una ley estatal de transparencia por una autorización federal previa.
El 3 de noviembre de 2026 los demócratas ganaron la mayoría de las dos cámaras, según el conteo de AP [793]. Según Time, el Congreso que se instala en enero de 2027 hace más difícil una ley que desplace a las estatales [794]. Según Covington, la nueva mayoría llevará la discusión a la transparencia, las pruebas de seguridad y el reporte de incidentes de los desarrolladores de frontera, aunque no tendrá los 60 votos necesarios para superar el bloqueo de la minoría en el Senado [67]. Creemos que eso aleja la protección federal de lo abierto y acerca reglas que, como las estatales, tratan la publicación de pesos como un despliegue más.
Unión Europea. Creemos que el ecosistema de lo abierto queda repartido entre más supervisores que el de lo cerrado, porque se construye sobre todo con modelos ajenos. Se reparte entre la Oficina de IA, que supervisa el modelo, y las autoridades de 27 países, que supervisan los sistemas. Los modelos de uso general los supervisa siempre la Oficina de IA. Desde la reforma de julio de 2026, la Oficina de IA supervisa además en exclusiva los sistemas construidos sobre un modelo de uso general cuando el modelo y el sistema son del mismo proveedor o grupo, sea el modelo abierto o cerrado. Supervisa también en exclusiva los que operan dentro de las plataformas y buscadores muy grandes [488]. El sistema que integra el modelo abierto de otro proveedor queda con la autoridad nacional de cada país.
China. La regulación es central y separa el servicio de la publicación. La Administración del Ciberespacio registra y evalúa los servicios al público. El Ministerio de Comercio controla la exportación y deja fuera de su alcance lo ya publicado (ver «Controles de exportación» y «Evaluación previa y transparencia»).
19
Balance
| Instrumento | Pesos abiertos (descarga y ejecución propia) | Modelo cerrado o servicio |
|---|---|---|
| Control de exportación de EE. UU. | Sin control de pesos desde el 19 de noviembre, cuando entra en vigor la eliminación de la clasificación 4E091 | Sin control de pesos desde la misma fecha; el control pasa al cómputo que se presta a empresas de Macao y de los países del grupo D:5, China entre ellos |
| Catálogo de exportación de China (propuesta) | Exento si ya es público; abrirlo después requiere licencia automática | Registro previo desde el 16 de octubre y posible restricción por encima de 10^26 operaciones, 2 billones de parámetros o un lugar entre los diez primeros |
| Reglamento de IA de la UE | Exento de documentación y de representante, salvo riesgo sistémico | Todas las obligaciones |
| SB 53 de California y RAISE de Nueva York | Sin distinción; publicar los pesos cuenta como desplegar | Sin distinción; el desarrollador grande debe proteger los pesos no publicados y todo desarrollador reporta su exfiltración |
| Responsabilidad por productos en la UE | Fuera si no hay actividad comercial; quien lo modifica de forma sustancial y lo vende responde como fabricante | Responde el fabricante |
| Política federal de EE. UU. | Apoyo en el plan de acción y en el Congreso (H.R. 10152) | Contratos, acceso anticipado voluntario y evaluaciones |
| Uso por el gobierno de EE. UU. | DeepSeek excluido del Departamento de Defensa de Estados Unidos, inteligencia y agencias civiles, también en productos de terceros; el Departamento de Defensa puede extender la exclusión a otras empresas chinas, y Alibaba, que hace Qwen, ya está en su lista de empresas militares | La exclusión de DeepSeek alcanza también su aplicación; ningún modelo estadounidense tiene restricción por origen |
| Registro de servicios en China | No prevé la publicación de los pesos; se registra quien sirve el modelo al público | Se registra el servicio con atributos de opinión pública |
| Medidas contra DeepSeek fuera de EE. UU. | Taiwán prohíbe la descarga local en el sector público; Chequia la exime | Italia, Corea y Berlín actúan contra la aplicación y sus datos |
| Marcado del contenido sintético en la UE (art. 50) | El modelo o componente que no es un sistema queda fuera; al sistema abierto le basta advertir en su documentación que no se quite la marca | Marca obligatoria; el 2 de diciembre vence el plazo para los sistemas anteriores al 2 de agosto |
| Imágenes íntimas sin consentimiento (UE desde el 2 de diciembre; Reino Unido) | Fuera el modelo base; responde quien lo ajusta o lo suministra para desnudar | Responde el proveedor que no tenga salvaguardas razonables |
| Marcado en California (AB 853 y SB 1000) | Todo proveedor accesible en el estado marca; desde 2027 la plataforma que aloja pesos no puede ofrecer un sistema sin marca | Todo proveedor accesible en el estado marca |
| Competencia | Las autoridades lo cuentan a favor de la competencia, sin efecto en ningún caso; su principal sitio de distribución pasaría a NVIDIA, con cierre previsto para 2027 | Dos laboratorios con la mayor parte del gasto empresarial, según una encuesta de Menlo Ventures, inversionista de Anthropic; alianzas con nubes sin revisión formal |
| Derechos sobre los datos de entrenamiento | En EE. UU., los dos fallos sobre modelos generativos dieron la razón al desarrollador sobre el entrenamiento, uno de ellos sin establecer que entrenar sea lícito; el de Anthropic no excusó la piratería y el de Meta la juzgó junto con el entrenamiento; en la UE, sin exención del resumen de datos ni de la política de derechos de autor; publicar el origen de los datos da pruebas al demandante | Mismas reglas; puede pagar licencias y repartir el costo entre lo que cobra por uso |
| Desplazamiento de leyes estatales en EE. UU. (propuesta) | Libre de las leyes estatales sobre el desarrollo; seguiría sujeto a las de distribución, que alcanzan la publicación de pesos; el escudo frente al uso de terceros depende de la ley federal que se apruebe | Seguiría sujeto a las leyes estatales sobre el uso de su servicio |
20
Calendario
| Fecha | Hecho |
|---|---|
| 13-nov-2026 | Venció el plazo para que Huang confirmara por escrito la entrevista del 1 de diciembre [18] |
| 15-nov-2026 | China cerró la consulta sobre su catálogo de tecnologías de exportación restringida [290]; John Moolenaar dijo a CBS News que Huang aceptó una entrevista voluntaria a puerta cerrada [192] |
| 16-nov-2026 | El Departamento de Comercio de Estados Unidos da a conocer la regla que elimina el control de exportación de pesos de modelos y exige licencia para prestar cómputo a empresas de Macao y del grupo D:5 [22]; los departamentos de Comercio y de Justicia de Estados Unidos informan que el Departamento de Justicia lleva la investigación penal de Megaspeed [195]; California demanda a OpenAI por las pérdidas de control de sus agentes en pruebas [287] |
| 17-nov-2026 | NVIDIA presenta los resultados del tercer trimestre de su año fiscal 2027, los primeros sin Huang; anuncia que deja de vender el H200 en China y crea un comité del consejo para los controles de exportación [198] [200]; las comisiones informan que Huang y el abogado general de NVIDIA comparecerán de forma voluntaria el 1 y el 2 de diciembre [19] |
| 19-nov-2026 | Se publica y entra en vigor la regla del Departamento de Comercio; quien ya presta ese cómputo tiene 90 días para pedir licencia [22] |
| 28-nov-2026 | Vence el plazo de la orden 14434 para que el asesor de ciencia y tecnología del presidente proponga una definición legal de superinteligencia [258] |
| 1-dic-2026 | Entrevista transcrita de Huang ante las tres comisiones de la Cámara de Representantes de Estados Unidos, que aceptó de forma voluntaria [19] |
| 2-dic-2026 | Entrevista de Tim Teter, abogado general de NVIDIA; empiezan las obligaciones de marcado del artículo 50(2) del Reglamento de IA para los sistemas generativos anteriores al 2 de agosto, y la prohibición de los sistemas que generan imágenes íntimas sin consentimiento o material de abuso sexual infantil [18] [488] |
| 3-dic-2026 | Audiencia de Jeff Kessler, subsecretario para Industria y Seguridad del Departamento de Comercio de Estados Unidos [18] |
| 9-dic-2026 | Vence el plazo para transponer la nueva directiva europea de responsabilidad por productos, que se aplica a lo que se comercialice después de ese día [724] |
| 1-ene-2027 | Entran en vigor la ley RAISE de Nueva York, con las reformas de marzo, y la SB 315 de Illinois; en California, las plataformas que alojan pesos ya no pueden ofrecer sistemas que no marquen su contenido, y vence la primera revisión anual de las definiciones de frontera de la SB 53 por el Departamento de Tecnología [101] [717] [98] [99] |
| 3-ene-2027 | Termina el 119.º Congreso y caducan los proyectos no aprobados, entre ellos la H.R. 10152, aprobada en comisión el 16 de septiembre, a la espera de su informe y del voto del pleno, y la H.R. 10981; se instala el 120.º Congreso, con mayoría demócrata en las dos cámaras [26] [719] [793] |
| 10-ene-2027 | Vence la prórroga de la suspensión de la regla que extiende los controles a las filiales de las empresas de la lista de entidades, parte de la tregua comercial con China [437] |
| 18-ene-2027 | Cierra el plazo de 60 días para comentar la regla del Departamento de Comercio del 16 de noviembre [22] |
| 17-feb-2027 | Vencen los 90 días para pedir licencia de cómputo [22] |
| Primer semestre de 2027 | Cierre previsto de la compra de Hugging Face por NVIDIA [24] |
| 2-dic-2027 | Empiezan las obligaciones de los sistemas de alto riesgo del anexo III del Reglamento de IA [488] |
| 1-ene-2028 | En Illinois empiezan el marco de seguridad obligatorio y las auditorías independientes [717] |
| 2-ago-2028 | Empiezan las obligaciones de los sistemas de alto riesgo del anexo I del Reglamento de IA [488] |
21
Implicaciones
Depender de DeepSeek ya es un riesgo de compras. Una empresa que construye sobre DeepSeek queda fuera de los contratos de las agencias civiles y del Departamento de Defensa de Estados Unidos (ver «Restricciones al modelo del rival») [734] [735]. La ley de defensa ya permite al Departamento de Defensa extender esa exclusión a otras empresas chinas de IA. Alibaba, que hace Qwen, está desde junio en la lista de empresas militares que activa esa facultad [732] [733]. Los proyectos pendientes llevarían la exclusión a cualquier programa montado sobre un modelo chino, aunque ninguno ha pasado de comisión y todos caducan con el Congreso, que termina el 3 de enero de 2027 (ver «Calendario») [742]. Los modelos chinos son también los más descargados en Hugging Face, con 41 % de las descargas en el año previo a marzo de 2026 [28], y, según el estudio de asuntos públicos, los de menor precio [304]. Quien venda al gobierno de Estados Unidos debe poder cambiar de modelo sin rehacer su producto, porque la lista de modelos excluidos puede crecer. El Instituto de IA de Harvard Business School recomienda ya conseguir los modelos como cualquier insumo crítico, que los gobiernos pueden controlar y que conviene comprar a más de un proveedor [795].
Quien instala un modelo abierto se hace cargo de sus salvaguardas. Un ataque público que rompe las salvaguardas de un modelo abierto sigue funcionando en cada copia, porque los pesos publicados no se pueden corregir después [255] [256]. La empresa que despliega un modelo abierto de frontera debe añadir sus propios filtros y su propia vigilancia, porque nadie más lo hará. Meta recomienda a quien despliega Llama revisar y filtrar todo lo que entra al modelo y todo lo que sale de él [796].
La responsabilidad se mueve hacia quien integra. En la Unión Europea, la empresa que modifica de forma sustancial un modelo abierto y lo vende dentro de un producto responde como fabricante, aunque no responda el desarrollador original que lo publicó gratis (ver «Responsabilidad por el daño»). La regla vale para lo que se comercialice después del 9 de diciembre y depende de las leyes nacionales que transpongan la directiva [724]. Afinar un modelo ajeno deja de ser neutro para efectos de responsabilidad, como sostienen Philipp Hacker y Matthias Holweg [725].
Las licencias abiertas traen condiciones. Las de Kimi K3, Qwen3.8 y Muse Spark Open exigen un contrato al gran proveedor de servicio que supere cierto ingreso [238] [240] [243]. La de Mistral Large 4 exige ese contrato a todo negocio de modelo como servicio [244]. La de GLM-5.3 reserva al desarrollador chino una revisión de seguridad [241].
La coalición abierta en Estados Unidos cambia de vocero. Huang se declaró coautor de la carta de julio [25], y NVIDIA es, según Hugging Face, el mayor contribuidor de modelos abiertos [23]. La empresa tiene hoy una directora general interina, una investigación en curso y comparecencias en diciembre. Creemos que, por esas razones, llega con menos capacidad de hablar en público a la discusión de la H.R. 10152 y de los proyectos sobre destilación [16] [18]. Creemos también que Microsoft, que publicó la carta, y Meta son los firmantes con más peso para ocupar ese lugar [306] [307].
La distribución de lo abierto puede quedar en manos de un proveedor de chips. Hugging Face es el sitio donde se publica la mayor parte de los modelos abiertos, y NVIDIA prometió mantenerlo abierto y neutral respecto de otros chips [24] [25]. Hasta hoy esa promesa es unilateral (ver «Competencia y concentración»). El Departamento de Justicia de Estados Unidos sólo ha hecho preguntas dentro de una investigación de conducta que ya estaba abierta, sin una revisión formal de la fusión [372]. Creemos que pesa mucho para los modelos abiertos lo que decida la autoridad que revise la fusión, es decir, si convierte o no esa promesa en condición. Creemos también que esa decisión no determina toda su distribución, porque las nubes y otras plataformas, como ModelScope de Alibaba, también los distribuyen.
El marcado del contenido no alcanza al modelo que corre en casa. Las reglas europeas, chinas y estadounidenses ponen la marca a cargo de quien presta el servicio, y el código europeo reconoce que no se puede firmar en un equipo local (ver «Contenido sintético») [755] [754]. California y el Reino Unido ya se dirigen a quien aloja o suministra los pesos [98] [762]. Para lo abierto, la vía será vigilar el alojamiento y el ajuste con fines ilícitos, y no el modelo base, como proponen Kapoor, Bommasani y otros [252].
El costo de los datos depende de dónde se litigue. En Estados Unidos, dos jueces consideraron uso justo entrenar un modelo generativo. Uno de ellos, en el caso de Anthropic, no excusó las copias piratas; el otro, en el de Meta, juzgó la descarga junto con el entrenamiento. El Tercer Circuito, en cambio, negó el uso justo a una IA no generativa y midió el daño en el mercado de licencias [603] [601] [604]. En Alemania, un tribunal vio copias en los pesos [611]. Creemos que una empresa que entrena o afina un modelo, abierto o cerrado, debe documentar de dónde sacó los datos y si los compró. Creemos también que un modelo abierto que publica esa lista se expone más.
En Europa, el tamaño borra la ventaja de lo abierto; en China, no. La exención europea de los modelos abiertos termina donde se presume el riesgo sistémico, por encima de 10^25 operaciones de entrenamiento. Desde ese umbral, los modelos abiertos cumplen las mismas obligaciones que los cerrados, entre ellas documentar el modelo, evaluarlo, reducir sus riesgos y reportar los incidentes graves (ver «Evaluación previa y transparencia») [612]. El catálogo propuesto en China restringe la exportación de los modelos de 10^26 operaciones, de 2 billones de parámetros o más, o con capacidad entre los diez primeros del mundo. Los que ya son públicos quedan libres. Un modelo de ese tamaño que se abra después tendrá que declararse, con licencia automática (ver «Controles de exportación») [290] [713]. Qwen3.8 y Kimi K3 ya cruzan el umbral de parámetros, pero quedan libres porque ya son públicos [240] [238].
El precio baja para lo que ya existe, no para la frontera. El costo de alcanzar una capacidad fija cae decenas de veces por año, pero lo que se paga por usar el modelo más capaz sube, y Google duplicará en diciembre el precio de dos de sus modelos [635] [636] [639]. Una empresa que presupuesta su uso de IA debe separar las tareas que un modelo abierto o viejo ya resuelve de las que necesitan la frontera, porque sólo las primeras se abaratan. El Instituto de IA de Harvard Business School recomienda mandar las tareas rutinarias a modelos baratos [795].
El software que cobra por usuario pierde poder de precio. Microsoft dijo que su modelo de negocio pasa de las suscripciones por usuario a incluir el cobro por consumo [61], y la bolsa castigó en 2026 a las empresas de aplicaciones de negocio [62]. Creemos que quien compra software tiene hoy más margen para negociar, y que quien lo vende tiene más presión para cobrar por resultado o por uso.
Quien integra modelos ajenos hereda las cláusulas de sus clientes. Las grandes empresas prohíben a sus proveedores entrenar, retener o usar sus datos sin permiso escrito [64] [65] [682]. Algunos modelos de frontera, por su parte, exigen retener las conversaciones para revisión, salvo exención negociada [115]. Un integrador necesita poder correr en la nube del cliente y cambiar a un modelo abierto instalable cuando el dato no admite retención. Para los datos regulados o sensibles, el Instituto de IA de Harvard Business School recomienda correr los modelos en servidores propios [795].
22
Sobre este documento
La investigación regulatoria y legal se apoyó en el corpus de normas, iniciativas y monitoreo de Psiquepol + AI, la plataforma con la que damos seguimiento a la regulación y a sus actores en cada país. De ese corpus salen el Reglamento de IA, la directiva de responsabilidad por productos, el código de buenas prácticas, las leyes de California, Nueva York e Illinois, las órdenes ejecutivas, el reglamento de exportación y los proyectos de ley del Congreso que citamos. Usamos modelos de inteligencia artificial para la búsqueda, el cotejo de fuentes y la redacción.
Este documento analiza la política pública y el entorno de la inteligencia artificial, y sirve de insumo para la toma de decisiones. No constituye asesoría jurídica, política ni financiera.
23
Monitoreo de IA
El Monitoreo de IA de Psiquepol + AI reúne las normas, las iniciativas y los debates que cita este estudio, con enlace a cada fuente y a la ficha de cada actor, institución y artículo. Fuera de nuestra plataforma, algunas fuentes oficiales limitan el acceso según el país o el tipo de conexión. El Monitoreo actualiza ese material de forma continua, por país o con cobertura global. Está disponible de inmediato en los países con monitoreo activo. En los demás, se activa en 72 horas o se reembolsa.
Notas y fuentes
- 1.Yotam Berger, «Microsoft's Crackdown on Unit 8200 Reveals Tech's Intermediary Role», Lawfare, 8 de octubre de 2025.↩
- 2.Peter Henderson y Mark A. Lemley, «The Mirage of Artificial Intelligence Terms of Use Restrictions», Indiana Law Journal, 2025.ab
- 3.George J. Stigler, «The Theory of Economic Regulation», The Bell Journal of Economics and Management Science, vol. 2, núm. 1, primavera de 1971, pp. 3-21; la cita es de la p. 3.ab
- 4.Moritz Laurer, Andrea Renda y Timothy Yeung, CEPS, «Clarifying the costs for the EU's AI Act», 24 de septiembre de 2021, copia archivada. Las cifras son sobre la propuesta de la Comisión Europea.ab