El gobierno de Estados Unidos acusó formalmente a seis empresas chinas de inteligencia artificial de extraer miles de millones de tokens de algunos de los modelos estadounidenses más avanzados. La decisión eleva a la política oficial de Washington una denuncia que hasta ahora provenía principalmente de los laboratorios de IA y podría imponer nuevos costos y controles a las compañías que ofrecen sus modelos mediante API.
En un comunicado conjunto publicado el lunes, la NSA, la CISA y el FBI señalaron a DeepSeek, Moonshot AI, Alibaba, MiniMax, StepFun y Z.AI. Según las agencias, estas compañías realizaron millones de solicitudes para obtener miles de millones de tokens desde al menos finales de 2024, en operaciones que probablemente contaron con el conocimiento del gobierno chino.
El método utilizado se conoce como destilación de modelos: consiste en enviar grandes cantidades de consultas a un sistema más potente, almacenar sus respuestas y utilizarlas luego para entrenar un modelo más barato. Distintos laboratorios estadounidenses ya habían denunciado esta práctica, pero es la primera vez que Washington respalda oficialmente esas acusaciones y detalla qué modelos de Estados Unidos podría haber intentado replicar cada una de las empresas señaladas.
¿Qué modelos habrían sido copiados?
El informe analiza caso por caso a las empresas señaladas y detalla qué sistemas estadounidenses habrían sido utilizados para generar datos de entrenamiento.
- Claude y GPT aparecen vinculados a las seis compañías incluidas en el reporte, mientras que Gemini figura en tres casos y Grok en dos.
- Moonshot AI está acusada de haber utilizado respuestas de Claude Fable 5 para entrenar su modelo Kimi-K3 y resultados de GPT-4o para desarrollar Kimi-K2.
- En el caso de DeepSeek, las autoridades sostienen que recurrió a modelos de Claude, GPT y Gemini para producir datos destinados al entrenamiento de R1 y V3.
- La lista atribuida a Z.AI incluye sistemas como GPT-5.5 y Claude Opus 4.8, modelos que ya llevaban varios meses disponibles cuando habrían sido utilizados.
Para llevar adelante estas operaciones, las compañías habrían recurrido a cuentas fraudulentas, grandes volúmenes de suscripciones premium y servicios proxy. Estos últimos, definidos por la consultora como "estaciones de transferencia", permitían disimular el verdadero origen del tráfico dirigido hacia las plataformas estadounidenses.
La escala de las operaciones coincide, además, con las advertencias que distintos laboratorios de inteligencia artificial habían realizado previamente sobre el uso masivo de sus modelos para entrenar sistemas competidores.
En febrero, Anthropic aseguró haber identificado más de 16 millones de interacciones realizadas desde unas 24.000 cuentas fraudulentas vinculadas con DeepSeek, Moonshot AI y MiniMax. Cuatro meses después, acusó a Alibaba de operar 25.000 cuentas falsas que habrían generado 28,8 millones de intercambios con Claude en apenas tres meses.
En uno de los casos detectados, una sola red de servidores proxy llegó a gestionar más de 20.000 cuentas de manera simultánea, una escala que muestra el nivel de infraestructura utilizado para realizar estas consultas de forma masiva y ocultar su verdadero origen.
Los hallazgos de los laboratorios refuerzan además un punto central del informe: la lista de empresas señaladas ofrece una señal sobre qué modelos consideran más valiosos sus competidores. En ese sentido, puede aportar más información sobre la posición competitiva de cada compañía que muchas comparaciones tradicionales de rendimiento entre modelos.
El momento DeepSeek, explicado
El 27 de enero de 2025, Nvidia sufrió uno de los golpes bursátiles más fuertes de su historia: perdió US$ 589.000 millones de capitalización de mercado en una sola rueda, según CNBC. La reacción expuso el temor de Wall Street ante una posible reducción del costo necesario para desarrollar modelos avanzados de inteligencia artificial.
El responsable de ese terremoto fue R1, el modelo de DeepSeek, que mostró capacidades de razonamiento comparables con las de desarrollos estadounidenses de vanguardia, pero con un costo de entrenamiento mucho menor. Los inversores interpretaron ese avance como una señal de que alcanzar altos niveles de capacidad en IA podía requerir menos recursos y, por lo tanto, reducir la demanda futura de los chips de Nvidia.
La lectura inicial del mercado fue directa: modelos más baratos significarían una menor necesidad de chips.
Sin embargo, un informe posterior explicó parte de la fórmula detrás de ese menor costo: "La empresa se centró en dominios de conocimiento específicos para extraer funcionalidades y capacidades de razonamiento propias con el fin de reducir sus costos de computación e investigación".
Ese punto resulta central para entender el fenómeno. La eficiencia de DeepSeek que sorprendió al mercado existió, aunque parte de esa ventaja surgió a partir del conocimiento y las capacidades desarrolladas previamente por otros modelos cuya creación sí requirió grandes inversiones en infraestructura y capacidad de cómputo.
Una copia puede resultar más barata porque otra compañía asumió antes el costo de desarrollar el original. Ese primer modelo, a su vez, todavía necesita entrenarse con enormes cantidades de chips avanzados. Por eso, la posibilidad de producir modelos más eficientes no elimina necesariamente la demanda por la infraestructura que sostiene el desarrollo de la IA de frontera.
La discusión volvió al centro de la escena esta semana. El registro de cambios de DeepSeek anunció el lanzamiento de Flash V4.1, un modelo que, según la empresa, supera a su propia versión V4 Pro en rendimiento, costo y velocidad. El 14 de septiembre, la compañía redirigirá todo el tráfico de V4 Pro hacia la nueva versión.
La secuencia volvió a poner bajo la lupa a la compañía china: el lunes apareció mencionada en un aviso de seguridad y, apenas unos días después, el jueves, DeepSeek presentó su nueva generación de modelos.
El veneno como política
Las recomendaciones del informe apuntan directamente a los laboratorios estadounidenses de inteligencia artificial y una de ellas sobresale por su carácter poco habitual.
Además de reforzar la detección y el intercambio de información, las agencias estadounidenses recomiendan a los proveedores que "modifiquen sutilmente las respuestas ante los presuntos intentos maliciosos de destilación para atenuar los beneficios".
La propuesta implica una estrategia particular: en lugar de bloquear las cuentas sospechosas, el gobierno de Estados Unidos plantea que los laboratorios les entreguen respuestas deliberadamente degradadas. Así, quienes intenten extraer conocimiento de los modelos recibirían datos de menor calidad sin saberlo, lo que reduciría el valor del material recopilado.
Anthropic reveló en febrero que ya desarrolló clasificadores y sistemas capaces de identificar este tipo de comportamientos. La compañía también describió "medidas de seguridad a nivel de modelo diseñadas para reducir la eficacia de los resultados del modelo en la extracción ilícita de datos", con el compromiso de aplicar esas defensas sin afectar la experiencia de los clientes legítimos.
La recomendación lleva esa práctica, hasta ahora utilizada por algunos laboratorios, a otro nivel: la transforma en una medida de seguridad recomendada a escala nacional para proteger los modelos estadounidenses frente a intentos de extracción de sus capacidades.
Pero esa política tiene un costo concreto. Buena parte del impacto recaería sobre el negocio de las API, donde distinguir entre un cliente legítimo y una operación destinada a extraer conocimiento del modelo resulta especialmente sensible.
*Este artículo fue publicado originalmente por Forbes.com.
