Pentágono presiona a Anthropic & Guerra de modelos y destilación - Noticias de Tecnología (26 feb 2026)

Empezamos por el choque más delicado: gobierno y “guardrails”. Según varios reportes, el Departamento de Defensa de Estados Unidos está presionando a Anthropic para que acepte un lenguaje de “cualquier uso legal” de sus modelos, con un plazo que termina este viernes. Si no hay acuerdo, se ha mencionado incluso la posibilidad de recurrir a la Defense Production Act, y además se ha deslizado una amenaza particularmente dura: considerar a Anthropic un riesgo para la cadena de suministro, lo que afectaría a contratistas que integren sus modelos. Anthropic sostiene que está negociando “de buena fe” y que sí quiere apoyar usos de seguridad nacional, pero sin quitar salvaguardas que eviten, por ejemplo, usos autónomos en armamento o vigilancia masiva. El Pentágono, por su parte, dice que el conflicto no va de eso. En el fondo, la discusión es quién pone los límites: una empresa privada con políticas de uso, o el Estado en escenarios de vida o muerte. Es el tipo de debate que, una vez que se abre, ya no se cierra fácil.

En paralelo, la “guerra de modelos” tiene un frente menos visible pero igual de agresivo: la destilación o extracción. Anthropic, OpenAI y Google vienen advirtiendo que algunos actores estarían “ordeñando” modelos líderes a gran escala: los consultan millones de veces, recolectan respuestas y con eso entrenan modelos más baratos que imitan comportamientos. Anthropic afirma que detectó una operación con decenas de miles de cuentas falsas para generar más de 16 millones de conversaciones con Claude. La preocupación no es solo competitiva; también lo es de seguridad: un modelo copiado puede conservar capacidad, pero perder los frenos. Y si hablamos de competencia geopolítica, Reuters añade un dato llamativo: DeepSeek, laboratorio chino, habría decidido no dar acceso anticipado de su próxima actualización V4 a grandes fabricantes estadounidenses de chips, como suele hacerse para optimización, y en cambio habría priorizado a proveedores domésticos, incluyendo Huawei. Traducido: ventaja de semanas para afinar rendimiento en hardware local antes del lanzamiento.

Ahora, el músculo que hace posible toda esta carrera es el cómputo, y aquí hay otra bomba: Meta habría cerrado un acuerdo para comprar chips de IA a AMD que podría superar los 100 mil millones de dólares, estructurado como un despliegue de varios gigavatios. Además, el trato incluye un mecanismo tipo warrant que le da a Meta la opción de tomar hasta un 10% de AMD, atado a hitos de compra. El movimiento llega días después de que Meta también reforzara su relación de largo plazo con Nvidia. Es una señal de dos cosas: que la demanda sigue disparada, y que las grandes tecnológicas ya no quieren depender de un solo proveedor. La pregunta incómoda es la de siempre: cuánto de este gasto se traducirá en productos, productividad y beneficios sostenibles, y cuánto es carrera armamentística por miedo a quedarse atrás.

Cambiamos de tema, pero seguimos en “IA aplicada”: X —a través del equipo de ingeniería de xAI— ha liberado en GitHub el código del sistema que alimenta el feed “Para ti”. No es solo un gesto de transparencia; es una ventana a cómo se construye recomendación en tiempo real con baja latencia. El diseño combina contenidos de tu red —cuentas que sigues— con descubrimiento fuera de tu red, usando un modelo de embeddings de dos torres: una representa al usuario y otra a los posts candidatos. Luego se mezclan, se “hidratan” con metadatos, se filtran por bloqueos, duplicados, antigüedad, contenido sensible y señales de spam, y se puntúan con múltiples scorers. En el núcleo de ranking aparece un transformer derivado de Grok, entrenado para predecir muchas acciones: likes, respuestas, tiempo de lectura, seguir, y también acciones negativas como “no me interesa”, bloquear o reportar, que restan puntuación. La lección aquí es clara: los feeds ya no son una lista; son una cadena de decisión automatizada. Que el código sea abierto ayuda a entenderlo, aunque no resuelve el gran debate: qué objetivos optimiza realmente y cómo se audita el impacto.

Vamos con cripto, pero con cuidado: lo que hay son alegaciones y un proceso judicial en marcha, no una sentencia. Un hilo muy compartido en X enlaza una demanda federal en Manhattan que involucra a Jane Street Capital, a partir de acusaciones del administrador de bancarrota de Terraform Labs, Todd Snyder. La narrativa se centra en un episodio del 7 de mayo de 2022: Terraform habría retirado 150 millones de TerraUSD de Curve, y, según la demanda, una wallet vinculada a Jane Street habría retirado otros 85 millones pocos minutos después, antes de cualquier divulgación pública, sumando presión de venta que precedió al depeg de UST y al colapso de Luna/UST, que borró cerca de 40 mil millones de dólares. El texto también afirma que Jane Street habría evitado más de 200 millones en exposición al desarmar posiciones a tiempo, algo que —según Snyder— no habría sido posible sin información material no pública. Jane Street lo niega y califica el caso de “desesperado” y “sin fundamento”, culpando a la supuesta mala conducta de Terraform. ¿Y por qué reaparece Bitcoin en todo esto? Porque el hilo lo conecta con un patrón de micro-caídas intradía cerca de la apertura bursátil en EE. UU. —alrededor de las 10 a.m. ET— que habrían liquidado largos apalancados y luego revertido. También menciona posiciones de Jane Street en el ETF de BlackRock, IBIT, recordando que los formularios 13F muestran largos en acciones/ETFs, pero no revelan derivados que podrían cubrir o incluso invertir la exposición neta. Lo responsable, por ahora: distinguir entre hechos verificables —una demanda presentada, holdings reportados en 13F— y una tesis de “supresión del precio” que aún es especulativa. Si el caso avanza, podría traer algo que el mercado siempre pide: más claridad sobre exposición neta y uso de derivados en torno a ETFs.

En desarrollo web y open source, Cloudflare está empujando una idea provocadora: reimplementar en lugar de parchear. Presentó vinext, un reemplazo “drop-in” experimental del API surface de Next.js, construido sobre Vite y orientado a desplegar en Cloudflare Workers con un comando. Cloudflare argumenta que el problema de Next.js fuera de Vercel obliga a herramientas como OpenNext a perseguir cambios de build, casi como ingeniería inversa permanente. En vez de eso, vinext reimplementa comportamientos clave —rutas, SSR, React Server Components, server actions, caching y middleware— como plugin de Vite. La compañía presume cobertura de aproximadamente 94% del API de Next.js 16 y una suite enorme de pruebas: más de 1,700 tests en Vitest y cientos de E2E con Playwright. También afirma que gran parte del código fue escrito con ayuda de un modelo de IA, y que el costo en tokens rondó los 1,100 dólares. Es un experimento, pero ilustra una tendencia: en un mundo donde la IA acelera el desarrollo, el “moat” se desplaza hacia contratos, compatibilidad y, sobre todo, tests.

En la industria creativa, Sony AI está publicando investigación para proteger derechos musicales en tiempos de generación por IA. En lugar de depender solo de “se parece a esta canción”, proponen varias capas. Una: atribución del entrenamiento a gran escala con técnicas de “unlearning”, para estimar qué canciones del dataset influyen más en una salida generada. Otra: detección por fragmentos cortos —20 o incluso 10 segundos— para encontrar similitudes de melodía, ritmo o fraseo, útil en disputas de plagio o versiones. Y la tercera, quizá la más incómoda: un benchmark que muestra que varios esquemas de watermarking fallan por completo cuando el audio pasa por códecs neuronales modernos. Mensaje entre líneas: si el watermark es parte del futuro, tendrá que convivir y coordinarse con la cadena real de producción y compresión de audio.

Cerramos con “IA en el mundo físico” y ciencia aplicada. Alphabet está acercando Intrinsic —su brazo de software para robótica industrial— más al corazón de Google, con intención de integrarlo con DeepMind, Gemini y su infraestructura en la nube. El foco es bajar la barrera de entrada: que programar robots en fábricas no sea un arte reservado a especialistas. En movilidad, Wayve, start-up londinense, levantó 1.2 mil millones de dólares con un enfoque distinto a Waymo o Tesla: licenciar software de conducción autónoma a fabricantes, en vez de operar su propia flota o fabricar coches. Hablan de pruebas comerciales de robotaxis con Uber en Londres este año y de vehículos de consumo con supervisión humana hacia 2027. Y en investigación, MIT presentó herramientas de IA para registrar y etiquetar neuronas en animales pequeños y transparentes incluso cuando el cuerpo se deforma durante el movimiento. Prometen acelerar análisis que antes consumían horas por video, y abrir la puerta a estudios más ambiciosos sobre cómo la actividad neuronal se relaciona con el comportamiento.