90 minutos para apagar la IA: cómo Trump está convirtiendo el open source en la única apuesta segura

El día que Anthropic aprendió lo que significa "voluntario"

El 2 de junio de 2026, la Casa Blanca publicó una orden ejecutiva sobre IA que, según David Sacks (entonces zar de IA de la administración), era un "game changer" precisamente porque no obligaba a nada. Los laboratorios podían compartir sus modelos con el gobierno hasta 30 días antes del lanzamiento de manera voluntaria. Sin licencias obligatorias. Sin régimen de revisión forzosa. Un proceso colaborativo, dijeron.

Unas semanas después, Anthropic recibió una llamada. Tenían 90 minutos para retirar Claude Mythos 5 y Claude Fable 5 del mercado.

Los retiraron.

Los modelos estuvieron offline más de dos semanas. La justificación oficial fue una alerta de ciberseguridad vinculada a Amazon. El mecanismo fue lo que técnicamente correspondería a controles de exportación aplicados a presión. La etiqueta de "voluntario" de la orden ejecutiva sobrevivió exactamente el tiempo que tardó en llegar la primera llamada urgente.

Eso no es una anécdota menor. Es la demostración práctica de que cuando el gobierno decide que un modelo privado es un problema, puede apagarlo. Y punto.

La arquitectura del problema: por qué los modelos privados son vulnerables por diseño

Para entender por qué el 90-minute kill order funcionó tan limpiamente, hay que entender cómo están construidos los modelos de Anthropic, OpenAI y cualquier laboratorio privado de frontera.

Los pesos del modelo (los parámetros que definen su comportamiento) están en servidores controlados por la empresa. La inferencia pasa por su infraestructura. El acceso depende de sus APIs. Eso significa que existe exactamente un punto de control centralizado. Para apagarlo, basta con presionar en el sitio correcto a la persona correcta.

Los modelos de pesos abiertos (open-weight) funcionan de otra manera. Una vez que los pesos están publicados (en Hugging Face, en repositorios públicos, donde sea), ya no hay un botón de apagado. Puedes ejecutar Llama 4, Qwen o Mistral en tu propio hardware, en tu propia red, sin depender de que ningún laboratorio mantenga encendido un servidor. El gobierno puede presionar a Meta para que deje de publicar nuevos modelos, pero los pesos que ya están ahí fuera no desaparecen.

Felix Van de Maele, CEO de Collibra, lo formuló con precisión clínica según The Hill: cuando una empresa tiene 90 minutos para retirar un modelo desplegado a cientos de millones de personas por una queja de un competidor, la necesidad de alternativas open-source se vuelve urgente e incuestionable.

No es ideología. Es arquitectura.

Lo que pasó realmente con Mythos, Fable y GPT-5.6

Conviene reconstruir los hechos porque el ruido mediático tendió a mezclar casos distintos con lógicas distintas.

El caso Anthropic es el más severo. En marzo y abril de 2026, Anthropic había anunciado Mythos con capacidades avanzadas de hacking. OpenAI siguió con un modelo análogo. Ninguno fue liberado públicamente por temor a uso criminal. Eso ya generó tensiones antes de que llegara la presión directa del gobierno.

Luego, en junio, llegó el episodio de los 90 minutos. La alerta de ciberseguridad vino de Amazon (lo cual tiene su propia lectura geopolítica y competitiva, dado que Amazon es inversor estratégico en Anthropic, pero también tiene intereses en posicionarse en el mercado de IA). El resultado: Mythos 5 y Fable 5 offline durante más de dos semanas. Si quieres el análisis completo de ese episodio (incluyendo qué dijo la experta en ciberseguridad Katie Moussouris sobre si los fallos justificaban realmente una orden de control de exportaciones) está en Anthropic y los controles de exportación: 19 días de restricciones sin explicación.

El caso OpenAI es diferente en forma, similar en fondo. La administración Trump pidió retrasar el despliegue público de GPT-5.6 por preocupaciones de ciberseguridad. No fue una orden de control de exportación formal, pero el efecto fue el mismo: el modelo llegó a un puñado de socios aprobados por el gobierno, no al público general. GPT-5.6 no fue apagado; fue embotellado. Para más contexto sobre ese episodio, GPT-5.6: el retraso de 24 horas que le salió gratis a OpenAI cubre los detalles.

El patrón común: los modelos más capaces, especialmente los que tocan ciberseguridad, están bajo escrutinio directo del ejecutivo. Y el ejecutivo ha demostrado que cuando quiere actuar, actúa rápido.

El "voluntario" que nadie puede rechazar

La orden ejecutiva del 2 de junio es formalmente voluntaria. David Sacks la presentó como una solución elegante: los laboratorios comparten modelos con el gobierno con hasta 30 días de antelación, el Departamento del Tesoro coordina un nuevo centro interinstitucional de ciberseguridad con CISA y la NSA, y todo el mundo sigue publicando sin retrasos. Un proceso de colaboración, no de control.

El senador demócrata Mark Warner tiene una lectura diferente. Según Cyberscoop, Warner advirtió que la administración podría utilizar criterios opacos para presionar a las empresas a hacer cambios partidistas en sus productos o términos de servicio. En otras palabras: si el proceso de revisión no tiene criterios técnicos claros y verificables (y la orden ejecutiva no los especifica), se convierte en un mecanismo de negociación política disfrazado de seguridad nacional.

El argumento de Sacks de que "no todos los modelos serán objeto de escrutinio" es tranquilizador en abstracto e irrelevante en concreto. Anthropic no sabía que Mythos y Fable iban a ser objeto de escrutinio urgente hasta que tuvo 90 minutos para resolver el problema. La incertidumbre sobre qué modelo puede ser el siguiente no es un entorno operativo en el que ninguna empresa puede planificar con sensatez.

Cuando las reglas del juego son opacas, cualquier empresa que dependa de un modelo privado para su operación crítica está apostando a que el gobierno no le llame esta semana.

Eso no es una hipérbole. Es la descripción literal de la situación.

El open source ya estaba creciendo antes de todo esto

Aquí hay que separar la narrativa causal de los datos reales. Sería tentador construir el argumento de que las restricciones de Trump están creando la demanda de open source. Los datos sugieren algo más matizado: el open source ya estaba creciendo por razones puramente económicas, y las restricciones están acelerando una conversación que ya se estaba teniendo.

Un estudio del MIT Management de principios de 2026 (antes de que llegaran las restricciones de junio) ya situaba los modelos open-source en una quinta parte de todo el uso de tokens de IA. No es una cifra marginal. Es el 20% del mercado global de inferencia, antes de ningún kill-switch.

La razón económica es tan simple como brutal: según un estudio publicado en Nature Communications el 11 de junio de 2026, los modelos open-source cuestan entre 5 y 29 veces menos que los propietarios con rendimiento comparable. No estamos hablando de modelos de juguete para demos. Estamos hablando de modelos que para una fracción significativa de casos de uso empresarial reales dan resultados suficientemente buenos a un coste radicalmente menor.

Los costes de ejecutar modelos de frontera están aumentando. Las empresas ya estaban mirando alternativas. Las restricciones regulatorias simplemente añaden un argumento de resiliencia operativa a un cálculo que ya favorecía lo abierto por puro precio.

Alex Karp, CEO de Palantir, lo articuló en términos de control: las empresas que dependen de modelos privativos están cediendo sus medios de producción y su propiedad intelectual a terceros. Aaron Levie, CEO de Box, añadió la consecuencia de mercado: si los modelos de pesos abiertos se mantienen cerca de la frontera de capacidades, la regulación pesada sobre los modelos privados simplemente desvía el uso hacia un stack que ni OpenAI ni Anthropic controlan ni monetizan.

Vinny Troia, CEO de Shadow Nexus, fue más directo: el "price gouging" de la IA privada ya era incentivo suficiente para explorar alternativas abiertas. Las acciones de la Casa Blanca solo agravan el problema para los laboratorios privados.

La postura de Dario Amodei y la trampa de la coherencia

Hay una ironía considerable en el hecho de que sea Anthropic, precisamente, la empresa que ha sufrido el kill-switch más dramático. Dario Amodei lleva años siendo el crítico más articulado del open source desde el lado de los grandes laboratorios. En 2023 advirtió que el escalado de código abierto es "un camino peligroso" y se ha opuesto consistentemente a la publicación de pesos abiertos, argumentando que los modelos más capaces necesitan ser controlables.

El argumento tiene cierta lógica interna: si un modelo privado puede ser apagado, también puede ser corregido, parcheado, retirado ante un fallo de seguridad. Los modelos de pesos abiertos, una vez publicados, no tienen botón de recall.

El problema es que el mismo argumento que justifica el control privado justifica también el control gubernamental. Si la controlabilidad es el valor supremo, y el gobierno tiene acceso al punto de control central de los modelos privados, entonces Anthropic ha construido exactamente la arquitectura que permite lo que acaba de ocurrir.

OpenAI tiene dos modelos de pesos abiertos llamados gpt-oss, pero se consideran significativamente menos potentes que sus modelos privados. La brecha entre lo abierto y lo propietario en capacidades sigue siendo real en la frontera. Pero esa brecha se está cerrando, y las restricciones a los modelos privados no hacen sino acelerar la presión competitiva sobre los laboratorios cerrados.

El factor geopolítico que nadie quiere nombrar en voz alta

Hay un tercer actor en esta ecuación que aparece en los márgenes del debate americano pero que importa más de lo que los titulares sugieren: China.

DeepSeek publicó sus pesos. Qwen de Alibaba está disponible en abierto. Los modelos chinos de pesos abiertos están activamente compitiendo en capacidades con los modelos americanos de frontera, y lo hacen a un coste de infraestructura radicalmente menor. Cuando un modelo de frontera americano desaparece del mercado durante dos semanas (o llega solo a socios gubernamentales aprobados), el espacio que deja no se queda vacío.

China no tiene el mismo régimen de restricciones sobre sus propios laboratorios. Huawei está construyendo chips alternativos a los de NVIDIA. El entramado chino de IA, como hemos analizado en profundidad en Mistral AI: el símbolo geopolítico europeo que depende de chips americanos para sobrevivir, muestra que la dependencia tecnológica unidireccional es un riesgo estratégico que los gobiernos ya están tomando muy en serio.

La restricción de los modelos privados americanos más capaces en nombre de la seguridad nacional tiene sentido si se asume que el vacío lo llenarán alternativas americanas igualmente seguras. Si lo que llena el vacío son modelos chinos de pesos abiertos que nadie puede apagar, el cálculo de seguridad nacional se invierte completamente.

Lo que esto significa para cualquier empresa que dependa de IA hoy

Hasta ahora hemos hablado de política, de mercados y de geopolítica. Pero hay una consecuencia práctica e inmediata para cualquier empresa que tenga IA en producción.

Si tu stack crítico depende de un modelo privado de frontera (Claude, GPT, Gemini), acabas de ver en tiempo real lo que puede ocurrir. Dos semanas sin modelo no es una anécdota; es un fallo catastrófico para cualquier empresa que haya integrado esa capacidad en sus operaciones.

La diversificación de stack ya era buena ingeniería antes de junio de 2026. Ahora tiene también justificación de continuidad de negocio. Las opciones concretas que se están explorando incluyen:

• Modelos híbridos: emplear modelos privados de frontera para las tareas donde la brecha de capacidad justifica el coste y el riesgo, y modelos open-weight para el volumen de inferencia estándar.
• Modelos locales para datos sensibles: ejecutar modelos en infraestructura propia para los casos donde la confidencialidad de los datos no admite enviarlos a una API externa.
• Múltiples proveedores: no apostar todo a un solo modelo de un solo laboratorio, especialmente si ese laboratorio es vulnerable a presiones regulatorias específicas.

Lo que nadie puede afirmar con honestidad es que los modelos open-source son intrínsecamente más seguros desde una perspectiva de ciberseguridad. Que sean más resilientes a las restricciones gubernamentales no significa que sean más seguros como herramientas. Son cosas distintas.

La pregunta que el mercado aún no ha respondido

La tendencia está clara. El 20% del uso de tokens ya está en open source, antes de las restricciones. El coste diferencial de 5 a 29 veces es real. La vulnerabilidad de los modelos privados a intervenciones gubernamentales acaba de quedar demostrada de forma concreta.

Lo que no está claro (y las fuentes disponibles son honestas sobre esto) es si los modelos open-weight van a alcanzar paridad de capacidades con los modelos de frontera privados a corto plazo. La brecha en las tareas más complejas sigue siendo real. gpt-oss existe, pero no es GPT-5.6. Llama 4 es impresionante, pero no es Claude Opus.

Tampoco está claro cuántas empresas han migrado de modelos privados a abiertos como resultado directo de las restricciones de junio. La presión existe, la conversación está ocurriendo, pero los datos de adopción post-restricción no están disponibles aún.

Lo que sí está claro es que Anthropic acaba de demostrar (involuntariamente) que el argumento de Dario Amodei a favor de los modelos privados controlables tiene un corolario que probablemente no querían ilustrar: un modelo controlable por la empresa también es controlable por el gobierno que regula a esa empresa.

Eso no es un argumento a favor ni en contra del open source. Es simplemente lo que pasó el día que Anthropic tuvo 90 minutos para tomar una decisión.

Preguntas frecuentes

¿Qué son los modelos de pesos abiertos y en qué se diferencian de los modelos privados?

Los modelos de pesos abiertos publican los parámetros del modelo, lo que permite ejecutarlos en infraestructura propia sin depender de la API del laboratorio. Los modelos privados (Claude, GPT-4o, Gemini) solo son accesibles a través de las APIs de sus fabricantes, que mantienen control total sobre disponibilidad y acceso. La diferencia clave: los pesos abiertos no tienen un botón de apagado centralizado.

¿La orden ejecutiva de Trump sobre IA es obligatoria para los laboratorios?

No formalmente. La orden del 2 de junio de 2026 establece un proceso voluntario de revisión previa al lanzamiento. Sin embargo, el episodio de Anthropic muestra que la distinción entre voluntario y obligatorio se vuelve semántica cuando la administración puede ejercer presión a través de controles de exportación u otros mecanismos regulatorios en cuestión de horas.

¿Son los modelos open-source más baratos que los privados?

Según un estudio publicado en Nature Communications en junio de 2026, los modelos open-source cuestan entre 5 y 29 veces menos que los propietarios con rendimiento comparable en un rango significativo de tareas. El coste no es uniforme en todos los casos de uso (las tareas que requieren capacidades de frontera pueden seguir justificando los modelos privados), pero la diferencia económica en el volumen estándar de inferencia es sustancial.

¿Qué empresas están migrando a modelos open-source por estas restricciones?

No hay datos públicos que cuantifiquen migraciones directamente atribuibles a las restricciones de junio de 2026. Lo que existe son declaraciones de CEOs de empresas como Box, Palantir y Collibra indicando que el episodio refuerza el caso de los modelos abiertos. La tendencia preexistente (un 20% del uso de tokens ya en open source antes de las restricciones, según MIT Management) sugiere que el movimiento estaba en marcha por razones económicas independientemente de la política.