La retención de datos de Anthropic Fable lleva a Nvidia y Palantir a restringir el uso del modelo
Según se informa, las normas de retención de datos de Anthropic Fable han llevado a Nvidia, Palantir y otras empresas a restringir el uso del modelo pese a sus avanzadas capacidades. El conflicto comenzó después de que Anthropic exigiera conservar durante 30 días cierta actividad de Fable, alegando la necesidad de detectar usos indebidos sofisticados.
Las restricciones no demuestran que Anthropic entrene modelos con secretos empresariales. Anthropic afirma que no utiliza los datos retenidos para entrenar nuevos modelos Claude ni con fines ajenos a la seguridad. Sin embargo, algunos clientes corporativos siguen sintiéndose incómodos con cualquier retención externa de código propietario, investigación o información operativa.
Esta distinción se ha convertido en el centro de una disputa sobre IA empresarial. Los proveedores de modelos quieren suficiente visibilidad para investigar ataques que se desarrollan a lo largo de múltiples interacciones. Los clientes quieren un control vinculante sobre la información que constituye su ventaja competitiva.
Según las restricciones de clientes, algunas empresas ahora reservan Fable para trabajos que no implican datos sensibles. Según los informes, otras exigen garantías más sólidas de retención cero de datos antes de poner el modelo a disposición a través de sus productos.
Anthropic ya ha ofrecido una respuesta técnica denominada Enterprise Frontier Safeguards. Esta traslada la actividad retenida a una infraestructura controlada por el cliente. La respuesta es importante, pero las restricciones reportadas muestran que la arquitectura de privacidad se ha convertido en parte del rendimiento de un modelo.
Lo que el informe dice que las empresas han restringido
El cambio inmediato no es una prohibición corporativa universal de Claude. Es una limitación de los ámbitos en los que se puede confiar en los modelos Fable más recientes.
The Information informa de que Nvidia utiliza Fable únicamente para tareas que no exponen información sensible. Para trabajos más confidenciales, según se informa, Nvidia recurre a un sistema interno de IA. Nvidia no respondió a Tom’s Hardware antes de que esa publicación difundiera su informe.
Palantir ha adoptado una postura distinta porque ofrece modelos a clientes a través de su Artificial Intelligence Platform. Según se informa, la empresa no pondrá Fable a disposición a través de ese software hasta que Anthropic proporcione garantías de retención cero de datos que no puedan retirarse posteriormente.
Los clientes todavía pueden contratar directamente con Anthropic, según el informe. La restricción de Palantir se refiere a lo que está dispuesto a ofrecer y respaldar dentro de su propia plataforma.
Esta distinción es importante. Palantir integra varios proveedores de modelos en entornos donde las organizaciones analizan datos operativos sensibles. Por tanto, las condiciones de retención de un modelo pueden afectar a las obligaciones de Palantir con sus propios clientes.
Según se informa, el director de tecnología de Palantir, Bill Vass, afirmó que la empresa evita Anthropic en un pequeño número de casos relacionados con propiedad intelectual. Su preocupación no era una prueba de entrenamiento indebido. Era la posibilidad de que código sensible quedara expuesto a un proceso que el cliente no puede controlar plenamente.
Booz Allen Hamilton también fue mencionada entre las empresas que reducen o limitan el uso de los modelos más avanzados de Anthropic. Los detalles públicos sobre sus restricciones exactas siguen siendo limitados. Esa incertidumbre exige una redacción cuidadosa, porque no todas las decisiones subyacentes han sido documentadas de forma independiente.
Otros ejemplos reportados muestran cómo las empresas están dividiendo el trabajo de IA según la sensibilidad de los datos. Según se informa, Novo Nordisk permite Claude para documentos públicos y redacción genérica, pero prohíbe que se introduzca información propietaria en el modelo.
C Spire cuenta con protecciones contractuales que impiden a OpenAI y Anthropic entrenar con sus datos corporativos, según el informe. Sin embargo, la empresa de telecomunicaciones sigue preocupada por la información técnica de uso que los contratos permiten recopilar a los proveedores.
Según se informa, una gran empresa de servicios públicos de Estados Unidos canceló una prueba prevista de Fable relacionada con infraestructura eléctrica central. La compañía quería un compromiso irrevocable de retención cero de datos, que Anthropic no proporcionó bajo la política original de Fable.
Estos casos representan controles distintos, no un boicot coordinado. Una empresa dirige las tareas sensibles a modelos internos. Otra bloquea las entradas propietarias. Un proveedor de plataforma retiene el modelo para sus clientes a la espera de términos contractuales más sólidos.
El patrón reportado sigue teniendo peso. Los compradores empresariales están tratando la selección de modelos como una decisión de gobierno de datos, en lugar de una simple competición por puntuaciones de referencia.
Este enfoque es especialmente relevante cuando los empleados conectan un sistema de IA a repositorios de código fuente, documentos internos, registros de laboratorio o bases de datos de clientes. El modelo puede recibir información mucho más valiosa que una aplicación convencional de trabajo.
Las empresas que ya construyen sistemas de búsqueda a partir de documentos técnicos locales se enfrentan a una cuestión de límites similar. Deben saber qué información sale de su entorno controlado, adónde va y durante cuánto tiempo sigue siendo accesible.
Por ello, una restricción puede ser limitada y, aun así, tener consecuencias comerciales considerables. Un modelo avanzado pierde gran parte de su valor empresarial si los empleados no pueden aplicarlo al trabajo más importante de la organización.
Por qué la retención de datos de Anthropic Fable cambió en junio
Anthropic introdujo la regla de 30 días como un control de seguridad para un modelo más capaz, no como permiso para entrenar con prompts corporativos.
Anthropic lanzó Fable 5 en junio de 2026 con salvaguardas reforzadas para riesgos de ciberseguridad y biológicos. La empresa concluyó que algunos ataques no podían detectarse de forma fiable examinando una sola solicitud de forma aislada.
Un usuario malicioso podría dividir un proyecto dañino entre numerosos intercambios. Los prompts individuales podrían parecer ordinarios, mientras que la secuencia combinada revelaría un intento de eludir las salvaguardas.
Por ello, Anthropic exigió la retención de la actividad cubierta de Fable durante un periodo móvil de 30 días. Su política de lanzamiento del modelo indicaba que la información respaldaría la supervisión de seguridad y la investigación sobre jailbreaks.
La empresa también afirmó que no utilizaría este material para entrenar nuevos modelos Claude ni con fines no relacionados. Anthropic describió protecciones que incluían registrar el acceso humano y eliminar los datos después de 30 días en casi todos los casos.
Aquí es donde se entrelazaron dos conceptos distintos. La retención de datos significa conservar información durante un periodo definido. El entrenamiento de modelos significa utilizar información para ajustar los parámetros o el comportamiento futuro de un modelo.
Un proveedor puede retener prompts para análisis de seguridad sin entrenar con ellos. Una empresa puede aun así rechazar ese acuerdo porque la retención en sí misma crea exposición, trabajo de cumplimiento e incertidumbre contractual.
Las prácticas de retención publicadas por Anthropic aplicaron el cambio a organizaciones que ya utilizaban configuraciones de retención cero de datos en varios servicios cubiertos. Estos incluían espacios de trabajo elegibles de Claude Console y determinados despliegues en la nube.
La retención cero de datos, normalmente abreviada como ZDR, significa que un proveedor no conserva prompts ni respuestas tras completar la solicitud. Las exclusiones exactas y los metadatos técnicos varían según el servicio y el contrato.
Para los compradores, el cambio de junio puso en duda una suposición fundamental. Muchas empresas habían diseñado sus controles de IA basándose en la creencia de que el tráfico de modelos aprobado no persistiría en los sistemas de un proveedor.
La nueva norma llegó porque Fable conllevaba un mayor potencial de uso indebido. Sin embargo, su justificación de seguridad no eliminó la carga operativa impuesta a los clientes.
Un equipo de seguridad aún tenía que identificar qué repositorios podían exponer los empleados. Los equipos jurídicos tenían que interpretar si los acuerdos existentes cubrían la nueva política. Los equipos de privacidad tenían que evaluar la ubicación de los datos, su eliminación, el acceso y los escenarios de brecha.
Las empresas reguladas se enfrentaban a preguntas adicionales. La retención podía interactuar con normas que regulan historiales médicos, datos financieros, información de telecomunicaciones, secreto profesional o protección de datos europea.
La preocupación no se limitaba a cargas deliberadas. Los sistemas de IA agéntica pueden recuperar archivos, llamar herramientas, consultar bases de datos y conservar contexto de trabajo mientras completan una tarea.
Un empleado podría pedir a un agente que depure una aplicación sin darse cuenta de que el flujo de trabajo envía código fuente, registros, credenciales o registros de clientes. La interfaz del modelo oculta gran parte de ese movimiento.
A medida que el modelo se vuelve más útil, su superficie de datos se amplía. Esto crea la inversión central de esta historia: las capacidades que hacen atractivo a Fable también aumentan la sensibilidad de sus entradas.
La política de Anthropic intentaba gestionar el uso indebido del modelo. Los clientes corporativos interpretaron el mismo mecanismo como una nueva fuente de riesgo informativo.
La disputa gira en torno al control, no solo al entrenamiento de modelos
Los clientes empresariales preguntan quién controla la ruta de los datos cuando la supervisión de seguridad y el trabajo confidencial ocupan el mismo sistema.
El temor reportado de que un modelo pueda “aprender” de la propiedad intelectual corporativa puede parecer impreciso. Puede referirse a varios resultados técnicamente distintos.
El proveedor podría entrenar un modelo futuro con contenido de clientes. Podría permitir que empleados revisen prompts retenidos durante una investigación de seguridad. Podría derivar patrones agregados de uso a partir de metadatos técnicos.
Un modelo también podría reproducir contenido dentro de una conversación almacenada sin incorporarlo al entrenamiento. Cada escenario conlleva probabilidades, salvaguardas y consecuencias legales diferentes.
Anthropic afirma que los datos empresariales cubiertos por la norma de retención de Fable no se utilizan para entrenamiento. OpenAI afirma asimismo que las entradas y salidas empresariales quedan excluidas del entrenamiento por defecto, salvo que los clientes opten por incluirlas.
Estos compromisos responden a una pregunta. No responden plenamente adónde van los metadatos operativos, quién puede acceder al contenido retenido o si las condiciones contractuales pueden cambiar.
Los datos técnicos de uso pueden incluir información sobre la actividad del servicio sin reproducir prompts completos. Dependiendo de su alcance, podrían revelar qué aplicaciones se conectan a un modelo, con qué frecuencia los equipos lo utilizan o qué funciones invocan.
Los proveedores necesitan algunos metadatos para operar servicios fiables. Los clientes siguen queriendo definiciones precisas porque los patrones de actividad pueden revelar prioridades empresariales.
Un aumento repentino de llamadas al modelo desde una división de investigación podría indicar una iniciativa no divulgada. Una nueva conexión a un repositorio de código fuente podría revelar hacia dónde se están desplazando los recursos de desarrollo.
Eso no significa que Anthropic u OpenAI utilicen metadatos para competir con sus clientes. Ninguna evidencia verificada presentada en los informes establece tal conducta.
La cuestión es si las promesas contractuales, el diseño del sistema y la evidencia de auditoría reducen suficientemente esa posibilidad para el umbral de riesgo de un cliente.
La demanda reportada de Palantir de una garantía irrevocable capta esa preocupación. Una norma de retención que puede cambiar posteriormente es difícil de incorporar a una arquitectura de seguridad permanente.
El cliente puede dedicar meses a aprobar un modelo, clasificar los datos permitidos e integrar el servicio. Una revisión posterior de la política puede obligarlo a repetir ese trabajo o desactivar la integración.
La restricción también afecta a la rendición de cuentas. Si se produce un incidente de datos, una empresa debe explicar adónde viajó la información y qué parte la controlaba.
Una declaración general sobre anonimización puede no satisfacer esa obligación. Los equipos de seguridad y cumplimiento suelen necesitar períodos de retención, detalles de cifrado, registros de acceso, comportamiento de eliminación y procedimientos ante incidentes.
Esto explica por qué la privacidad de los modelos no puede reducirse a una sola casilla de “utilizado para entrenamiento”. La exclusión del entrenamiento es esencial, pero solo representa una capa de la gobernanza corporativa de datos.
Los clientes también necesitan comprender los subcontratistas, las regiones de nube, la supervisión de abusos, la revisión humana y el manejo del contenido marcado por sistemas automatizados.
Hay otra razón para actuar con cautela. Las restricciones reportadas se basan en gran medida en fuentes anónimas y negociaciones privadas con clientes.
Nvidia no ha detallado públicamente sus reglas internas de enrutamiento. Booz Allen no ha descrito públicamente todas las limitaciones que se le atribuyen. La empresa de servicios públicos que canceló su prueba no ha sido identificada.
Por lo tanto, los lectores deben distinguir entre las políticas confirmadas de los proveedores y las acciones reportadas de los clientes. La regla de 30 días de Anthropic está documentada. El alcance preciso de las restricciones de cada empresa no lo está.
Esa brecha de verificación no vuelve irrelevante la tendencia. Significa que la conclusión más sólida se refiere al comportamiento de negociación empresarial, no a una conducta indebida probada por parte de un proveedor de IA.
OpenAI convirtió la arquitectura de privacidad en una respuesta competitiva
La respuesta de OpenAI convirtió la retención cero de datos en un diferenciador de producto, en lugar de un término legal secundario.
Anthropic no es la única empresa que sostiene que los modelos avanzados requieren una mejor supervisión. OpenAI ha afirmado que pueden surgir riesgos graves a lo largo de una secuencia de interacciones, en lugar de dentro de un único prompt.
Sin embargo, OpenAI ha propuesto una arquitectura diferente. Su sistema Private Safety Processing está diseñado para analizar actividad relacionada sin dar al personal de OpenAI acceso al contenido subyacente del cliente.
Para las implementaciones con retención cero, el contenido permanece en infraestructura controlada por el cliente. Los sistemas automatizados pueden analizarlo y enviar una señal de seguridad limitada a OpenAI cuando identifican un riesgo.
El sistema privado de seguridad de OpenAI también describe una alternativa que utiliza almacenamiento del proveedor cifrado con claves controladas por el cliente. El personal de OpenAI no poseería esas claves.
La empresa afirma que los clientes de API elegibles reciben una promesa clara de que los prompts y las respuestas no se conservan tras el procesamiento. También establece que los datos empresariales no se utilizan para entrenamiento salvo que el cliente lo autorice.
OpenAI aún identifica una excepción para imágenes que parezcan contener material de abuso sexual infantil. Esas imágenes pueden requerir retención, revisión manual y la notificación exigida por la ley.
La arquitectura más amplia ofreció a los compradores empresariales un punto de referencia. Sugirió que la supervisión de seguridad entre sesiones y los datos controlados por el cliente no tienen por qué excluirse mutuamente.
Anthropic ha avanzado ahora en una dirección similar con Enterprise Frontier Safeguards, conocido como EFS. El sistema almacena la actividad relevante dentro de infraestructura en la nube controlada por el cliente.
Anthropic afirma que la supervisión automatizada identifica patrones sospechosos y envía alertas al cliente. El personal del cliente realiza la revisión, salvo que un uso indebido verificado justifique un proceso distinto.
La empresa desarrolló EFS con más de 100 clientes de sectores como la salud, las finanzas, la manufactura, el derecho, las telecomunicaciones, el comercio minorista y el gobierno.
Sus salvaguardas empresariales están programadas para un despliegue gradual a partir del otoño de 2026. Anthropic afirma que los clientes elegibles pueden recibir acceso provisional a ZDR para Fable 5 y Fable 5.1.
Ese anuncio complica la narrativa principal. Anthropic no se limita a insistir en que todo el tráfico sensible de Fable permanezca en sus sistemas.
Ha reconocido el problema del control del cliente y ha propuesto una arquitectura destinada a resolverlo. La verdadera cuestión es si el despliegue llega con suficiente rapidez y ofrece garantías suficientemente duraderas.
La postura reportada de Palantir sugiere que la capacidad técnica por sí sola no cerrará todas las negociaciones. Los grandes clientes también quieren lenguaje contractual que impida al proveedor retirar las protecciones más adelante.
El enfoque de OpenAI añade presión competitiva porque los clientes pueden comparar las condiciones de privacidad junto con la precisión, la latencia, el coste y la capacidad del modelo.
Según The Information, Palantir y algunos otros clientes habrían obtenido acceso ZDR al GPT-6 Astra de OpenAI. Por ello, Palantir está dispuesta a ofrecer ese modelo mientras retiene Fable a través de su plataforma.
Esta comparación no demuestra que el sistema de OpenAI sea más seguro en todos los aspectos. Private Safety Processing aún se estaba probando con clientes iniciales cuando se anunció.
Su eficacia depende de si la supervisión automatizada puede identificar usos indebidos complejos sin exponer el contenido. OpenAI todavía no había publicado el informe técnico prometido cuando apareció el anuncio inicial.
El sistema de Anthropic enfrenta una prueba similar. EFS debe funcionar en entornos de nube controlados por los clientes, al tiempo que preserva salvaguardas útiles y requisitos de despliegue manejables.
Ambos proveedores intentan resolver el mismo conflicto mediante aislamiento técnico. Su competencia dependerá de los detalles de implementación, la validación independiente y la solidez de los compromisos contractuales.
El argumento de seguridad de Anthropic aún merece escrutinio
Los clientes no deben asumir que ni una retención de 30 días ni una retención cero producen automáticamente un despliegue seguro.
El argumento de seguridad de Anthropic tiene una base técnica clara. Los ataques coordinados pueden ser difíciles de identificar cuando cada prompt se evalúa por separado.
Un usuario que sondee las salvaguardas de ciberseguridad podría distribuir sus solicitudes entre sesiones o cuentas. Un clasificador automatizado necesita un contexto más amplio para reconocer ese patrón.
La retención también puede respaldar las investigaciones tras la aparición de un nuevo jailbreak. Los investigadores pueden examinar interacciones anteriores e identificar cómo un atacante avanzó por el sistema.
Los beneficios aún requieren pruebas. Anthropic ha descrito la justificación de la política, pero los observadores externos carecen de información completa sobre cuánto contenido retenido mejora materialmente la detección.
Tampoco está claro con qué frecuencia los revisores humanos necesitan inspeccionar los prompts completos de los clientes. Una señal automatizada limitada genera una exposición distinta al acceso rutinario a contenido sin procesar.
Anthropic afirma que sus controles registran el acceso humano y restringen los datos retenidos a fines de seguridad. Es probable que las empresas soliciten evidencia de auditoría que respalde esas afirmaciones.
EFS modifica el diseño al situar la responsabilidad de revisión en los clientes. Eso protege la confidencialidad, pero también puede transferir trabajo operativo a equipos de seguridad que ya gestionan numerosas alertas.
Las organizaciones deberán decidir quién revisa la actividad marcada, con qué rapidez responden y cuándo comparten evidencia con Anthropic. Los controles con poco personal pueden existir sobre el papel sin funcionar de forma eficaz.
Los falsos positivos presentan otro desafío. Los investigadores legítimos de seguridad hablan habitualmente sobre malware, vulnerabilidades, técnicas de explotación y pruebas defensivas.
Un sistema automatizado puede confundir investigación autorizada con actividad maliciosa. Las salvaguardas excesivamente agresivas podrían bloquear trabajo valioso o generar investigaciones internas innecesarias.
Los falsos negativos plantean el riesgo opuesto. Un atacante sofisticado podría dividir la actividad dañina entre identidades, proveedores o sistemas autoalojados, sin dejar a ningún monitor individual con suficiente contexto.
Ninguna ubicación de almacenamiento resuelve ese problema por sí sola. Las salvaguardas deben identificar relaciones entre eventos sin crear un sistema de vigilancia más amplio.
El lenguaje contractual también requiere escrutinio. Una promesa disponible solo para clientes elegibles deja a las organizaciones más pequeñas con incertidumbre sobre si reciben una protección equivalente.
Una excepción provisional puede reducir el riesgo inmediato, pero seguir siendo menos fiable que una cláusula contractual permanente. Los clientes necesitan saber si el acceso puede revocarse y bajo qué condiciones.
Por tanto, las restricciones atribuidas a Nvidia y Palantir pueden reflejar una postura de adquisición racional, en lugar de “paranoia”. Las organizaciones sensibles suelen limitar un servicio hasta que sus controles superan una revisión técnica y legal.
Sin embargo, las empresas también pueden exagerar el peligro. La retención no demuestra que un proveedor esté robando propiedad intelectual ni entrenando en secreto con información de clientes.
Anthropic ha negado explícitamente utilizar los datos empresariales retenidos de Fable para entrenar nuevos modelos Claude. Ninguna evidencia creíble en los reportes disponibles contradice esa declaración.
La conclusión responsable se sitúa entre ambos extremos. Los clientes no deben tratar la exclusión de entrenamiento de un proveedor como una garantía completa de privacidad. Tampoco deben describir la retención como prueba de entrenamiento no autorizado.
La respuesta práctica es la separación de cargas de trabajo. La investigación pública, la redacción genérica y el análisis de baja sensibilidad pueden utilizar una ruta.
El código fuente, la investigación clínica, los registros de clientes, los planes estratégicos y la infraestructura crítica pueden requerir ZDR, almacenamiento controlado por el cliente, un modelo privado o ningún modelo externo.
Así es como ya operan varios clientes reportados. La decisión de política sigue a los datos, no a la marca.
Qué deben vigilar a continuación los compradores empresariales de IA
La próxima fase se medirá mediante condiciones de despliegue y comportamiento de los clientes, no mediante otra ronda de promesas de privacidad.
La primera señal es el despliegue de EFS de Anthropic. Los clientes deben vigilar si el sistema pasa a estar ampliamente disponible durante el otoño de 2026 y cómo se define la elegibilidad.
Un despliegue exitoso reforzaría la afirmación de Anthropic de que la supervisión avanzada de usos indebidos puede coexistir con almacenamiento controlado por el cliente. Los retrasos o el acceso limitado reforzarían las preocupaciones reportadas.
Los compradores deben examinar dónde se almacena la actividad, quién posee las claves de cifrado y qué señales automatizadas salen del entorno del cliente. También necesitan procedimientos documentados de eliminación y respuesta ante incidentes.
La segunda señal es la permanencia de los compromisos de retención cero de datos. Según los reportes, Palantir quiere garantías de que Anthropic no pueda revocarlos más adelante.
Si Anthropic ofrece condiciones ZDR duraderas en los despliegues de Fable, Palantir podría reconsiderar su restricción. Un desacuerdo persistente demostraría que el obstáculo es contractual y no meramente técnico.
La tercera señal es la adopción competitiva. Private Safety Processing de OpenAI debe demostrar que puede detectar abusos en múltiples interacciones mientras mantiene el contenido del cliente inaccesible para el personal del proveedor.
Una publicación técnica sólida, una evaluación independiente o un despliegue importante en un sector regulado reforzarían la posición de OpenAI. Unos resultados de detección débiles respaldarían el argumento original de Anthropic a favor de la retención del lado del proveedor.
Las empresas también deben vigilar si el enrutamiento de modelos se convierte en la norma. Las organizaciones podrían seleccionar cada vez más modelos distintos según la clasificación de los datos, en lugar de declarar aprobado a un único proveedor para todas las tareas.
Esa disposición favorece a las plataformas capaces de alternar entre modelos alojados, controlados por el cliente y operados internamente. También reduce la dependencia de las condiciones cambiantes de cualquier proveedor.
La disputa ya ha transformado la adquisición empresarial de IA. El liderazgo en benchmarks ya no basta cuando el mejor modelo no puede recibir los datos necesarios para la tarea de mayor valor.
La retención de datos de Anthropic Fable ha expuesto una difícil disyuntiva entre la privacidad y la supervisión de seguridad. Anthropic afirma que la retención ayuda a defenderse de ataques novedosos. Los clientes sostienen que su información más valiosa debe permanecer bajo su control.
EFS y Private Safety Processing ofrecen ahora respuestas contrapuestas. Ambos prometen análisis de seguridad sin acceso rutinario del proveedor al contenido del cliente. Ninguno debe aceptarse sin evidencia de despliegue y condiciones exigibles.
Para los compradores empresariales, la medida inmediata es clara. Asigne cada flujo de trabajo de IA a los datos que puede exponer y, a continuación, verifique por separado el almacenamiento, el acceso, el entrenamiento, los metadatos y la eliminación.
Pregunte si cada promesa se mantiene tras una actualización de políticas. Si la respuesta no está clara, restrinja la carga de trabajo hasta que el contrato y la arquitectura proporcionen un límite fiable.
