Los vínculos entre Anthropic y Google colocan a los bancos en ambos lados del auge de la IA

Anthropic ha introducido capacidades cibernéticas avanzadas en la banca mientras su relación con Google amplía la infraestructura que las sustenta. Esa tensión deja a los bancos defendiendo sus sistemas frente a la IA mientras financian su crecimiento.

La conexión entre Anthropic y Google es, por tanto, más que otra alianza de nube. Google suministra procesadores personalizados y participa en la iniciativa de seguridad de Anthropic. Los bancos utilizan modelos de Anthropic, se protegen de sistemas similares y ayudan a financiar los centros de datos que los ejecutan.

Esta configuración cambia el debate sobre la IA dentro de las instituciones financieras. La cuestión inmediata ya no es si los empleados deben recibir un chatbot. Los bancos deben decidir cómo gobernar modelos que encuentran vulnerabilidades, realizan trabajo regulado y generan dependencias concentradas.

El modelo cibernético de Anthropic cambió la conversación bancaria

Claude Mythos convirtió una preocupación gradual por la seguridad en una prueba inmediata de la capacidad de los bancos para responder a velocidad de máquina.

Anthropic presentó Claude Mythos Preview el 7 de abril mediante Project Glasswing. La iniciativa reunió inicialmente a Anthropic, Google, JPMorgan Chase, Amazon Web Services, Apple, Microsoft y varias empresas de seguridad.

Mythos es un modelo restringido diseñado para identificar y analizar vulnerabilidades de software. Anthropic no puso la versión preliminar a disposición del público general. En su lugar, dio acceso a defensores seleccionados y operadores de software crítico.

Ese lanzamiento controlado formaba parte de la historia. Un modelo no necesita una interfaz pública para cambiar los cálculos de riesgo en un sector. Sus capacidades demostradas pueden revelar lo que sistemas menos restringidos podrían hacer pronto.

Anthropic afirmó que Mythos Preview examinó más de 1.000 proyectos de código abierto durante su despliegue inicial. La actualización inicial de Glasswing de la empresa indicó que el modelo identificó unas 23.019 vulnerabilidades estimadas.

Anthropic clasificó 6.202 de esos hallazgos como de gravedad alta o crítica. Estas cifras siguen siendo estimaciones de la empresa, no una auditoría independiente exhaustiva de cada fallo reportado.

El valor del modelo también depende de la validación. Los sistemas automatizados pueden señalar patrones de código que parecen peligrosos sin demostrar que los atacantes puedan explotarlos en producción. Los equipos de seguridad deben reproducir los hallazgos, evaluar la exposición y coordinar los parches.

Incluso con esas limitaciones, la escala altera la gestión habitual de vulnerabilidades. Antes, un banco podía procesar los descubrimientos mediante una cola condicionada por investigadores, proveedores y ciclos programados de aplicación de parches. Un modelo especializado puede generar hallazgos mucho más rápido.

La velocidad crea un problema de doble cara. Los defensores pueden examinar más código y priorizar antes la corrección. Los atacantes que utilicen capacidades comparables también pueden buscar debilidades desatendidas en grandes entornos de software.

Los bancos se enfrentan a una versión especialmente difícil de ese problema. Su infraestructura suele combinar servicios modernos de nube, aplicaciones adquiridas, código interno y sistemas centrales antiguos. Cada conexión añade otro punto por el que un fallo puede propagarse.

El riesgo se extiende más allá de las aplicaciones desarrolladas por un banco. Las instituciones financieras dependen de sistemas operativos, navegadores, servicios de identidad, software de pagos y numerosos terceros. Una debilidad en un proveedor puede afectar a muchas instituciones al mismo tiempo.

Esa posibilidad explica la atención gubernamental en torno a Mythos. Los funcionarios no estaban reaccionando a una prueba de rendimiento de modelo convencional. Se enfrentaban a una posible compresión del tiempo entre el descubrimiento de una vulnerabilidad y un intento de explotación.

El cambio central se puede medir en el tiempo de respuesta. Las organizaciones de seguridad no pueden controlar la rapidez con la que los futuros modelos buscarán fallos. Sí pueden controlar la rapidez con la que los equipos verifican, priorizan, corrigen y supervisan esos hallazgos.

Para los bancos, Mythos es menos un producto terminado que una advertencia sobre el ritmo operativo. La próxima vulnerabilidad grave podría llegar a defensores y adversarios a través de sistemas automatizados similares.

Por qué importa la relación entre Anthropic y Google

Google da a Anthropic acceso a infraestructura a una escala capaz de convertir capacidades especializadas de modelos en un sistema comercial duradero.

La relación entre Anthropic y Google combina inversión, capacidad informática, distribución y cooperación técnica. También demuestra por qué los bancos no pueden evaluar a los proveedores de IA como proveedores aislados de software.

Anthropic acordó en octubre de 2025 adquirir acceso a hasta un millón de unidades de procesamiento tensorial de Google. Una unidad de procesamiento tensorial, o TPU, es el procesador personalizado de Google para cargas de trabajo de IA.

El acuerdo tenía un valor de decenas de miles de millones de dólares, según las empresas. Se esperaba que pusiera en línea más de un gigavatio de capacidad durante 2026, como se detalla en el acuerdo de TPU.

Anthropic declaró posteriormente que firmó acuerdos con Google y Broadcom para disponer de cinco gigavatios de capacidad TPU de próxima generación. Esa declaración apareció en mayo junto con un importante anuncio de financiación.

Al mismo tiempo, Anthropic indicó que AWS seguía siendo su principal proveedor de nube y socio de entrenamiento. Claude también estaba disponible a través de Microsoft Azure. Este enfoque multicloud reduce la dependencia de un único canal de prestación sin eliminar la concentración de infraestructura.

Google ocupa una posición inusual dentro de esa estructura. Desarrolla Gemini, que compite con Claude. También suministra procesadores y capacidad de nube que ayudan a Anthropic a entrenar y operar modelos competidores.

Eso hace que la relación sea estratégicamente útil para ambas partes. Anthropic obtiene acceso a recursos informáticos especializados. Google gana un cliente importante para sus procesadores y valida una infraestructura que va más allá de su propia familia de modelos.

Los bancos deben reconocer el mismo patrón en sus propias carteras de proveedores. La competencia en la capa de aplicaciones puede apoyarse en infraestructura compartida por debajo. Dos servicios de IA aparentemente independientes pueden seguir dependiendo de nubes, procesadores o componentes de seguridad que se solapan.

La relación también une el desarrollo de capacidades con la coordinación defensiva. Google participó en Project Glasswing mientras proporcionaba infraestructura a Anthropic. Por tanto, parece estar tanto aguas arriba de los modelos como dentro de la red de respuesta ante sus riesgos.

Esto no significa que Google controle Claude Mythos o cada despliegue de Anthropic. Significa que los límites entre proveedores dejan de ser útiles al evaluar la resiliencia. Los equipos de riesgo bancario necesitan mapas de dependencias técnicas y comerciales, no solo inventarios de productos.

Una institución podría utilizar Claude mediante una nube, Gemini mediante otro contrato y aplicaciones de proveedores que recurren a cualquiera de los dos modelos. Esa configuración puede parecer diversificada mientras conserva puntos comunes de infraestructura.

El mismo problema se aplica a los sistemas internos de conocimiento. Un banco puede conectar servicios de modelos con investigación, políticas, registros de clientes y documentación de ingeniería. Cada conexión amplía la utilidad del sistema y su exposición.

Una buena integración de conocimiento puede ayudar a los trabajadores a recuperar contexto de fuentes autorizadas. Sin embargo, en una institución regulada, cada ruta de recuperación también necesita controles de acceso, procedencia, normas de retención y supervisión.

Por eso la relación entre Anthropic y Google importa más allá de las clasificaciones de modelos. Representa la estructura industrial que se está formando en torno a la IA de frontera. Los desarrolladores de modelos, operadores de nube, diseñadores de chips y grandes clientes se están volviendo interdependientes tanto financiera como técnicamente.

Los bancos no pueden evitar esa estructura eligiendo un proveedor conocido. Deben identificar dónde convergen las dependencias y decidir qué fallos requieren capacidad alternativa, procedimientos manuales o protecciones contractuales.

Los bancos son clientes, defensores y financiadores

Los bancos ocupan ahora tres posiciones conflictivas en la economía de la IA, y cada una crea obligaciones que las otras pueden socavar.

Como clientes, los bancos quieren mejores modelos para investigación, desarrollo de software, trabajo de cumplimiento y análisis documental. Anthropic ha construido una estrategia comercial directa en torno a esas demandas.

En mayo, la empresa presentó 10 agentes orientados a flujos de trabajo financieros. Un agente es software que puede planificar y ejecutar múltiples pasos con una intervención humana limitada.

Las herramientas se diseñaron para tareas como elaborar libros de presentación, auditar estados financieros y redactar memorandos de crédito. Anthropic afirmó que podían conectarse con Claude Code y Cowork, reflejando al mismo tiempo las políticas de una institución.

En ese momento, Anthropic declaró que las instituciones financieras representaban el 40 por ciento de sus 50 mayores clientes. Según el lanzamiento de los agentes financieros, las finanzas eran su segunda mayor industria por ingresos empresariales, por detrás de la tecnología.

Esa adopción genera una presión competitiva directa. Un banco que acorte la revisión de documentos o la entrega de software puede reducir los tiempos de respuesta. Un rival más lento podría tener dificultades para igualar los niveles de servicio con procesos sin cambios.

Sin embargo, los bancos también son defensores. Los sistemas que mejoran la productividad interna pueden parecerse a los que ayudan a los atacantes a encontrar debilidades. Los equipos de seguridad deben evaluar el modelo, sus herramientas conectadas y el comportamiento de los agentes que actúan en distintas aplicaciones.

Esta función exige más que filtrar las indicaciones de los empleados. Un agente financiero podría recuperar información, escribir archivos, llamar a herramientas de software o preparar decisiones. Cada permiso crea una vía que requiere controles y evidencias.

Un banco no puede tratar al modelo como la única unidad de riesgo. Debe inspeccionar el flujo de trabajo completo, incluida la autenticación, la recuperación de datos, la aprobación humana, la validación de resultados y el registro de auditoría.

Los bancos también financian la expansión física que sostiene la IA. Los préstamos, el crédito privado, los vehículos estructurados y los proyectos de centros de datos pueden exponer a los prestamistas a supuestos de demanda en el mismo sector que están adoptando.

Eso crea un ciclo de retroalimentación inusual. Los bancos financian infraestructura utilizada por empresas de modelos. Esas empresas desarrollan sistemas que presionan a los bancos para modernizarse. Luego los bancos compran más servicios de IA para responder a esa presión.

El ciclo no señala automáticamente inestabilidad. Los centros de datos son activos reales, y los servicios de modelos pueden generar ingresos valiosos. Sin embargo, el crecimiento interconectado puede ocultar cuántas exposiciones dependen de supuestos similares.

Un prestamista podría suscribir un proyecto de centro de datos basándose en la demanda a largo plazo de una empresa de IA. Otra división podría depender de los modelos de esa empresa. Las exposiciones tecnológicas y crediticias del banco comparten entonces una historia de contraparte común.

El papel de Google añade otra capa. Puede suministrar chips, servicios de nube, respaldo de inversión y competir con modelos dentro del mismo mercado. Los bancos deben evaluar cómo interactúan esos roles en situaciones de tensión.

Esta es la verdadera llamada de atención. La IA ya no está limitada al gasto tecnológico. Abarca la resiliencia operativa, el riesgo de terceros, la ciberdefensa, el crédito y la planificación estratégica.

Un modelo de gobernanza fragmentado pasará por alto esas conexiones. Compras puede medir los términos de los proveedores mientras seguridad rastrea vulnerabilidades y los equipos de crédito analizan a los prestatarios de infraestructura. Ninguna visión única captura la exposición combinada.

Los bancos necesitan un mapa a nivel empresarial que conecte los servicios de IA, las dependencias de nube, los flujos de trabajo relevantes, las relaciones de financiación y los planes de contingencia. Sin ese mapa, la diversificación puede existir sobre el papel mientras la concentración crece por debajo.

La presión de Anthropic y Google expone una brecha de velocidad

La principal pugna se libra entre el cambio impulsado por modelos y los sistemas de gobernanza bancaria que deben controlarlo.

Los controles bancarios tradicionales asumen que los grandes cambios tecnológicos pasan por etapas definidas. Los equipos seleccionan un proveedor, prueban el sistema, documentan los riesgos, aprueban el despliegue y supervisan el comportamiento en producción.

Los modelos de frontera no permanecen estáticos durante ese ciclo. Los proveedores actualizan capacidades, salvaguardas, límites de contexto, integraciones y políticas de despliegue. Una revisión completada para una versión puede no describir la siguiente.

Las capacidades cibernéticas avanzan aún más rápido. Un modelo de detección de vulnerabilidades puede analizar código de forma continua, mientras un banco puede seguir coordinando parches mediante ventanas programadas. Ese desfase otorga importancia estratégica a la velocidad de respuesta.

La respuesta no es eliminar las puertas de revisión. Los bancos gestionan activos de clientes, datos personales y decisiones reguladas. Debilitar los controles para ajustarse al calendario de lanzamientos de un proveedor sustituiría la demora por un riesgo operativo evitable.

El mejor enfoque separa la experimentación reversible de las decisiones materiales de producción. Los equipos pueden evaluar nuevas capacidades en entornos controlados, mientras mantienen los usos orientados al cliente o de alto impacto sujetos a aprobaciones más estrictas.

Los bancos también necesitan revisiones activadas por cambios. Una actualización material del modelo, un nuevo permiso de herramienta, un conjunto de datos ampliado o una política de retención modificada deben reabrir los controles pertinentes. Las evaluaciones anuales por sí solas no pueden seguir este mercado.

El análisis sobre la defensa bancaria en torno a Mythos ilustra la presión. Los reguladores debatieron el modelo con ejecutivos bancarios, mientras el acceso inicialmente se limitaba a organizaciones seleccionadas.

JPMorgan Chase fue el único banco mencionado entre los primeros participantes de Glasswing. Morgan Stanley, Goldman Sachs y Bank of New York Mellon confirmaron posteriormente el acceso durante sus llamadas de resultados.

Esa distribución desigual importa. Las instituciones con acceso temprano pueden estudiar la capacidad, examinar sus sistemas y mejorar los procedimientos de respuesta. Quienes no tienen acceso deben prepararse con información de segunda mano y herramientas de prueba convencionales.

Las brechas internacionales dificultan más el problema. La asesora bancaria británica Harriet Rees afirmó en julio que los principales bancos del Reino Unido no contaban con un calendario claro para recibir acceso a Mythos.

Anthropic indicó que había comenzado a desplegar Mythos 5 fuera de Estados Unidos mientras coordinaba con el Gobierno estadounidense. El acceso seguía vinculado a organizaciones de confianza y a decisiones de política.

Esto convierte la disponibilidad de modelos en una cuestión de resiliencia. Si un sistema restringido identifica nuevas clases de debilidades, las instituciones fuera de su red aprobada siguen enfrentando el riesgo subyacente.

La presión no consiste simplemente en Anthropic frente a Google, o Claude frente a Gemini. Esas son dinámicas competitivas complementarias. El conflicto principal se sitúa entre una capacidad que avanza rápidamente y una coordinación institucional más lenta.

Por ello, los ejecutivos bancarios deberían plantearse preguntas operativas. ¿Con qué rapidez pueden los equipos validar un hallazgo urgente generado por un modelo? ¿Qué sistemas pueden recibir parches de emergencia? ¿Qué proveedores deben participar antes de iniciar la corrección?

También deberían poner a prueba las vías de comunicación. Una vulnerabilidad grave puede implicar a equipos jurídicos, supervisores, clientes, proveedores de software y organismos gubernamentales. Las demoras suelen producirse entre organizaciones, no dentro de un escáner de seguridad.

La relación de infraestructura entre Anthropic y Google aumenta la probabilidad de que los nuevos modelos reciban abundante capacidad de cómputo. Eso no garantiza cada capacidad anunciada. Sí convierte en una estrategia débil esperar a que el progreso se ralentice.

Los bancos necesitan una gobernanza que preserve la cautela sin depender de cambios lentos. La diferencia importa porque los atacantes no esperan los calendarios de los comités.

Lo que las cifras del modelo no demuestran

Mythos ofrece una advertencia seria, pero sus hallazgos reportados no establecen un sistema ofensivo imparable ni una solución defensiva completa.

Los recuentos de vulnerabilidades de Anthropic requieren contexto. Un modelo puede producir miles de hallazgos candidatos, mientras que solo un grupo menor resulta explotable, novedoso, accesible e importante en despliegues reales.

Las estimaciones de gravedad también dependen de supuestos. Un fallo calificado como crítico en una configuración puede ser inaccesible en otra. A la inversa, un problema moderado puede volverse peligroso al combinarse con credenciales débiles u otra vulnerabilidad.

Los materiales publicados por Anthropic reconocen preocupaciones de despliegue al restringir los sistemas de clase Mythos. Esa política respalda el argumento de que la capacidad merece atención. No verifica de forma independiente cada afirmación de rendimiento.

Los bancos deben evitar dos errores opuestos. Desestimar el modelo porque el proveedor informó sus propios resultados ignoraría una advertencia creíble. Tratar cada resultado como confirmado distorsionaría las prioridades y consumiría una capacidad limitada de corrección.

Un proceso de control útil registra las tasas de validación. Los equipos deben medir cuántos hallazgos se reproducen, cuántos son nuevos, cuánto tarda la verificación y con qué rapidez los problemas confirmados reciben parches.

Esas medidas operativas importan más que un total llamativo. Revelan si un modelo mejora los resultados de seguridad o simplemente amplía una cola de vulnerabilidades ya saturada.

El acceso defensivo también genera riesgo en el manejo de información. Un sistema que estudia código fuente privado puede encontrarse con credenciales, detalles de arquitectura o debilidades que requieren una divulgación estrictamente controlada.

Los bancos necesitan claridad contractual sobre la retención de datos, el entrenamiento de modelos, el acceso de soporte y la notificación de incidentes. También necesitan pruebas de que los permisos siguen alineados con el rol de cada empleado.

El panorama más amplio de adopción contiene otra advertencia. Una encuesta sobre servicios financieros liderada por la University of Cambridge concluyó que la mayoría de las organizaciones participantes se basaban en modelos externos en lugar de entrenar por sí mismas modelos fundacionales.

OpenAI fue el proveedor más utilizado entre los encuestados del sector, seguido de Google y Anthropic. Ese hallazgo muestra que los bancos ya operan en un mercado de múltiples proveedores.

El mismo informe identificó una brecha de percepción en torno al riesgo. Los reguladores otorgaron mayor prioridad que los proveedores de IA a las amenazas adversariales y a la resiliencia cibernética u operativa.

Ese desacuerdo afecta al despliegue. Los proveedores suelen centrarse en controles del modelo y salvaguardas documentadas. Los reguladores y los bancos deben considerar fallos en pagos, servicios al cliente, mercados e instituciones conectadas.

La competencia ofrece cierta protección. Los bancos pueden comparar Claude, Gemini, modelos de OpenAI y herramientas de seguridad especializadas. Pueden orientar distintas cargas de trabajo hacia servicios con controles adecuados.

Sin embargo, cambiar no es instantáneo. El comportamiento de los modelos, los prompts, las evaluaciones, las integraciones y los flujos de trabajo de los empleados generan una dependencia práctica. Trasladar un proceso material puede requerir nuevas pruebas y documentación regulatoria.

La diversidad de modelos también puede introducir complejidad adicional. Cada proveedor aporta contratos, sistemas de supervisión, políticas de seguridad y calendarios de actualización distintos. Más proveedores pueden mejorar la resiliencia al tiempo que aumentan el trabajo de gobernanza.

La conclusión adecuada es mesurada. Anthropic ha presentado indicios de un cambio significativo en el descubrimiento automatizado de vulnerabilidades. El impacto ofensivo completo y el valor defensivo a largo plazo siguen siendo inciertos.

Los bancos deben prepararse para un descubrimiento más rápido sin asumir que un único modelo resuelve el problema. La verificación, el parcheado, la segmentación y la recuperación siguen siendo esenciales.

Tres señales que los bancos deberían vigilar a continuación

La próxima etapa estará determinada por resultados de seguridad validados, un acceso más amplio y pruebas de que los bancos pueden gobernar la IA a través de las fronteras organizativas.

La primera señal es la validación independiente de los hallazgos de Mythos. Los bancos deberían observar cuántas vulnerabilidades reportadas mantienen su gravedad tras la revisión de los proyectos afectados y de investigadores de seguridad.

Las altas tasas de validación reforzarían la tesis de que los modelos especializados han comprimido permanentemente los plazos de descubrimiento. Las tasas bajas no eliminarían el riesgo, pero desplazarían la atención hacia la calidad del triaje.

Las divulgaciones más útiles incluirán más que totales. Los revisores necesitan datos sobre reproducibilidad, novedad, explotabilidad, finalización de parches y tiempo de corrección. Esas medidas conectan la salida del modelo con una mejora defensiva real.

La segunda señal es la expansión del acceso de confianza. El despliegue de Anthropic fuera de Estados Unidos mostrará si la distribución restringida puede respaldar una amplia resiliencia financiera sin liberar indiscriminadamente capacidades sensibles.

Un programa más amplio y coordinado reduciría la brecha entre los participantes tempranos y otras instituciones. Una división geográfica prolongada reforzaría los llamados a favor de modelos nacionales, instalaciones de prueba compartidas o acuerdos internacionales formales.

Los bancos también deberían observar si los gobiernos crean criterios coherentes de participación. Las aprobaciones ad hoc pueden dejar a las instituciones con incertidumbre sobre los plazos, las responsabilidades y el tratamiento de las vulnerabilidades descubiertas.

La tercera señal es la gobernanza dentro de las instituciones financieras. Las llamadas de resultados, las revisiones regulatorias y las divulgaciones de incidentes deberían revelar si los bancos conectan la adopción de IA con la ciberseguridad y la concentración de terceros.

Las pruebas de progreso incluirían inventarios de modelos vinculados a procesos empresariales, procedimientos de contingencia probados, evaluaciones específicas por versión y flujos de parcheado más rápidos. Las declaraciones genéricas sobre IA responsable revelarían mucho menos.

La alianza entre Anthropic y Google seguirá siendo central porque la escala de la infraestructura influye en el ritmo de futuros lanzamientos. Las relaciones de Anthropic con AWS y Microsoft también implican que la historia no puede reducirse a una única dependencia exclusiva de la nube.

Esa estructura multinube ofrece opciones a los bancos, pero las opciones solo ayudan cuando los equipos pueden ejercerlas. Un proveedor de respaldo sin utilizar no constituye resiliencia si las cargas de trabajo no pueden trasladarse de forma segura.

El mismo principio se aplica a la supervisión humana. Exigir aprobación suena tranquilizador, pero falla cuando los revisores carecen de tiempo, contexto o autoridad. Los bancos deben probar si las personas pueden interrumpir flujos de trabajo automatizados en condiciones realistas.

Los ejecutivos deberían plantearse una última pregunta: ¿puede su institución responder a una debilidad descubierta por un modelo más rápido de lo que un modelo comparable puede ayudar a explotarla?

Esa pregunta conecta la ciberseguridad, la gestión de proveedores, la dotación de personal, la infraestructura y la responsabilidad ejecutiva. También da a la historia de Anthropic y Google un significado práctico más allá de las clasificaciones de modelos.

Los bancos no necesitan predecir qué laboratorio de IA liderará el próximo año. Necesitan sistemas operativos que sigan siendo fiables cuando la capacidad, el acceso y las relaciones con proveedores cambian rápidamente.

Por tanto, la llamada de atención no es una instrucción para comprar un modelo. Es una exigencia de mapear dependencias, validar afirmaciones, acelerar la corrección y practicar la recuperación antes de que llegue el próximo salto de capacidad.