EFF insta a la FTC a retirar la propuesta de política sobre precisión de IA

La Electronic Frontier Foundation se ha sumado a un desafío directo contra la propuesta de política de IA de la FTC, pese a que la agencia la presenta como una medida de protección al consumidor.

La disputa apareció como otro titular de google news sobre inteligencia artificial. Lo que está en juego es mucho mayor. La propuesta podría redefinir cómo los funcionarios federales evalúan la precisión de los modelos, los controles de seguridad, la mitigación de sesgos y el cumplimiento de las leyes estatales.

La Federal Trade Commission sostiene que las empresas pueden engañar a los consumidores cuando orientan en secreto las respuestas de la IA hacia objetivos ideológicos. EFF y sus aliados argumentan que la propuesta convierte una preocupación válida en una teoría de aplicación peligrosamente vaga.

La distinción importa porque todos los sistemas de IA de propósito general están orientados. Los desarrolladores eligen los datos de entrenamiento, los métodos de evaluación, las reglas de seguridad, las políticas de rechazo, los prompts de sistema y los objetivos del producto. Esas decisiones determinan qué dice un modelo y qué se niega a decir.

Por lo tanto, el conflicto central no es precisión frente a imprecisión. Es protección al consumidor frente a un intento federal de definir qué objetivos de los modelos son legítimos.

La FTC abrió la propuesta a comentarios tras recibir directrices de la administración Trump. La agencia también vinculó su teoría con leyes estatales que exigen a las empresas evaluar o reducir resultados discriminatorios.

Esa conexión coloca a Colorado y a otros estados en la línea de fuego. También presiona a OpenAI, Anthropic, Google, xAI y desarrolladores más pequeños para que reconsideren cómo describen el comportamiento de sus modelos.

La propuesta aún no es una norma vinculante. Sin embargo, una política de aplicación puede modificar la conducta corporativa al señalar qué prácticas pretende investigar la agencia.

Para los desarrolladores y los compradores empresariales, este debate afecta más que la redacción jurídica. Determina si las medidas de seguridad parecen un diseño responsable de producto o evidencia de que una empresa suprimió deliberadamente una respuesta presuntamente más precisa.

Lo que EFF pidió a la FTC abandonar

La intervención de EFF cuestiona el fundamento de la propuesta de la FTC, no el principio básico de que las empresas deben decir la verdad a los consumidores.

La FTC publicó su propuesta de “Policy Statement Concerning the Suppression of Accuracy in Artificial Intelligence Systems” el 1 de julio de 2026. El período de comentarios públicos cerró el 31 de julio.

Posteriormente, EFF se sumó al llamado para que la agencia retire la propuesta. Su postura encaja con la advertencia más amplia de la organización contra políticas generales de IA que ignoran usos específicos, daños y límites técnicos.

La propuesta aplica la Sección 5 de la FTC Act, que prohíbe prácticas comerciales desleales o engañosas. Según la política propuesta, los consumidores generalmente esperan que los sistemas de IA busquen resultados veraces y precisos.

Ese punto de partida parece convencional. Las empresas no deberían comercializar productos poco fiables como si fueran infalibles, objetivos o profesionalmente equivalentes a personas cualificadas.

Luego, la FTC da un paso más controvertido. Afirma que los objetivos ideológicos no divulgados pueden desviar un sistema del resultado que los usuarios solicitaron o esperaban razonablemente.

Según esa teoría, esa orientación puede convertirse en engañosa cuando afecta de forma sustancial la decisión de un consumidor de usar o comprar el producto. El motivo no eximiría a la empresa.

La agencia distingue la orientación intencional de la alucinación, el término para una respuesta de modelo plausible pero sin respaldo. Afirma que los errores técnicos ordinarios no infringen automáticamente la Sección 5.

En cambio, la política propuesta se centra en decisiones de diseño que presuntamente priorizan otro objetivo por encima de la precisión. Esos objetivos pueden estar relacionados con la política, la equidad, la seguridad o el cumplimiento de requisitos estatales.

La FTC también plantea la posibilidad de que leyes estatales en conflicto queden implícitamente desplazadas. El desplazamiento implícito ocurre cuando la ley federal prevalece sobre un requisito estatal sin que el Congreso lo establezca expresamente.

La Artificial Intelligence Act de Colorado recibe atención especial. La FTC sugiere que un requisito estatal podría entrar en conflicto con la ley federal si obliga a una empresa a distorsionar resultados veraces.

Este encuadre provocó la fuerte oposición reflejada en el llamado de EFF. El problema no es que la manipulación oculta merezca protección. El problema es que “precisión”, “ideología” y “expectativas de los consumidores” siguen sin estar definidos con claridad para los modelos generativos.

El aviso del Federal Register reconoce que puede ser difícil trazar la línea exacta en torno al sesgo. Sin embargo, esa incertidumbre está en el centro del estándar de aplicación propuesto.

La Comisión aprobó la publicación de la propuesta por una votación de 2 a 0. Esa votación autorizó la consulta pública, no un juicio jurídico final contra ninguna empresa de IA.

Por tanto, los lectores deben entender la acción de EFF como una intervención durante la formulación de la política. No es una victoria judicial, una elaboración normativa concluida ni la cancelación de la propuesta.

Aun así, su retirada tendría consecuencias prácticas. Obligaría a la FTC a volver a casos de engaño más acotados, basados en afirmaciones comerciales específicas, conductas documentadas y daños mensurables para los consumidores.

Por qué la FTC sostiene que la precisión de la IA necesita protección federal

El argumento más sólido de la FTC es que las empresas ya venden confianza, incluso cuando sus modelos no pueden ofrecer respuestas neutrales o sistemáticamente correctas.

Los desarrolladores de IA rara vez presentan sus productos como generadores aleatorios de texto. Los promocionan como asistentes que responden preguntas, analizan evidencia, resuelven problemas y respaldan trabajos de importancia.

La FTC argumenta que esas representaciones generan expectativas razonables. Un cliente puede asumir que el sistema persigue el objetivo solicitado dentro de sus límites técnicos y de recursos conocidos.

Cuando una empresa sustituye secretamente ese objetivo por otro, la respuesta resultante puede contradecir esa expectativa. Una divulgación escondida en las condiciones del producto podría no corregir la impresión general.

El derecho tradicional sobre prácticas engañosas ya examina las declaraciones, las omisiones, los consumidores razonables y la materialidad. La información material es aquella que puede afectar la elección o conducta de un consumidor.

La FTC intenta aplicar ese marco conocido al comportamiento de los modelos. Su teoría no requiere una nueva ley federal de IA antes de cada posible medida de aplicación.

La agencia también tiene antecedentes de impugnar afirmaciones exageradas sobre IA. Casos anteriores han abordado alegaciones relacionadas con servicios jurídicos automatizados, reconocimiento facial, controles de seguridad y oportunidades comerciales respaldadas por IA.

Esos casos ofrecen un patrón comparativamente claro. Un proveedor promete una capacidad medible, la evidencia contradice la promesa y los consumidores sufren un perjuicio económico o práctico.

La declaración propuesta alcanza una categoría más difícil. Pregunta si los objetivos incorporados en un modelo pueden, por sí mismos, hacer que su comercialización sea engañosa.

El presidente de la FTC, Andrew Ferguson, describió la cuestión como la subversión ideológica de los sistemas de IA. En el anuncio sobre precisión de la agencia, pidió a empresas y consumidores que informaran de experiencias relevantes.

Quienes apoyan la propuesta pueden identificar ejemplos plausibles. Un modelo anunciado como políticamente neutral podría favorecer sistemáticamente a un partido mientras su proveedor oculta instrucciones deliberadas para hacerlo.

Un asistente de salud podría omitir silenciosamente información médicamente relevante porque su operador desea promover un objetivo político ajeno. Un producto de investigación podría suprimir fuentes que contradicen a su propietario.

Esos casos pueden implicar un engaño real. Un comprador no puede evaluar un objetivo no divulgado que modifica de forma sustancial el comportamiento del producto.

La FTC también teme que las empresas puedan escudarse en exenciones de responsabilidad genéricas. El derecho del consumidor suele evaluar la impresión completa creada por la publicidad, las interfaces, la documentación y la operación real.

Para las empresas, la preocupación va más allá de las respuestas individuales de un chatbot. Las organizaciones conectan cada vez más los modelos con la búsqueda de documentos, la atención al cliente, el desarrollo de software y los flujos internos de toma de decisiones.

Un objetivo oculto puede propagarse entonces a través de numerosas respuestas. Puede afectar a empleados que nunca eligieron el modelo original ni revisaron sus condiciones.

Por eso la propuesta no puede descartarse simplemente como un documento de guerra cultural. Identifica un problema legítimo de transparencia dentro de la IA comercial.

La debilidad reside en la línea divisoria elegida por la política. Trata la orientación “ideológica” como especialmente sospechosa sin establecer una forma fiable de distinguir la ideología de la seguridad, la calidad o una gobernanza conforme a la ley.

Esa ambigüedad deja a las empresas ante una pregunta incómoda. ¿Deben divulgar todos los objetivos de política que cambian una respuesta estadísticamente probable del modelo?

La respuesta no puede ser “todos los objetivos”. Los modelos implican miles de decisiones de diseño, y una divulgación exhaustiva abrumaría a los usuarios sin mejorar una rendición de cuentas significativa.

Tampoco puede ser “lo que a la FTC no le guste más adelante”. Ese enfoque sustituiría las expectativas de los consumidores por preferencias de aplicación políticamente cambiantes.

El titular de Google News oculta una disputa sobre la verdad

La disyuntiva central está entre castigar la manipulación oculta y otorgar a los funcionarios federales una autoridad amplia para calificar las salvaguardias de los modelos como distorsión ideológica.

La IA generativa no recupera una única frase objetivamente correcta de una base de datos fija. Produce respuestas a partir de patrones aprendidos, instrucciones, contexto, elecciones de muestreo y restricciones del producto.

Incluso los prompts factuales pueden admitir varias respuestas útiles. Una respuesta concisa, una explicación detallada y un rechazo prudente optimizan objetivos diferentes.

La precisión también varía según el ámbito. Una fecha histórica puede verificarse directamente, mientras que el análisis político depende del encuadre, la selección de evidencia y definiciones controvertidas.

Por ello, los desarrolladores de modelos combinan varios objetivos. Buscan utilidad, veracidad, seguridad, cumplimiento legal, privacidad y resistencia a solicitudes perjudiciales.

La alineación es el proceso de orientar el comportamiento de un modelo hacia esos objetivos. Incluye técnicas de entrenamiento, evaluaciones, políticas y controles en tiempo de ejecución.

Una norma contra la alineación ideológica no divulgada parece sencilla hasta que los reguladores deciden qué formas de alineación califican. Casi todas las decisiones de seguridad se basan en juicios de valor sobre el riesgo aceptable.

Pensemos en un modelo al que se le pide inferir la idoneidad de un solicitante a partir de información demográfica. Bloquear esa solicitud podría proteger la privacidad y reducir la discriminación.

Un crítico podría calificar el rechazo de ideológico porque impide una respuesta sin restricciones. Un desarrollador podría considerarlo un control de riesgos necesario.

Consideremos ahora una ley estatal que exige evaluaciones de impacto para sistemas automatizados de alto riesgo. Una empresa puede ajustar su modelo o su proceso posterior tras detectar resultados desiguales.

La propuesta de la FTC plantea la posibilidad de que ese ajuste suprima la precisión. Ese argumento presupone que una respuesta de modelo sin modificar proporciona la referencia factual adecuada.

Los sistemas de aprendizaje automático no justifican esa presunción de forma automática. Los datos históricos pueden incorporar aplicación desigual de normas, acceso limitado, lagunas de medición y discriminación institucional.

Optimizar un modelo para reproducir etiquetas históricas puede aumentar la precisión en pruebas de referencia mientras empeora las decisiones para las personas omitidas o mal representadas en el conjunto de datos.

EFF ha sostenido anteriormente que la política sobre IA debe examinar daños concretos en contextos específicos. Su marco de políticas de IA rechaza tanto la adopción acrítica como las restricciones generalizadas.

Ese enfoque crea un contraste importante. La propuesta de la FTC parte de un concepto amplio de las expectativas de los consumidores y luego lo utiliza para evaluar muchos sistemas diferentes.

EFF parte de un uso, un actor, una persona afectada y un daño demostrado. Después pregunta qué respuesta legal o técnica se ajusta a esa situación.

La diferencia es procedimental además de filosófica. Un caso específico del contexto exige que el gobierno documente qué ocurrió y por qué perjudicó a los consumidores.

Una declaración de política amplia advierte a las empresas de antemano, pero también aumenta la incertidumbre. Las prioridades de aplicación pueden cambiar cuando cambia el liderazgo de la agencia.

El contexto político hace más visible ese riesgo. La propuesta siguió a una directiva presidencial relativa a las leyes estatales que supuestamente alteran las “salidas veraces” de los modelos de IA.

La administración también ha atacado lo que denomina “IA woke”. Esa expresión fusiona la mitigación de sesgos, el diseño de seguridad, la interpretación histórica y las preferencias partidistas en una sola categoría política.

Una política de aplicación basada en conceptos similares invita a ejercer presión según puntos de vista. Las empresas podrían debilitar salvaguardas legítimas para evitar parecer motivadas ideológicamente.

También podrían reescribir la documentación pública sin hacer los productos más transparentes. Los equipos jurídicos pueden sustituir explicaciones claras por lenguaje generalizado que revela poco.

Eso socavaría el propósito declarado de la propuesta. Los consumidores necesitan divulgaciones comprensibles sobre comportamientos importantes de los productos, no garantías abstractas de que un modelo persigue la verdad.

El encuadre de Google News hace que el acontecimiento parezca otra disputa entre un grupo de defensa y una agencia federal. La cuestión más profunda es quién puede definir la respuesta predeterminada.

Ningún modelo llega sin valores predeterminados. La cuestión de política es si esos valores se divulgan, se prueban y se conectan con evidencia de perjuicio para los consumidores.

Las empresas de IA se enfrentan a normas contradictorias, no a una prueba de neutralidad

La propuesta presiona a los proveedores de IA porque la aplicación federal, la regulación estatal, la seguridad de los productos y las demandas de los usuarios pueden apuntar en direcciones diferentes.

OpenAI, Anthropic, Google, Meta y xAI configuran el comportamiento de los modelos. Sus enfoques difieren, pero ninguno ofrece una ventana sin filtrar hacia la verdad objetiva.

Los proveedores seleccionan datos, eliminan cierto contenido, crean conjuntos de evaluación y redactan políticas de uso aceptable. También actualizan los modelos cuando las pruebas revelan patrones perjudiciales o poco fiables.

Algunos controles previenen abusos evidentes, incluida la generación de malware o la exposición de información personal. Otros regulan ámbitos controvertidos como la persuasión política o la orientación médica.

La propuesta de la FTC no prohíbe esos controles. Afirma que las empresas corren el riesgo de incurrir en prácticas engañosas cuando objetivos no divulgados prevalecen sobre lo que los consumidores razonablemente esperan.

Sin embargo, las expectativas de los consumidores difieren según los productos y los usuarios. Un adolescente, un médico, un ingeniero de software y una campaña política pueden esperar límites distintos del mismo modelo.

Los clientes empresariales añaden requisitos contractuales. Pueden exigir controles de privacidad, cumplimiento regional, registros de auditoría y restricciones sobre determinadas fuentes de datos.

Los gobiernos estatales crean otra capa. La ley de Colorado se centra en sistemas de alto riesgo utilizados en decisiones de gran impacto y busca protecciones contra la discriminación algorítmica.

Otras jurisdicciones ponen el énfasis en la privacidad, los datos biométricos, las decisiones laborales o la transparencia. Los desarrolladores suelen responder con controles compartidos que satisfacen varias obligaciones.

El lenguaje de preeminencia de la FTC podría convertir el cumplimiento en una trampa. Una empresa podría enfrentarse a presión estatal para reducir resultados discriminatorios y al escrutinio federal por modificar salidas.

Analistas jurídicos han señalado que la propuesta deja sin resolver cuestiones importantes. Entre ellas, cómo se aplica la precisión a sistemas no deterministas y qué divulgaciones explican adecuadamente la orientación.

Un sistema no determinista puede producir respuestas diferentes ante el mismo prompt. Esa variabilidad complica cualquier afirmación de que una respuesta representa la verdad inalterada del modelo.

La FTC podría responder que se dirige a los objetivos, no a las salidas individuales. Sin embargo, demostrar un objetivo requiere pruebas sobre políticas internas, pruebas y decisiones de los directivos.

Esa investigación podría exponer métodos propietarios sin ofrecer una medida fiable de neutralidad. También podría favorecer a las grandes empresas con amplios equipos de cumplimiento.

Los desarrolladores más pequeños podrían responder adoptando la política disponible más conservadora. No pueden financiar disputas prolongadas sobre si una norma de seguridad es secretamente ideológica.

Ese resultado no crearía necesariamente modelos menos restringidos. Podría reforzar a los proveedores establecidos porque pueden absorber las investigaciones y negociar con los reguladores.

Los compradores empresariales afrontan su propio desafío. No pueden basarse en una afirmación genérica de que un modelo es preciso, seguro o imparcial.

Necesitan pruebas fundamentadas en tareas reales. Un modelo de atención al cliente requiere evidencia distinta de un sistema que resume literatura clínica.

Los equipos de adquisición deben documentar la versión del modelo, las instrucciones, las fuentes de datos, los criterios de evaluación y los modos de fallo conocidos. También deben registrar por qué se añadieron controles.

Esa documentación respalda tanto la rendición de cuentas como la memoria operativa. Una base de conocimientos con capacidad de búsqueda puede preservar decisiones entre los equipos jurídico, de producto e ingeniería.

El objetivo no es crear papeleo por el mero hecho de hacerlo. Es identificar a qué objetivo sirve un sistema y quién asume el coste cuando falla.

Las empresas también deben separar el marketing de la evaluación. Afirmaciones como “objetivo”, “preciso” o “experto” requieren evidencia vinculada a una tarea definida.

Un modelo puede rendir bien en un benchmark y fallar en un flujo de trabajo empresarial. Los benchmarks son pruebas controladas, mientras que los despliegues incluyen datos cambiantes y usuarios impredecibles.

Los límites claros del producto siguen siendo útiles independientemente del destino de la propuesta de la FTC. La objeción de EFF no autoriza a las empresas a ocultar una orientación material ni a exagerar la fiabilidad.

En cambio, advierte contra una prueba federal de neutralidad que trata las etiquetas políticas como sustitutos de la evidencia técnica y de consumo.

Lo que la propuesta de la FTC aún no logra demostrar

La propuesta identifica una posible teoría de engaño, pero no demuestra que la legislación vigente respalde sus afirmaciones más amplias sobre la regulación estatal.

Las declaraciones de política explican la visión de una agencia sobre la aplicación. No crean autoridad legal que el Congreso no concedió, y los tribunales no aceptan automáticamente sus conclusiones jurídicas.

La FTC Act alcanza claramente la conducta comercial engañosa. La cuestión difícil es si la alineación de modelos exigida por la ley estatal constituye esa conducta.

La agencia sostiene que el cumplimiento de un requisito estatal no excusa el engaño. Ese principio general tiene sentido cuando una empresa realmente induce a error a los consumidores.

La propuesta va más allá al sugerir un conflicto entre requisitos estatales y un esquema regulatorio federal. Esa teoría de preeminencia sigue abierta a impugnación.

La FTC Act no establece expresamente un marco nacional integral para las salidas de IA. El Congreso no ha otorgado a la Comisión control exclusivo sobre la precisión de los modelos.

Tradicionalmente, los estados han ejercido autoridad sobre la protección del consumidor, el empleo, los seguros y los derechos civiles. Muchas leyes sobre IA operan dentro de esas áreas consolidadas.

Es probable que un tribunal examine la disposición estatal exacta y su interacción con la legislación federal. Una declaración de política no puede resolver de antemano todos los conflictos futuros.

Las premisas fácticas de la propuesta también merecen escrutinio. A menudo trata la precisión como un objetivo que existe independientemente de los controles de seguridad o equidad.

Eso puede sostenerse para una tarea factual limitada. Resulta menos convincente para clasificaciones, recomendaciones, puntuaciones de riesgo y conversaciones abiertas.

En esos sistemas, los desarrolladores definen el objetivo antes de medir el rendimiento. Cambiar el objetivo puede cambiar lo que significa “preciso”.

Un modelo de contratación entrenado para predecir selecciones anteriores podría reproducir con precisión patrones de contratación previos. Eso no establece que el patrón mida el desempeño laboral de forma justa.

Un modelo de moderación puede identificar con precisión categorías prohibidas solo después de que alguien las defina. La definición refleja decisiones legales, comerciales y comunitarias.

Por tanto, la FTC necesita más que ejemplos de salidas políticamente controvertidas. Necesita evidencia de que los consumidores recibieron promesas materiales y de que una conducta no divulgada contradijo esas promesas.

También debe distinguir la manipulación deliberada de la variación normal del modelo. De lo contrario, las empresas podrían enfrentarse a escrutinio cada vez que una respuesta pública se vuelva políticamente impopular.

La posición de EFF conlleva su propia incertidumbre. La retirada eliminaría esta propuesta, pero no respondería cómo deberían abordar los reguladores la orientación oculta.

Los casos existentes de engaño pueden abarcar una conducta de marketing claramente indebida. Pueden tener dificultades cuando un proveedor revela poco sobre sus objetivos internos y los consumidores no pueden inspeccionar el modelo.

Los mandatos de transparencia plantean otro desafío. Un exceso de divulgación técnica puede confundir a los usuarios, exponer controles de seguridad o ayudar a atacantes a eludir salvaguardas.

La alternativa más sólida se centraría en el comportamiento material en lugar de la terminología política. Exigiría evidencia clara sobre las afirmaciones, las decisiones de diseño, los usuarios afectados y el daño medible.

También podría exigir pruebas específicas para cada tarea en usos de alto riesgo. Los resultados deberían identificar limitaciones entre poblaciones relevantes y condiciones operativas.

La auditoría independiente puede ayudar, aunque las auditorías no son neutrales por defecto. Su calidad depende del acceso, la metodología, los benchmarks y los incentivos.

Los reguladores deben evitar tratar una única puntuación como prueba de equidad o precisión. Deben examinar las distribuciones de errores y las consecuencias de distintos fallos.

La conclusión escéptica opera en ambos sentidos. La FTC no ha justificado su propuesta expansiva, pero la autodivulgación de la industria por sí sola no protegerá a los consumidores.

Qué observar tras la impugnación de EFF

Tres señales mostrarán si esta disputa se convierte en una política más limitada de protección del consumidor o en una campaña federal más amplia contra las normas estatales sobre IA.

La primera señal es la respuesta de la FTC a los comentarios públicos. La agencia puede retirar la propuesta, revisar su lenguaje o adoptar una declaración final.

Una retirada validaría la demanda inmediata de EFF. También dejaría a la Comisión en libertad de perseguir casos convencionales de engaño relacionados con afirmaciones de IA sin respaldo.

Una revisión importa si elimina la terminología ideológica y las afirmaciones de preeminencia. Requisitos más claros sobre materialidad y perjuicio documentado para los consumidores reducirían el riesgo de aplicación.

Una declaración final similar a la propuesta reforzaría la expectativa de litigios. Las empresas, los estados o las partes afectadas podrían impugnar acciones de aplicación posteriores.

La segunda señal es cómo maneja la FTC un caso concreto. Una investigación revelaría si la agencia se dirige a publicidad engañosa o al fondo de una política de seguridad.

Un caso que implique una promesa documentada de neutralidad respaldaría la justificación de protección del consumidor. El gobierno seguiría necesitando evidencia de que la promesa influyó en los consumidores.

Un caso que ataque la mitigación de sesgos sin un engaño claro respaldaría la advertencia de EFF. Sugeriría que la propuesta opera como un control político sobre el diseño de modelos.

La tercera señal es el tratamiento que el gobierno federal dé a las leyes estatales sobre IA. Esté atento a demandas judiciales, presión sobre la financiación, orientación de las agencias y nuevos argumentos de preeminencia.

Colorado sigue siendo una prueba central porque la propuesta de la FTC define explícitamente su enfoque. Otros estados examinarán si pueden regular usos de gran impacto sin generar conflictos federales.

Los tribunales determinarán cuánto peso merece la teoría de la FTC. Sus decisiones influirán en si los estados pueden exigir evaluaciones de impacto, avisos y salvaguardas contra la discriminación.

Las empresas de IA también revelarán su interpretación mediante cambios en sus productos. Divulgaciones actualizadas, informes de evaluación o políticas de seguridad pueden indicar una creciente preocupación por la aplicación de la ley.

Eliminar salvaguardas sería una señal más preocupante. Mostraría que la incertidumbre jurídica está modificando el comportamiento de los modelos antes de que un tribunal revise la política.

Los clientes empresariales no deberían esperar a ese resultado. Pueden preguntar a los proveedores qué objetivos rigen las respuestas y cómo se prueban esos objetivos.

Deberían solicitar evidencia específica de cada versión, en lugar de afirmaciones universales. El comportamiento de los modelos cambia con las actualizaciones, las instrucciones del sistema, las fuentes de recuperación y los ajustes de despliegue.

Los usuarios también deberían tratar las respuestas de los chatbots como recomendaciones generadas, no como hechos garantizados. La verificación de fuentes sigue siendo necesaria para decisiones jurídicas, médicas, financieras y políticas.

El titular original de Google News recogía un acontecimiento real, pero no toda la confrontación. EFF cuestiona una teoría sobre quién controla el significado de la precisión de la IA.

La FTC tiene razón al afirmar que el comportamiento secreto de los productos puede engañar a los consumidores. No ha demostrado que las salvaguardas políticamente controvertidas pertenezcan a una categoría especial de conducta indebida federal.

El mejor criterio parte de una promesa concreta, una decisión de diseño identificable y pruebas de un daño material. Después pregunta si la empresa indujo a error a un usuario razonable.

Ese enfoque puede castigar el engaño sin fingir que la IA generativa tiene un estado natural y no regulado. Todo modelo desplegado refleja decisiones, restricciones y objetivos.

El próximo documento federal mostrará si la FTC acepta esa realidad técnica. Hasta entonces, los compradores deberían exigir pruebas y los desarrolladores deberían conservar el razonamiento detrás de cada control material.

¿Qué cambiaría su evaluación de un sistema de IA: una etiqueta de neutralidad, una evaluación detallada o un registro que muestre cómo funcionan sus salvaguardas en la práctica?