El plan de destilación de IA de Garry Tan desafía el control de los laboratorios de frontera

Garry Tan ha propuesto un cambio drástico en la forma en que Estados Unidos aborda la destilación de IA, pese a que los laboratorios de frontera intentan restringir esta práctica. El CEO de Y Combinator quiere que desarrolladores estadounidenses más pequeños de modelos de pesos abiertos aprendan de los principales modelos del país y lancen más alternativas nacionales. Su postura cuestiona la idea de que las empresas de frontera deban controlar cómo los clientes reutilizan los resultados de los modelos.

La propuesta de destilación de IA de Garry Tan surgió en medio de una escalada en la disputa sobre los desarrolladores chinos de IA. Anthropic afirma que DeepSeek, Moonshot AI y MiniMax llevaron a cabo campañas coordinadas para extraer capacidades de Claude. La respuesta de Tan no es prohibir la técnica de entrenamiento. Quiere que los desarrolladores estadounidenses la utilicen dentro de un sistema nacional.

Esto invierte el habitual argumento de seguridad nacional. OpenAI y Anthropic han presentado la destilación no autorizada como un atajo que transfiere capacidades estadounidenses a competidores extranjeros. Tan sostiene que las restricciones podrían dejar a los usuarios estadounidenses dependientes de servicios cerrados de EE. UU. o de modelos chinos de pesos abiertos. Por tanto, la disputa va más allá de la copia. Se trata de quién puede convertir la inteligencia de frontera en un producto independiente.

La destilación de IA de Garry Tan crearía una alternativa nacional

Tan quiere que Estados Unidos responda a la competencia extranjera de pesos abiertos produciendo más modelos estadounidenses de pesos abiertos, no solo bloqueando a desarrolladores extranjeros.

La destilación de modelos entrena un sistema utilizando respuestas generadas por otro sistema más capaz. El sistema mayor actúa como profesor, mientras que un modelo estudiante más pequeño aprende de sus resultados. Los desarrolladores pueden utilizar esas respuestas como ejemplos de entrenamiento, material de evaluación o retroalimentación para el aprendizaje por refuerzo.

La destilación en sí no es inusual ni automáticamente abusiva. Las empresas de IA utilizan habitualmente sus propios modelos grandes para entrenar productos más pequeños. El conflicto comienza cuando una empresa consulta sistemáticamente el servicio de otra sin permiso y luego usa las respuestas para desarrollar un modelo competidor.

Tan ha trazado una línea entre la técnica y el acceso engañoso. No está pidiendo a las startups estadounidenses que roben credenciales, oculten redes coordinadas de cuentas o eludan protecciones técnicas. Cuestiona si los proveedores de frontera deberían poder prohibir el entrenamiento competitivo mediante sus contratos de servicio.

En comentarios publicados el 11 de septiembre de 2026, Tan defendió lo que denominó un “régimen estadounidense de destilación”. Los laboratorios estadounidenses más pequeños obtendrían acceso legítimo a sistemas de frontera estadounidenses y usarían sus resultados para entrenar alternativas de pesos abiertos. Pesos abiertos significa que los parámetros entrenados están disponibles para que otros los descarguen y ejecuten, incluso cuando el conjunto de datos completo sigue siendo privado.

El argumento de Tan combina la política de competencia con una afirmación sobre la propiedad del conocimiento. Los modelos de frontera aprendieron de libros, software, sitios web públicos, debates y otros trabajos humanos. Por ello, considera contradictorio que sus desarrolladores reclamen una amplia libertad para aprender de material público, pero limiten estrictamente el aprendizaje posterior a partir de los resultados de los modelos.

“Controlar lo que usuarios y clientes hacen con las llamadas a la API de modelos de pesos cerrados resulta restrictivo”, dijo Tan a TechCrunch. Describió el acceso a inteligencia entrenada con datos públicos como algo más cercano a un bien público que a algo bloqueado tras condiciones restrictivas.

Su postura no niega que la investigación de frontera requiera capital. Tan afirmó que las empresas que impulsan las capacidades de los modelos necesitan negocios sostenibles. También sostuvo que los sistemas de pesos abiertos deberían preservar la libertad y el acceso de los usuarios.

Ese equilibrio es fundamental para su propuesta. Un marco nacional de destilación tendría que recompensar al proveedor del modelo profesor y, al mismo tiempo, otorgar a los desarrolladores más pequeños derechos significativos de reutilización. Sin esos derechos, el acceso podría convertirse en un programa de licencias convencional que proteja a los actores establecidos sin generar competidores independientes.

Tan no ha ofrecido una estructura legal detallada, un protocolo técnico ni una fórmula de compensación. En cambio, ha cuestionado el supuesto detrás de las restricciones actuales. Su propuesta plantea si el entrenamiento competitivo de modelos debería considerarse extracción prohibida o una forma normal de difundir las capacidades de IA.

Esta distinción importa porque un programa de destilación aprobado sería muy distinto de un ataque. Podría utilizar participantes identificados, acceso negociado, conjuntos de datos documentados, requisitos de seguridad y obligaciones de evaluación. Esas condiciones preservarían la rendición de cuentas mientras ponen a prueba si los desarrolladores nacionales de pesos abiertos pueden reducir la brecha de capacidades.

Por tanto, el cambio inmediato es político más que técnico. Un destacado inversor de startups ha alentado abiertamente a los laboratorios estadounidenses a adoptar una práctica que los principales proveedores de modelos están tratando de restringir. Su intervención ofrece a los defensores de los pesos abiertos una respuesta directa a la afirmación de que los controles de destilación son necesarios para el liderazgo de EE. UU.

Por qué los laboratorios estadounidenses de pesos abiertos están bajo presión

Los desarrolladores estadounidenses de pesos abiertos enfrentan una presión estratégica creciente entre las API nacionales cerradas y los modelos capaces lanzados por empresas chinas.

Una startup que se basa en un modelo cerrado obtiene acceso conveniente, pero no controla los pesos subyacentes. El proveedor puede revisar el comportamiento del modelo, cambiar las políticas de acceso, introducir nuevas restricciones o discontinuar una versión. La startup debe aceptar esas dependencias mientras compite en mercados donde el comportamiento del modelo influye directamente en su producto.

Los modelos de pesos abiertos proporcionan una estructura operativa diferente. Los desarrolladores pueden implementarlos en infraestructura privada, ajustarlos para tareas específicas y evaluar versiones concretas antes de una actualización. También pueden examinar cómo los cambios afectan a un producto sin esperar a un proveedor externo de API.

Estos beneficios importan a las empresas que manejan documentos sensibles, flujos de trabajo regulados o software propietario. Un equipo puede mantener su entorno de inferencia más cerca de sus datos y conservar una versión de modelo elegida. Aun así necesita seguridad, evaluación y gobernanza sólidas, pero obtiene control sobre la implementación.

El problema es que entrenar un modelo de frontera desde el principio exige amplios recursos informáticos, investigadores especializados y grandes conjuntos de datos. Los laboratorios estadounidenses más pequeños no pueden simplemente reproducir todas las inversiones realizadas por OpenAI, Anthropic, Google o Meta. La destilación ofrece una ruta más corta hacia capacidades seleccionadas sin recrear todo el proceso de entrenamiento del profesor.

Los desarrolladores chinos de pesos abiertos han intensificado la presión. DeepSeek, Moonshot, Alibaba y otros laboratorios han lanzado modelos que los desarrolladores pueden descargar, adaptar o utilizar mediante servicios económicos. Independientemente de los métodos que produjeron cada modelo, su disponibilidad ofrece a los creadores estadounidenses alternativas que el mercado nacional no ha proporcionado de manera constante.

Esto crea una contradicción política. Los funcionarios estadounidenses quieren limitar la dependencia de la tecnología china, pero los controles estrictos sobre la destilación nacional pueden reducir el número de alternativas estadounidenses. Bloquear una vía de transferencia de capacidades no proporciona automáticamente a los laboratorios estadounidenses más pequeños los recursos para entrenar sistemas competitivos de forma independiente.

La propuesta de Tan apunta a esa brecha. Si las startups estadounidenses pueden aprender de modelos nacionales de frontera mediante un proceso aprobado, pueden producir modelos gobernados por entidades estadounidenses y utilizados dentro de infraestructura estadounidense. El resultado no garantizaría paridad técnica, pero podría ampliar la base de proveedores disponibles.

La presión también alcanza a los compradores empresariales. Las organizaciones rara vez quieren que todo su flujo de trabajo de IA dependa de un único proveedor. Los equipos de compras consideran la disponibilidad, el manejo de datos, la estabilidad del modelo, la latencia, los costes de migración y la capacidad de operar durante interrupciones del servicio.

Un mercado diverso de pesos abiertos ofrece a esos compradores otra opción. Pueden utilizar una API de frontera para tareas exigentes mientras asignan tareas repetibles a modelos controlados localmente. La destilación puede ayudar a entrenar esos sistemas más pequeños en torno a capacidades concretas, aunque el rendimiento debe medirse en la carga de trabajo real del comprador.

Esto es especialmente relevante cuando las empresas crean sistemas de conocimiento duraderos. Una base de conocimientos consultable puede sobrevivir a cualquier contrato individual de modelo. Mantener la arquitectura de la información separada de un proveedor facilita la gestión de futuros cambios de modelo.

Los desarrolladores también deben distinguir la propiedad del modelo de la calidad de la aplicación. Los pesos abiertos no proporcionan automáticamente respuestas fiables, buena recuperación de información ni una implementación segura. Solo otorgan a los creadores un control más directo sobre el artefacto del modelo. El producto circundante sigue determinando si ese control genera valor práctico.

Por tanto, el punto más sólido de Tan no es que cada startup necesite un modelo de pesos abiertos. Es que los desarrolladores estadounidenses necesitan una opción creíble fuera de unos pocos proveedores cerrados. Sin ella, Estados Unidos podría liderar la investigación de frontera y, al mismo tiempo, ofrecer una elección nacional limitada a las empresas que requieren control del modelo.

Los laboratorios de frontera ven la destilación como una amenaza de extracción

OpenAI y Anthropic consideran la destilación competitiva como un problema económico y de seguridad porque puede transferir capacidades valiosas sin transferir los costes de desarrollo ni las salvaguardas.

Anthropic trazó el límite más claro en febrero de 2026. La empresa afirmó haber identificado campañas coordinadas de DeepSeek, Moonshot y MiniMax que generaron más de 16 millones de intercambios con Claude a través de aproximadamente 24.000 cuentas fraudulentas.

Según los hallazgos de Anthropic sobre destilación, las campañas utilizaron servicios proxy y cuentas coordinadas para evitar la detección. Los prompts se concentraron en áreas como programación, uso de herramientas, razonamiento agéntico y evaluación de modelos. Anthropic atribuyó las campañas utilizando datos de red, metadatos de solicitudes, patrones de infraestructura e información de socios del sector.

Estas cifras siguen siendo hallazgos de Anthropic, no una auditoría pública independiente. Los conjuntos de datos exactos de entrenamiento de las empresas mencionadas no están disponibles para que terceros los examinen por completo. Sin embargo, el comportamiento de las cuentas descrito por Anthropic va más allá de la experimentación ordinaria de clientes.

Anthropic también establece una distinción importante que a veces desaparece del debate político. Considera la destilación un método de entrenamiento legítimo y ampliamente utilizado. Su objeción se refiere a competidores que adquieren capacidades mediante acceso engañoso, fraude de cuentas, evasión de restricciones regionales u otras conductas prohibidas.

La empresa afirma que una red proxy operaba más de 20.000 cuentas fraudulentas al mismo tiempo. Estos sistemas pueden distribuir solicitudes entre múltiples servicios y reemplazar cuentas después de que los proveedores las bloqueen. Esto hace que la atribución y la aplicación de medidas sean más difíciles que detectar a un cliente que realiza un número inusualmente elevado de llamadas.

La posición contractual de OpenAI es igualmente restrictiva. Su actual acuerdo de servicios generalmente impide a los clientes utilizar resultados para desarrollar modelos de IA competidores, salvo en usos permitidos definidos. También prohíbe los ataques de extracción de modelos y los intentos de eludir las protecciones de acceso.

Estos contratos otorgan a los proveedores de frontera una herramienta directa para hacer cumplir sus condiciones frente a los clientes. Una empresa puede suspender cuentas o revocar el acceso a la API sin demostrar primero en los tribunales una infracción de derechos de autor. Esto importa porque el estatus jurídico más amplio del aprendizaje a partir de resultados de modelos sigue sin resolverse.

La preocupación económica es sencilla. Los laboratorios de frontera invierten en investigación, infraestructura informática, preparación de datos, pruebas de seguridad y operaciones de producto. Si un competidor puede consultar el servicio terminado y transferir su comportamiento más valioso a otro modelo, evita gran parte de ese gasto inicial.

El argumento de seguridad va más allá de las pérdidas comerciales. Anthropic afirma que un modelo destilado podría reproducir capacidades sin conservar las salvaguardas del modelo maestro. Si luego se liberan sus pesos, el proveedor original no puede retirar el modelo, supervisar a sus usuarios ni corregir cada copia distribuida.

En su posterior postura sobre modelos de pesos abiertos, Anthropic sostuvo que la destilación puede acercar las capacidades chinas de frontera a los sistemas estadounidenses en cuestión de meses. Pidió actuar contra la extracción a escala industrial, al tiempo que rechazaba una prohibición general de los modelos de pesos abiertos.

Esta distinción sitúa a Anthropic más cerca de Tan de lo que su retórica sugiere en un aspecto. Ambos aceptan un papel para la IA de pesos abiertos. Ambos también reconocen usos legítimos de la destilación. Su desacuerdo se refiere a quién debe autorizar el entrenamiento entre empresas y cuánto control debe conservar el proveedor original.

Tan parte del riesgo de un poder privado concentrado. Anthropic parte de los riesgos del robo de capacidades y de una distribución irreversible. Por ello, cada parte considera a un actor distinto como la principal amenaza.

Para Tan, unas restricciones excesivas protegen a los actores establecidos y reducen la competencia estadounidense en pesos abiertos. Para los proveedores de frontera, un acceso laxo permite a los rivales apropiarse de capacidades costosas y eliminar controles de seguridad. Un régimen nacional viable tendría que abordar ambas preocupaciones, en lugar de declarar imaginaria a cualquiera de ellas.

El Argumento del Bien Público Choca con los Contratos y la Seguridad

La pregunta más difícil no es si la destilación funciona, sino si Estados Unidos puede autorizarla sin normalizar la extracción engañosa ni debilitar los incentivos para financiar la investigación de frontera.

El argumento de Tan sobre el bien público tiene fuerza intuitiva porque la IA de frontera no surgió de conocimientos corporativos aislados. Los desarrolladores de modelos entrenaron sistemas con enormes colecciones de expresión humana. Autores, programadores, investigadores, educadores y comunidades en línea crearon gran parte del material que hizo útiles a los modelos lingüísticos modernos.

Esa historia complica las afirmaciones de que la información generada por modelos merece un control absoluto sobre los usos posteriores. Editores y creadores ya han impugnado a las empresas de IA por entrenar sin consentimiento. Tan aplica un argumento de equidad similar a las empresas que ahora buscan protección contractual frente a otros modelos que aprenden a través de sus servicios.

Sin embargo, la simetría moral no resuelve la cuestión jurídica. La información accesible públicamente no queda automáticamente libre de restricciones de derechos de autor, contractuales, de privacidad o de bases de datos. Del mismo modo, recibir una respuesta de una API no concede necesariamente permiso para recopilar millones de respuestas con fines de entrenamiento competitivo.

Un sistema nacional de destilación tendría que definir el acceso legítimo. Esa definición no puede depender solo de que la empresa participante sea estadounidense. El robo de credenciales, las identidades falsas, la creación masiva de cuentas y la evasión deliberada siguen siendo engañosos independientemente de la nacionalidad del desarrollador.

También tendría que distinguir el uso rutinario de productos de la extracción sistemática. Ese límite es técnicamente difícil. Una empresa que evalúa miles de prompts por seguridad puede parecerse a una empresa que crea datos de entrenamiento, especialmente cuando ambas prueban capacidades específicas a gran escala.

El investigador de Brookings Kyle Chan describió ese reto de detección como buscar agujas en un gran pajar. La respuesta federal ha incluido procesos propuestos para identificar a actores extranjeros que extraen características clave de modelos estadounidenses cerrados. Sin embargo, identificar tráfico sospechoso es más fácil que demostrar exactamente cómo se entrenó otro modelo.

La misma incertidumbre afectaría a los participantes nacionales aprobados. Un laboratorio de frontera podría ofrecer acceso limitado para la destilación mientras retiene sus capacidades más sólidas de razonamiento, programación o biología. Los desarrolladores más pequeños podrían recibir permiso formal, pero información insuficiente para crear modelos competitivos.

El precio y la capacidad podrían convertirse en otra barrera, incluso sin publicar condiciones comerciales específicas. Los proveedores de frontera controlan sus propios límites de API e infraestructura. Si el entrenamiento aprobado requiere enormes volúmenes de consultas, las condiciones de acceso aún podrían favorecer a las empresas bien financiadas.

Las pruebas de seguridad plantean una disyuntiva independiente. Los desarrolladores de pesos abiertos pueden inspeccionar, ajustar y desplegar un modelo liberado sin permiso de su creador. Eso respalda la investigación y el control local, pero también implica que el desarrollador original no puede revocar el sistema de manera fiable tras descubrir una vulnerabilidad grave.

Un marco nacional podría exigir evaluaciones antes de la liberación. También podría crear reglas graduales según la capacidad, en vez de tratar todos los modelos por igual. Un pequeño modelo especializado no debería afrontar los mismos requisitos que un sistema con capacidades avanzadas en ciberseguridad o biología.

Sin embargo, las pruebas no eliminan el problema de la distribución. Los benchmarks pueden pasar por alto nuevas capacidades, y los usuarios pueden ajustar los pesos tras su liberación. Una vez que las copias circulan, las restricciones posteriores tienen un alcance limitado.

La propuesta también corre el riesgo de debilitar los incentivos a la inversión. La investigación de frontera sigue siendo costosa, incluso cuando los costes exactos no son públicos. Si cada capacidad exitosa debe convertirse inmediatamente en material de entrenamiento para competidores, las empresas privadas podrían reducir el acceso externo o retrasar los lanzamientos.

Tan no sostiene que los laboratorios de frontera deban desaparecer. Quiere que sigan financiados mientras los desarrolladores de pesos abiertos reciben una libertad significativa. El mecanismo que falta es cómo repartir los retornos entre el maestro y el alumno sin permitir que el maestro vete la competencia real.

Las licencias son una posible vía, pero los detalles determinarían su valor. Una licencia podría autorizar usos de entrenamiento específicos, exigir atribución, prohibir el acceso engañoso y establecer obligaciones de seguridad. También podría convertirse en una barrera costosa que solo las empresas ya establecidas puedan superar.

Un programa de investigación supervisado ofrece otro modelo. Los participantes podrían acceder a resultados de frontera en entornos controlados, documentar sus métodos de entrenamiento y publicar resultados de evaluación antes de liberar pesos. Tal programa aportaría evidencia sobre si la destilación nacional produce alternativas útiles y más seguras.

Ninguno de los dos enfoques resuelve la disputa más amplia sobre la propiedad. Los laboratorios de frontera pueden argumentar que el comportamiento del modelo refleja investigación propietaria, incluso cuando el material de entrenamiento provenía de fuentes públicas. Los defensores de la apertura pueden responder que las capacidades conductuales no deberían convertirse en propiedad privada permanente simplemente porque una empresa concentró el conocimiento subyacente.

Este conflicto se parece a disputas anteriores sobre compatibilidad de software y control de plataformas, pero los modelos de IA introducen una mayor incertidumbre. Un sistema alumno no copia una interfaz simple. Absorbe comportamiento estadístico que puede incluir conocimiento general, razonamiento especializado, errores y patrones de seguridad.

La conclusión escéptica es inevitable. Tan ha identificado un problema competitivo genuino, pero aún no ha demostrado que un régimen estadounidense de destilación pueda ofrecer modelos abiertos sólidos de forma legal y segura. Hasta que un desarrollador pruebe la idea mediante un programa transparente, seguirá siendo una tesis de política pública y no un modelo operativo.

Tres Señales Mostrarán si el Plan de Tan Puede Funcionar

La siguiente etapa depende de compromisos concretos de desarrolladores estadounidenses, laboratorios de frontera y responsables políticos, no de otra ronda de argumentos sobre la apertura.

La primera señal es si un desarrollador estadounidense creíble de pesos abiertos adopta públicamente la destilación entre empresas. El anuncio tendría que identificar los modelos maestros, la base de autorización, las capacidades previstas y las condiciones de liberación. Usar datos sintéticos discretamente no pondría a prueba la propuesta de Tan porque la cuestión central se refiere al acceso competitivo legítimo.

Un proyecto transparente también necesitaría evaluaciones comparativas. Los desarrolladores deberían probar el alumno frente a su modelo base, el maestro y otros sistemas de pesos abiertos. Esos resultados deberían cubrir cargas de trabajo reales en lugar de una pequeña colección de benchmarks llamativos.

Si un modelo de este tipo funciona bien con permiso documentado, el argumento de Tan gana fuerza. Demostraría que la destilación nacional puede ampliar las opciones de modelos sin depender de cuentas ocultas ni credenciales robadas. Si ningún laboratorio serio intenta el proceso, la propuesta parecerá desconectada de las realidades comerciales y jurídicas.

La segunda señal es si un proveedor de frontera crea una licencia o asociación explícita para la destilación. El acceso general a la API no basta porque los contratos actuales suelen restringir el desarrollo de modelos competidores. Un programa significativo debe permitir que un participante independiente entrene y libere algo que pueda competir.

Las salvaguardas del proveedor serán importantes. La verificación de identidad, la supervisión del tráfico, los límites de capacidad y las evaluaciones previas a la liberación podrían separar el entrenamiento legítimo de las operaciones descritas por Anthropic. Reglas claras también ayudarían a los desarrolladores a entender qué conductas activan medidas de cumplimiento.

Esta señal debilitaría el caso de Tan si el programa existe solo sobre el papel. Permisos limitados, resultados restringidos o condiciones que impidan un despliegue práctico preservarían la estructura actual del mercado. Un marco exitoso debe ofrecer al desarrollador alumno independencia real.

La tercera señal es cómo definen los responsables políticos estadounidenses la extracción de modelos. El Congreso y las agencias federales están examinando el acceso extranjero a sistemas estadounidenses de IA, mientras las empresas de frontera comparten más información sobre amenazas. Un lenguaje amplio podría abarcar la investigación legítima y la competencia nacional junto con los ataques engañosos.

Una política específica se centraría en el fraude, las redes de cuentas no autorizadas, la elusión, las credenciales robadas y la extracción de capacidades sensibles. Podría preservar espacio para la destilación con licencia y el desarrollo independiente de pesos abiertos. Ese resultado reforzaría la afirmación central de Tan de que la seguridad nacional y la apertura nacional no tienen por qué entrar en conflicto.

Una prohibición más amplia movería la política en la dirección opuesta. Si el entrenamiento competitivo a partir de resultados de modelos se considera inherentemente ilícito, los laboratorios estadounidenses de pesos abiertos tendrán menos vías para reducir la brecha. Los desarrolladores dependerían entonces del entrenamiento independiente, la colaboración con proveedores dispuestos o modelos abiertos extranjeros.

Los lectores deberían observar estas señales en ese orden. Primero, buscar un desarrollador dispuesto a construir de forma transparente. Segundo, examinar si un laboratorio de frontera concede derechos útiles. Tercero, analizar si la política distingue la extracción engañosa del aprendizaje autorizado.

El debate sobre la destilación de IA de Garry Tan no se resolverá decidiendo si la apertura siempre es buena o siempre peligrosa. La prueba práctica es si los laboratorios estadounidenses pueden producir modelos utilizables de forma independiente mientras respetan las reglas de acceso y verifican riesgos graves.

Durante los próximos meses, plantee tres preguntas cada vez que aparezca un modelo nacional de pesos abiertos: ¿quién proporcionó sus resultados de entrenamiento, qué permiso reguló ese acceso y qué evaluaciones respaldan sus afirmaciones de seguridad? Respuestas claras convertirían la propuesta de Tan en una estrategia competitiva viable. La ausencia de respuestas dejaría a Estados Unidos ante la misma elección entre APIs nacionales concentradas y sistemas extranjeros de pesos abiertos.