Un modelo puede estar disponible en internet y, aun así, no estar realmente al alcance de cualquiera. Puede tener archivos descargables, una licencia permisiva y documentación pública, pero depender de memoria cara, aceleradores especializados, redes de alta velocidad, electricidad, nubes comerciales y decisiones estatales. También puede ocurrir lo contrario. El sistema sigue existiendo, pero queda de pronto fuera del alcance de parte del mundo porque una autoridad decide que no debe circular.

En este campo, los pesos son los grandes archivos numéricos en los que un modelo conserva los patrones aprendidos durante su entrenamiento. Ponerlos a disposición de otras personas permite ejecutar o adaptar el modelo sin depender necesariamente de una única API. Pero no entrega automáticamente los datos de entrenamiento, las decisiones de ajuste, la infraestructura ni el permiso para sostenerlo en el tiempo.

Más que comparar qué modelo razona mejor, conviene mirar quién puede usarlo, dónde, con qué infraestructura y bajo qué permiso. La inteligencia artificial no flota en una nube sin suelo. Se sostiene sobre centros de datos, protocolos, cables, energía, normas y personas que deciden qué puede cruzar cada frontera.

Una inteligencia con pasaporte

El 9 de junio de 2026, Anthropic lanzó Fable 5 y Mythos 5. Comparten un mismo modelo de base, pero no el mismo régimen de circulación. Fable 5 se orientó al uso general con salvaguardas reforzadas. Mythos 5, con menos restricciones, quedó limitado a un número reducido de entidades de Project Glasswing para tareas de ciberseguridad defensiva. Anthropic describió ese reparto inicial.

Tres días después, el Gobierno de Estados Unidos ordenó suspender el acceso de cualquier foreign national, dentro o fuera del país, incluidas las personas extranjeras que trabajaban en la propia Anthropic. La empresa afirmó que la carta recibida no precisaba la preocupación concreta de seguridad nacional. Como la orden entró en vigor de inmediato y Anthropic no disponía de una forma fiable de comprobar la nacionalidad en tiempo real, suspendió Fable 5 y Mythos 5 para toda su clientela, incluida la estadounidense. La declaración de Anthropic está fechada el 12 de junio de 2026.

El modelo no desapareció. Lo que se interrumpió fue su circulación. Una categoría administrativa pasó a decidir quién podía acceder a una capacidad técnica. La interfaz dejó de ser solamente una puerta de entrada a un servicio y funcionó como frontera.

El origen del episodio importa. La directiva llegó tras un informe de investigadoras e investigadores de Amazon sobre una técnica para sortear las salvaguardas de Fable 5 y localizar vulnerabilidades de software. Cuando Anthropic revisó el caso, sostuvo que modelos menos capaces, entre ellos Opus 4.8, GPT-5.5 y Kimi K2.7, podían identificar las mismas vulnerabilidades. Según la empresa, todas las herramientas evaluadas pudieron producir también la demostración de explotación vinculada al informe. Un hallazgo que, de acuerdo con Anthropic, podía reproducirse con modelos ya disponibles llevó a retirar dos modelos de alcance global durante dieciocho días. Anthropic detalló después esa evaluación.

La compañía acató la orden, pero cuestionó públicamente el procedimiento. Defendió que un gobierno pueda detener despliegues inseguros cuando exista un proceso transparente, justo, claro y fundado en hechos técnicos. La carta que activó el apagón no se publicó. Esa opacidad no es un vacío lateral. Forma parte del problema.

La reapertura por capas

El Gobierno de EEUU había aprobado el regreso parcial de Mythos 5 el 26 de junio. Cuatro días después, el 30 de junio, se levantaron los controles generales. Fable 5 regresó el 1 de julio a Claude Platform, Claude.ai, Claude Code y Claude Cowork para personas usuarias de todo el mundo. Pero no volvió de la misma forma a todos los lugares ni en las mismas condiciones.

Anthropic anunció que el acceso mediante AWS, Google Cloud y Microsoft Foundry se reactivaría tan pronto como fuera posible, sin fijar una fecha. Para planes Pro, Max, Team y parte de Enterprise, Fable 5 quedó incluido solo hasta el 50 % de los límites semanales hasta el 7 de julio. A partir de entonces, el acceso dependía de créditos adicionales. Mythos 5 volvió primero para un conjunto de organizaciones estadounidenses autorizadas, mientras Anthropic seguía negociando la ampliación a socios nacionales e internacionales de Glasswing. La empresa dejó constancia de esas condiciones.

La frontera no se abrió de golpe. Se abrió por productos, proveedores de nube, organizaciones autorizadas, límites de uso y capacidad de pago. Los accesos graduados no aparecen solo cuando un modelo tiene pesos abiertos. Ya existen dentro de los modelos propietarios y de sus mecanismos de reapertura.

También cambió la arquitectura de seguridad. Anthropic entrenó un clasificador para bloquear la conducta descrita en el informe de Amazon. Cuando interviene, la solicitud se redirige a Opus 4.8 y la persona usuaria recibe un aviso. La empresa afirma que el nuevo clasificador bloquea la técnica concreta en más del 99 % de los casos, aunque reconoce que ese margen de seguridad puede aumentar los falsos positivos en tareas legítimas de programación y depuración. La explicación técnica y sus límites están en el comunicado de redespliegue.

Junto con Amazon, Microsoft, Google y otras entidades de Glasswing, Anthropic empezó además a diseñar un marco común para valorar la gravedad de los jailbreaks. Propone medir ganancia de capacidad, amplitud, facilidad de armamentización y facilidad de descubrimiento. Clasificar un riesgo no es una operación neutra. Define qué hallazgos merecen una respuesta urgente, qué modelos se mantienen disponibles y quién participa en esa decisión.

Los pesos no son toda la infraestructura

En paralelo, Z.ai presenta GLM-5.2 como una escena de apertura. Su ficha en Hugging Face distribuye los pesos con licencia MIT y emplea una fórmula expresiva, “sin límites regionales, acceso técnico sin fronteras”. El repositorio asociado de GLM-5 utiliza, en cambio, Apache-2.0 para el código. La ficha del modelo y el repositorio permiten comprobar esa diferencia.

La apertura no es una propiedad única. Pesos, código, datos de entrenamiento, evaluaciones, herramientas de ajuste, capacidad de despliegue y condiciones de acceso son capas distintas. Que una de ellas sea pública no implica que todas lo sean. Poder descargar un modelo modifica de forma real la relación con quien lo produce. Permite conservar una copia, probar otros entornos de inferencia y reducir la dependencia de una API única.

GLM-5.2 documenta despliegues con Transformers, vLLM, SGLang, KTransformers y otros marcos. También se presenta con un contexto de un millón de tokens y con mejoras de eficiencia para tareas largas. Su repositorio técnico explica la arquitectura y esos entornos de despliegue. Pero descargar no equivale a ejecutar con autonomía. Un modelo de esta escala necesita memoria, aceleradores, almacenamiento, energía, mantenimiento y, en muchas configuraciones, una red capaz de repartir el trabajo entre varias máquinas.

Por eso conviene distinguir apertura jurídica de acceso material. Una licencia puede autorizar la descarga sin garantizar que una comunidad pueda sostener el modelo en su propio territorio, con sus propios recursos y bajo reglas discutibles públicamente. Los archivos del modelo no son una mercancía autosuficiente. Están incrustados en una infraestructura física y administrativa.

Mistral y la soberanía como infraestructura

El caso de Mistral añade un contrapunto europeo importante. La empresa francesa no se limita a ofrecer modelos o una API. Combina modelos abiertos con una infraestructura propia de cómputo, concebida para entrenar, ajustar y ejecutar sistemas de IA a gran escala.

Mistral Small 4 se publicó bajo licencia Apache-2.0 y puede descargarse, ajustarse y desplegarse en distintos entornos. Sin embargo, incluso para desplegarlo, este modelo llamado “Small” exige según su documentación oficial un mínimo de cuatro sistemas NVIDIA HGX H100, dos HGX H200 o un DGX B200. La página presenta esa cifra como infraestructura mínima de despliegue, no como un cálculo para entrenar el modelo desde cero. La diferencia importa. Un sistema más accesible que GLM-5.2 no se convierte por ello en una herramienta doméstica ni en una infraestructura comunitaria de bajo coste. Mistral publica esos requisitos y la licencia.

La respuesta de Mistral no es negar esa dependencia, sino convertirla en producto. Mistral Compute ofrece grupos dedicados de GPU y herramientas que reparten tareas entre máquinas, crean colas de trabajo y deciden prioridades de ejecución. La empresa aspira a disponer de 200 MW de capacidad “soberana” de frontera en la Unión Europea para 2027 y prevé utilizar aceleradores NVIDIA GB200, GB300 y B300. Su plataforma describe esa infraestructura.

La soberanía aparece así como una arquitectura de dependencias negociadas, no como una salida completa de las cadenas tecnológicas estadounidenses. Puede ampliar el margen de decisión sobre localización, colas de cómputo, control de datos y continuidad operativa, pero conserva dependencias respecto de chips, capital y cadenas de suministro que no controla por completo.

El acuerdo marco con el Ministerio de las Fuerzas Armadas francés hace visible otra tensión. Mistral afirmó que sus soluciones se desplegarían sobre infraestructura nacional francesa para mantener el control de datos y tecnologías sensibles. El control territorial puede proteger información pública o estratégica, pero también obliga a preguntar qué instituciones fijan las prioridades, qué usos reciben más capacidad y cómo participan la investigación pública y la sociedad civil en esas decisiones. Reuters informó del acuerdo en enero de 2026.

Una infraestructura situada

Una antropología universal, atenta a cómo las relaciones globales se viven de manera situada, no debería reducir este panorama a una rivalidad entre Estados Unidos, China y Europa, ni hablar de “quienes quedan fuera” como si fueran una abstracción. La infraestructura se experimenta desde instituciones, lenguas, fuentes de energía, presupuestos y memorias históricas concretas.

LatamGPT ofrece una escena distinta. El proyecto, coordinado por el Centro Nacional de Inteligencia Artificial de Chile, reúne cerca de doscientas personas y más de sesenta y cinco instituciones de quince países. Su primera versión, basada en Llama 3.1 de 70.000 millones de parámetros, se publica como código, datos y archivos entrenados para que equipos técnicos puedan adaptarla a usos específicos. No está disponible todavía como chatbot de uso masivo desde ordenadores o teléfonos convencionales. La documentación del proyecto describe su estado actual y sus recursos publicados.

Su objetivo es construir capacidad regional y mejorar la representación de contextos latinoamericanos y caribeños que los modelos globales suelen tratar de forma periférica. Pero su propia documentación vuelve visible la ambivalencia material. AWS figura entre sus entidades colaboradoras estratégicas y el proyecto explica que optimizar su infraestructura en AWS redujo el tiempo de entrenamiento de 25 a 9 días. Un modelo puede hablar desde una región y, al mismo tiempo, respirar infraestructura de un proveedor global. LatamGPT explica ese proceso en sus preguntas frecuentes.

No es una contradicción que invalide la iniciativa. Es una lección. Incorporar datos, lenguas e instituciones de una región puede abrir un espacio de decisión que los modelos globales suelen ignorar. Pero esa apertura no elimina por sí sola la dependencia de nubes, financiación, energía y capacidad de cómputo. La soberanía se construye en grados, no se obtiene con un simple archivo descargable.

Los agentes también dependen de memoria

La cuestión se vuelve todavía más material cuando los modelos dejan de responder una sola pregunta y pasan a trabajar como agentes durante decenas o cientos de turnos. En esos casos no basta con tener los pesos y una GPU. El sistema debe recuperar contexto, mover datos entre almacenamiento y memoria activa, distribuir prioridades entre máquinas y conservar una historia de lo que ha hecho.

El preprint DualPath, firmado por Yongtong Wu y doce coautores, describe ese problema. En tareas agentivas de múltiples turnos, la inferencia puede quedar limitada menos por el cálculo que por la lectura y el traslado de la KV cache, una memoria operativa que guarda el contexto ya procesado y evita que el modelo tenga que releerlo desde cero en cada turno.

Su propuesta abre dos rutas de carga. Además de llevar esa memoria desde el almacenamiento a las máquinas que reconstruyen el contexto antes de generar una respuesta, permite cargarla primero en las máquinas que producen cada nuevo fragmento de texto y transferirla después mediante RDMA. RDMA es un método de red que mueve datos directamente entre la memoria de unas máquinas y otras, reduciendo pasos intermedios. El resultado es una distribución más equilibrada del tráfico.

Los resultados deben leerse dentro de su escala. El artículo informa de mejoras de hasta 1,87 veces en rendimiento offline y de una media de 1,96 veces en capacidad de servicio online, sin incumplir los objetivos de nivel de servicio, en su propio sistema y con las cargas agentivas evaluadas. No demuestra que cualquier agente vaya a duplicar su velocidad ni que el sistema esté listo para cualquier infraestructura.

Aun así, permite ver algo que los relatos sobre modelos suelen ocultar. La autonomía de un agente no está contenida en un archivo de pesos. Se apoya en una infraestructura que le permite recordar. Esa infraestructura administra cuánto contexto puede circular, qué tráfico recibe prioridad y quién puede sostener una conversación larga sin que el sistema se detenga.

Cierre

La oposición entre modelo cerrado y modelo abierto sigue siendo importante, pero resulta insuficiente. Entre ambas posiciones hay una ecología de accesos.

Un modelo propietario puede ser global y quedar de pronto condicionado por una carta dirigida a Anthropic cuyo texto la empresa no publicó. Un modelo de pesos abiertos puede escapar de una API única y seguir dependiendo de una concentración extrema de cómputo. Una empresa europea puede ofrecer modelos abiertos y, al mismo tiempo, vender capacidad de GPU y acuerdos de despliegue soberano. Un proyecto regional puede ampliar la representación cultural y necesitar recursos de AWS para entrenar. Y una mejora de inferencia puede hacer más eficiente a un agente mientras revela que su memoria depende de redes, almacenamiento y energía.

Lo decisivo no es únicamente quién posee el modelo. Importa quién puede hacerlo vivir, mantenerlo, discutir sus reglas y reparar sus daños.

No basta con liberar los pesos. También hay que preguntar por la memoria, la red, la energía, el hardware, los permisos y las fronteras que permiten —o impiden— que un modelo siga disponible.

Fuentes

Fuentes sobre circulación, infraestructura y memoria

Contexto regional y político