EE.UU. acusa a seis firmas chinas de IA de destilación industrial contra modelos frontera

By Carlos Montiel | Especialista en IA Empresarial
Read in English →
Publicado: 2026-09-10 | Por: Carlos Montiel | Lectura: ~5 minutos

La NSA, el FBI y CISA publicaron el 8 de septiembre la alerta conjunta AA26-251A, señalando a seis empresas chinas de IA —DeepSeek, Alibaba, Moonshot AI, MiniMax, StepFun y Z.AI— por ejecutar campañas de destilación "agresivas, maliciosas y dirigidas" contra modelos frontera estadounidenses desde finales de 2024.

Qué dice la alerta AA26-251A

La destilación de conocimiento es una técnica legítima de machine learning: se usa un modelo grande y capaz para generar datos sintéticos con los que entrenar uno más pequeño y barato. El problema, según las tres agencias, es la escala y la intención: las seis compañías señaladas habrían extraído "miles de millones de tokens a través de millones de intercambios" con modelos comerciales estadounidenses, y las agencias afirman que Beijing probablemente estaba al tanto durante todo el proceso.

El documento es contundente sobre el rol de esta práctica en la estrategia de las firmas señaladas: la destilación "forma el núcleo, no simplemente un complemento", de su desarrollo de modelos.

El caso DeepSeek y el costo real de entrenamiento

La alerta detalla que DeepSeek mantuvo una campaña organizada entre finales de 2024 y mediados de 2025 para generar datos de entrenamiento sintéticos a partir de modelos de la competencia, usados para entrenar sus modelos R1 y V3.

Modelos de los que DeepSeek habría destilado (según AA26-251A): - Claude 3.7, Claude Sonnet 4, Claude Sonnet 4.5, Claude Opus 4.1 - Gemini 2.5 Pro Preview, Gemini 2.5 Flash Preview - GPT-4, GPT-4o, GPT-4 Mini, GPT-4 Nano, GPT-5 - Grok 4

Las agencias sostienen que el foco estuvo en capacidades de razonamiento, optimizaciones especializadas y funciones específicas de dominio, precisamente para reducir el costo de cómputo e investigación. Por eso, afirman, la cifra de $5.6 millones que DeepSeek difundió públicamente como costo de entrenamiento es engañosa: no incluye el costo de los datos obtenidos mediante destilación no autorizada.

Qué pueden hacer las empresas que compran o usan estos modelos

Para una empresa que evalúa modelos abiertos chinos por su relación costo-rendimiento, esta alerta no cambia las matemáticas de precio, pero sí añade una capa de riesgo regulatorio y reputacional que antes era más difícil de cuantificar. Vale la pena incorporar la procedencia del modelo como criterio explícito de compra, junto con costo y benchmarks: quién lo entrenó, con qué datos y bajo qué supervisión.

Para equipos de compras y cumplimiento en Guatemala y Latinoamérica: si su empresa usa o evalúa modelos open-weight de estas seis compañías en cargas de trabajo sensibles, documente la evaluación de riesgo de procedencia igual que haría con cualquier proveedor de software con exposición geopolítica, y revise cláusulas contractuales sobre origen de datos de entrenamiento antes de firmar.
El otro lado de la moneda: si su empresa opera con cuentas de API de modelos frontera estadounidenses (OpenAI, Anthropic, Google), vale la pena revisar patrones de consumo de tokens inusualmente altos o sistemáticos en sus propias cuentas, ya que ese es precisamente el vector que las agencias describen como explotado a gran escala.
Carlos Montiel
Arquitecto de Soluciones IA Empresarial
Especialista en LLMs, Agentes y Orquestación
guatemalia.com/#contacto · info@guatemalia.com

¿Necesitas implementar IA en tu empresa?

Carlos Montiel es arquitecto de soluciones IA empresarial. Implementa LLMs, Agentes, RAG y orquestadores en empresas de Guatemala y Latinoamérica. Contáctalo para una consultoría.

Contactar a Carlos Montiel

info@guatemalia.com