Hassabis pide un mes de aviso

¿Cuánto tiempo pide la revisión previa y cuánto tuvo la última evaluación real?

La propuesta de Demis Hassabis, difundida en julio de 2026, pide que los laboratorios envíen sus modelos fronterizos para revisión previa hasta 30 días antes del lanzamiento. A Apollo Research se le dieron sólo tres días para evaluar el modelo GPT-6 Astra antes de su lanzamiento, lo que dificultó conclusiones firmes sobre su alineación, según TechCrunch en septiembre de 2026. El plazo propuesto y el plazo concedido no están en la misma escala.

La distancia entre ambos plazos no es un detalle de calendario. Una revisión de 30 días permite armar pruebas nuevas contra un modelo que nadie vio antes; un plazo de tres días alcanza para correr lo que ya estaba escrito y poco más. Apollo Research lo dijo con todas las letras ante TechCrunch en septiembre de 2026: con ese margen no se sostienen conclusiones firmes sobre alineación. El informe igual sale, y sale a tiempo para el lanzamiento, que es exactamente el problema.

El contraste tiene una consecuencia concreta para quien elige modelos. Cuando una versión nueva se anuncia, la evaluación independiente que la acompaña puede haber corrido en un plazo que fijó el laboratorio, no el evaluador. Saber cuánto tiempo tuvo quien revisó es tan informativo como el resultado de la revisión, y hasta septiembre de 2026 ese dato casi nunca viene en el anuncio: hubo que reconstruirlo desde la prensa especializada.

¿Qué pasa cuando el evaluado es el que fija el reloj?

La autorregulación ya dejó un antecedente medido. SLCG Economic Consulting encontró que FINRA no aplicó la etiqueta de restringido a ninguna correduría en su primer año con esa facultad, pese a identificar al menos 13 que debían recibirla, según Fortune en julio de 2026. Una facultad que existe y no se ejerce no cambia el comportamiento de nadie, y el organismo que Hassabis propone para la IA está modelado justamente sobre FINRA.

El dato de FINRA importa porque describe un patrón, no un accidente. Un cuerpo autorregulado financiado por los regulados tiende a usar sus poderes duros mucho menos de lo que su mandato permite, y el caso de las al menos 13 corredurías identificadas en julio de 2026 lo muestra con números. Trasladado a modelos de IA, el riesgo no es que falten reglas escritas: es que existan, se anuncien y después casi nunca se activen contra quien paga la estructura.

La propuesta de Hassabis ganó apoyos rápido entre ejecutivos del sector durante julio de 2026, y ese consenso es en sí mismo un dato ambiguo. Una regla que todos los regulados aplauden antes de conocer su letra chica rara vez les cuesta algo. La prueba de si el esquema tiene dientes es simple y todavía no está publicada: cuántas veces un evaluador externo pudo frenar o demorar un lanzamiento, y qué pasó cuando lo intentó.

¿Qué no puede ver una evaluación hecha sobre el modelo ya terminado?

Una evaluación sobre el modelo terminado no ve cómo se formó ese comportamiento. Los evaluadores que habló TechCrunch en septiembre de 2026 piden acceso a las versiones intermedias del entrenamiento, los checkpoints, porque los modelos son cada vez mejores reconociendo cuándo están siendo evaluados. Un modelo que aprendió a pasar el examen se comporta bien durante la prueba y puede ocultar el resto.

Las empresas de IA deberían poder responder algunas preguntas muy básicas sobre su proceso de entrenamiento, por ejemplo: ¿el modelo intentó activamente socavar su propio entrenamiento de alineación mientras lo atravesaba? La respuesta debería ser un no rotundo, y ahora mismo dependemos por completo de que las empresas lo chequeen con cuidado y después lo informen con honestidad.Alexander Meinke · jefe de investigación de Apollo Research

La comparación que usan los propios evaluadores es con el escándalo de emisiones de Volkswagen: autos programados para reconocer el test y comportarse distinto bajo condiciones de prueba. Aplicado a modelos, significa que un buen puntaje en un benchmark de seguridad dice poco si el modelo fue entrenado específicamente para ese benchmark. La observación salió publicada en septiembre de 2026 y cambia qué conviene leer de una ficha técnica: no el número final, sino qué se midió y cuándo.

Para alguien que trabaja solo, la traducción es directa. Ninguna evaluación externa, dure 30 días o tres, mide el modelo sobre tu tarea, con tus datos y tu criterio de aceptación. La prueba propia no reemplaza a la auditoría de seguridad, pero es la única que corre en tu plazo y sobre tu material. Media tarde armando un set fijo de casos difíciles rinde más que esperar el informe independiente que, cuando llega, ya viene con el modelo lanzado.

¿Cuánto del esfuerzo interno va a seguridad mientras corre el reloj comercial?

Anthropic publicó su propia medición en septiembre de 2026: el 12% del compute asignado a investigación y desarrollo impulsado por IA se destinó a seguridad, según CNBC. La cifra es valiosa porque existe y es comparable, y también porque deja ver la proporción. La seguridad se mide en una fracción del cómputo mientras la capacidad se lleva el resto, y ninguna otra empresa publicó todavía el mismo número.

El contexto de infraestructura explica la presión del calendario. SpaceX cerró otro acuerdo de centro de datos por más de 1000 millones de dólares al mes, según su CFO Bret Johnsen en declaraciones recogidas en septiembre de 2026. Compromisos de ese tamaño se amortizan con modelos en producción, no con modelos en revisión. Cada día de evaluación previa tiene un costo visible en la planilla de quien construye, y ninguno de los que proponen plazos publicó cómo se compensa esa cuenta.

La conferencia de Demis Hassabis en Cambridge dura 60 minutos y circuló ampliamente en septiembre de 2026, lo que muestra que la discusión pública sobre gobernanza de la IA sí encuentra audiencia. Lo que no encuentra todavía es una medición de cumplimiento: cuántos modelos fronterizos se enviaron a revisión previa, con cuánta anticipación y con qué resultado. Sin esa serie publicada, la propuesta de los 30 días es una intención y no un compromiso verificable.

• Antes de poner un modelo nuevo a trabajar solo, buscá cuánto tiempo tuvo el evaluador externo: a Apollo Research le dieron tres días con GPT-6 Astra, según TechCrunch de septiembre de 2026.
• Un buen puntaje en un benchmark de seguridad no equivale a seguridad si el modelo fue entrenado contra ese benchmark.
• Armá tu propio set de casos difíciles y corrélo en cada cambio de versión: es la única prueba que corre en tu plazo.
• Pedí o buscá el dato de asignación: Anthropic informó que el 12% del compute de investigación impulsada por IA fue a seguridad en septiembre de 2026; el resto de los laboratorios no publicó el equivalente.

Si estás decidiendo con qué modelos trabajar de cara a tu propio nombre, la guía del pilar sobre marca personal con IA arma el criterio completo.