Categoría: Legal AI

  • Monopolio de IA: por qué la concentración de Big Tech importa en LATAM

    Monopolio de IA: por qué la concentración de Big Tech importa en LATAM

    El 17 de septiembre de 2026, Amba Kak, co-directora ejecutiva del AI Now Institute, testificó ante el Monopoly Busters Caucus del Congreso de Estados Unidos en una audiencia informal titulada “AI Crossroads: Stopping Big Tech’s Race to Monopolize AI through Surveillance on Big Tech”. La convocatoria llegó en un momento de tensión entre quienes advierten sobre riesgos existenciales de la inteligencia artificial y quienes señalan un riesgo distinto, más silencioso y estructural: que un puñado de corporaciones controle la infraestructura, los datos y los modelos que definen cómo funciona la IA global.

    La audiencia —calificada como “shadow hearing”, es decir, una sesión paralela sin poder legislativo formal pero con peso político real— apuntó específicamente a la vigilancia que Big Tech ejerce sobre el ecosistema de IA. El argumento central que rodea la comparecencia de Kak no es nuevo en los círculos de política tecnológica: empresas como Google, Microsoft, Amazon y Meta no solo compiten en IA, sino que controlan las capas fundamentales sobre las que cualquier otro actor —startups, gobiernos, instituciones académicas— debe construir. Computación en la nube, datos de entrenamiento, talento especializado y acceso a chips de alta performance son recursos concentrados en pocas manos.

    Qué significa “monopolio de IA” más allá del debate en Washington

    La concentración de la IA no es un problema exclusivamente estadounidense. Para América Latina, la dependencia de infraestructura y modelos desarrollados por corporaciones con sede en Estados Unidos representa una vulnerabilidad regulatoria concreta. Los gobiernos de la región carecen, en general, de capacidad de auditoría sobre los sistemas que adquieren o despliegan, y los marcos de contratación pública no contemplan aún cláusulas de portabilidad de modelos ni obligaciones de transparencia algorítmica frente a proveedores dominantes. En este escenario, si un país latinoamericano digitaliza su sistema de salud, su infraestructura fiscal o su aparato judicial apoyándose en modelos de un solo proveedor hiperscaler, la dependencia tecnológica se convierte en dependencia política.

    El AI Act europeo y la asimetría regulatoria que LATAM no puede ignorar

    La Unión Europea avanzó con el AI Act —en vigor desde agosto de 2024 en sus disposiciones principales— que contempla obligaciones específicas para modelos de propósito general con impacto sistémico, apuntando directamente a los grandes jugadores. La lógica regulatoria europea reconoce que ciertos modelos, por su escala, requieren un tratamiento diferencial que va más allá de la evaluación de riesgos por caso de uso. América Latina no tiene un instrumento equivalente. Brasil está avanzando en su proyecto de ley de inteligencia artificial (PL 2.338/2023), que contempla disposiciones sobre sistemas de alto riesgo y transparencia, pero aún no aborda de manera explícita la concentración de mercado como riesgo sistémico. México cuenta con lineamientos del IFT sobre IA aplicada a telecomunicaciones, y Colombia publicó su política de IA en 2019 actualizada en 2022, aunque ninguno de estos marcos regula el poder de mercado en IA de forma directa.

    Por qué la vigilancia corporativa es el eje del debate, no solo el poder de mercado

    El título de la audiencia incluye explícitamente la palabra “surveillance” —vigilancia— como dimensión del monopolio. Esto no es accidental. La lógica de negocio de las plataformas dominantes en IA se apoya en la acumulación de datos a escala masiva: datos de comportamiento, de contenido generado por usuarios, de transacciones y, cada vez más, de interacciones con sistemas de IA conversacional. Esa acumulación crea una ventaja competitiva autorreinforciante que ningún actor regional puede replicar. Para reguladores de países como Argentina —cuya Agencia de Acceso a la Información Pública (AAIP) tiene competencia sobre datos personales bajo la Ley 25.326— o Colombia —con la Superintendencia de Industria y Comercio como autoridad de protección de datos—, la pregunta relevante es si las herramientas de privacidad son suficientes para abordar un problema que también es de competencia económica.

    PL 2.338/2023 de Brasil y la oportunidad de incorporar cláusulas anticoncentración

    Brasil tiene la ventana legislativa más concreta de la región para actuar. El PL 2.338/2023, que define un marco de riesgos para sistemas de IA, sigue en proceso parlamentario y ha recibido múltiples enmiendas. Organizaciones de sociedad civil brasileña han impulsado incorporar lenguaje sobre poder de mercado y acceso equitativo a infraestructura de IA, pero según se informó, estas propuestas no han logrado aún consenso suficiente en el Senado. La experiencia del Monopoly Busters Caucus en Estados Unidos —aunque sin fuerza legislativa directa— ofrece un argumento político adicional para quienes dentro del Congreso brasileño buscan blindar la ley contra la captura regulatoria por parte de los mismos actores que se pretende regular.

    Nuestro análisis

    La comparecencia de Kak ante el Monopoly Busters Caucus es relevante para LATAM no por lo que diga el Congreso de Estados Unidos, sino por el marco conceptual que instala: la concentración de IA es un problema de poder, no solo de tecnología. Mientras el debate regional sigue anclado en categorías de riesgo por caso de uso —modelos que discriminan en crédito, sistemas de reconocimiento facial en seguridad pública—, la capa de infraestructura permanece fuera del escrutinio regulatorio. Un país que aprueba una ley de IA sin abordar quién controla los modelos fundacionales y los datos de entrenamiento habrá legislado sobre la capa visible mientras deja intacta la capa de poder real. La región necesita reguladores con competencias cruzadas entre privacidad, competencia económica y IA —algo que hoy ningún país latinoamericano tiene de manera integrada. La pregunta que deberían hacerse los legisladores en Brasilia, Ciudad de México y Buenos Aires no es solo “¿cómo regulamos la IA?” sino “¿a quién protege esa regulación si no toca la concentración de mercado?”

    Legislar la IA sin tocar la concentración de infraestructura no es regulación: es decoración normativa sobre un poder que ya está consolidado.

  • Congreso de EE.UU. presiona por regulación de IA: qué significa para LATAM

    Congreso de EE.UU. presiona por regulación de IA: qué significa para LATAM

    El Congreso de Estados Unidos está canalizando un creciente rechazo bipartidista hacia la ausencia de controles federales sobre inteligencia artificial, en una tensión directa con la postura desregulatoria de la administración Trump. Para América Latina, donde varios países tienen marcos de IA en etapa de borrador o consulta pública, el desenlace de ese debate importa más de lo que parece: los estándares que se consoliden en Washington tienden a convertirse en referencia obligada para reguladores de la región.

    Según se informó, Amba Kak, co-directora ejecutiva del AI Now Institute, describió el momento actual como “una oportunidad política realmente importante y una ventana de política” —una apertura que los defensores de la regulación buscan aprovechar antes de que el impulso legislativo se diluya. El contexto es el siguiente: la administración Trump impulsó desde el inicio de su gestión una agenda de desregulación en IA, revocando directivas del gobierno anterior y apostando por la competencia tecnológica como principio rector. Pero esa estrategia está chocando con resistencia dentro del propio sistema político estadounidense.

    La fractura en el Congreso y la ausencia de una ley federal de IA en EE.UU.

    Estados Unidos carece hasta hoy de una ley federal integral de inteligencia artificial. A diferencia de la Unión Europea, que promulgó el AI Act con un esquema de riesgos escalonados, Washington opera con un patchwork de regulaciones sectoriales —en salud, finanzas, derechos civiles— sin un paraguas normativo unificado. El creciente malestar legislativo que describe el AI Now Institute refleja una frustración acumulada: los congresistas reciben presión de sus distritos por casos concretos de daño algorítmico —discriminación en crédito, sesgos en sistemas penales, deepfakes electorales— y no tienen un instrumento federal para responder. Esa brecha es la que los impulsores de guardarraíles quieren cerrar.

    El AI Act europeo como espejo: qué adoptó y qué rechazó América Latina

    Mientras el debate estadounidense se traba entre el ejecutivo y el legislativo, América Latina avanza —con distinta velocidad— en sus propios marcos. Brasil es el caso más avanzado: el Proyecto de Ley 2338/2023, aprobado por el Senado y en revisión en la Cámara de Diputados, adopta explícitamente el enfoque de riesgo del AI Act europeo y contempla obligaciones de transparencia, evaluaciones de impacto y un rol activo de la Autoridade Nacional de Proteção de Dados (ANPD) como autoridad competente en los cruces entre IA y datos personales. La ANPD ya publicó notas técnicas sobre IA generativa en el marco de la LGPD.

    En Colombia, el MinTIC presentó en 2023 una política nacional de IA y existe un proyecto de ley en discusión, aunque sin fechas de aprobación firmes. Chile, por su parte, trabaja en un proyecto de ley de IA que complementa su reforma constitucional de protección de datos, aún en trámite parlamentario. México no cuenta con legislación específica de IA a nivel federal, aunque el Instituto Nacional de Transparencia, Acceso a la Información y Protección de Datos Personales (INAI) —hoy en proceso de reestructuración bajo la reforma al Poder Judicial— emitió recomendaciones no vinculantes sobre uso de IA en tratamiento de datos personales bajo la LFPDPPP.

    Por qué el resultado del debate en Washington afecta a reguladores en Buenos Aires, Bogotá y Ciudad de México

    La influencia de EE.UU. sobre la regulación tecnológica en LATAM opera por dos vías. La primera es directa: las empresas de tecnología con mayor presencia en la región —Google, Meta, Microsoft, Amazon— son de origen estadounidense y adaptan sus productos y políticas de cumplimiento según el marco regulatorio de su país de origen. Si Washington adopta guardarraíles concretos —obligaciones de auditoría, requisitos de etiquetado de contenido generado por IA, mecanismos de rendición de cuentas—, esas exigencias se trasladan operativamente a sus subsidiarias y proveedores en la región. La segunda vía es normativa: los organismos internacionales donde participan países latinoamericanos —OCDE, UNESCO, OEA— toman nota de los movimientos regulatorios de las potencias y los incorporan a sus recomendaciones. La Recomendación de la OCDE sobre IA, que varios países de la región han suscripto, ya establece principios que convergen con el debate actual en el Congreso estadounidense.

    Qué monitorear en los próximos 90 días: hitos legislativos y señales de Brasilia y Bogotá

    Para equipos de compliance y asuntos regulatorios con operaciones en América Latina, los próximos meses presentan varios hitos concretos a seguir:

    • Avance del PL 2338/2023 en la Cámara de Diputados de Brasil: cualquier modificación al artículo sobre sistemas de alto riesgo y al rol de la ANPD redefinirá las obligaciones de los principales proveedores de IA en el mercado más grande de la región.
    • Presentación o archivo de proyectos de ley de IA en Colombia y Chile antes del cierre de los períodos legislativos de 2025, que marcarán si la región acelera o frena su convergencia con el modelo europeo.
    • Posición del Comité de Ciencia, Espacio y Tecnología del Congreso de EE.UU. frente a posibles audiencias sobre daños de IA: si se producen, generarán jurisprudencia política con efecto irradiador.
    • Resoluciones de la ANPD de Brasil sobre IA generativa y datos de entrenamiento, que podrían anticipar criterios de enforcement aplicables a modelos de lenguaje operando bajo la LGPD.

    Nuestro análisis

    La narrativa de que la regulación de IA es un asunto exclusivamente europeo —y que Washington y LATAM simplemente observan— está quedando obsoleta. El malestar legislativo en el Congreso de EE.UU. muestra que incluso en el ecosistema más favorable a la desregulación existen límites políticos a la ausencia total de controles. Para la región, eso es relevante por una razón operativa: las empresas que ya están implementando sistemas de gestión de riesgos de IA compatibles con el AI Act europeo o con el borrador brasileño no necesitarán reinventar su arquitectura de cumplimiento si Washington eventualmente converge hacia estándares similares. Las que apostaron por la inacción podrían enfrentar una doble adaptación simultánea —regulación local más estándar de EE.UU.— en un plazo más corto del que anticipaban.

    La ventana regulatoria que el AI Now Institute identifica en Washington no es solo un fenómeno político estadounidense: es el momento en que los equipos de regulación corporativa en LATAM deberían estar revisando sus mapas de riesgo de IA, no esperando a que el texto definitivo llegue firmado.

  • Sin árbitro: por qué la IA avanza sin freno regulatorio en EE.UU.

    Sin árbitro: por qué la IA avanza sin freno regulatorio en EE.UU.

    La administración Trump ha descartado activamente cualquier marco federal de regulación para la inteligencia artificial, y esa postura tiene una consecuencia directa: los llamados de la propia industria a “desacelerar” quedan sin ningún mecanismo institucional que los haga cumplir. El resultado es un vacío donde la autorregulación voluntaria sustituye a la ley, y América Latina observa desde afuera un experimento que puede marcar el estándar global por defecto.

    Cuando las grandes compañías de tecnología piden cautela en el desarrollo de sistemas de inteligencia artificial avanzados, lo hacen generalmente bajo la premisa de que existe —o existirá— un regulador dispuesto a imponer esa cautela de forma vinculante. En Estados Unidos, esa premisa ya no se sostiene. La posición de la administración Trump es contraria a establecer reglas federales para la IA, lo que deja sin respaldo institucional los propios pedidos de freno que circulan dentro del sector. El AI Now Institute, organización de investigación con sede en Nueva York, describió esta situación como una contradicción estructural que debilita cualquier esfuerzo serio de gobernanza.

    Autorregulación sin marco: el problema que señala AI Now Institute

    Amba Kak, co-directora ejecutiva del AI Now Institute, sintetizó el problema con precisión: “Necesitamos una estructura que no dependa del permiso de esta industria para hacer su trabajo”, según se informó en la publicación del instituto. La frase apunta a algo técnicamente relevante para cualquier debate sobre gobernanza de IA: un sistema donde el regulado define los límites de la regulación no es un sistema de control, es una ficción de control. Las señales de advertencia sobre seguridad en IA —provenientes tanto de investigadores independientes como de ejecutivos de las propias compañías— se acumulan en un contexto donde el gobierno federal estadounidense no tiene ni la voluntad política ni la arquitectura normativa para actuar sobre ellas.

    Esta dinámica no es nueva, pero se vuelve más aguda a medida que los sistemas de IA se despliegan en infraestructura crítica, decisiones judiciales, selección de crédito y diagnósticos médicos. La ausencia de una agencia federal con mandato claro sobre IA en EE.UU. contrasta con la Unión Europea, donde el AI Act —el Reglamento (UE) 2024/1689, en vigor desde agosto de 2024— establece categorías de riesgo, obligaciones de transparencia y sanciones de hasta 35 millones de euros o el 7% de la facturación global anual para los sistemas de mayor riesgo.

    Cuándo aplica este vacío / cuándo NO

    El vacío regulatorio estadounidense aplica de forma directa a los sistemas de IA desarrollados y comercializados desde EE.UU. sin presencia operativa relevante en jurisdicciones con regulación propia. No aplica, en cambio, cuando esos mismos sistemas se despliegan en la Unión Europea —donde el AI Act rige por el principio de efecto territorial— ni cuando se usan en el tratamiento de datos personales de ciudadanos europeos, caso en que el RGPD impone restricciones adicionales sobre el uso de decisiones automatizadas. Para América Latina, el margen de maniobra depende del país: Brasil tiene la Lei Geral de Proteção de Dados (LGPD, Ley 13.709/2018) y avanza en un proyecto de ley específico de IA; México cuenta con la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP), aunque sin un marco sectorial de IA; Argentina tramita en el Congreso un proyecto de regulación de sistemas de inteligencia artificial que no ha alcanzado sanción legislativa.

    El riesgo del estándar por defecto: cómo EE.UU. exporta sus ausencias

    Cuando la economía más grande del mundo no regula una tecnología, no produce un vacío local: produce un estándar exportable. Las empresas de IA con sede en EE.UU. que operan en América Latina traen consigo las prácticas —y las ausencias de control— que son toleradas en su jurisdicción de origen. Esto es especialmente relevante para sectores como el financiero y el de recursos humanos, donde herramientas de scoring algorítmico y selección automatizada de candidatos ya están en uso en la región sin que existan marcos nacionales que obliguen a auditorías de sesgo, explicabilidad de decisiones o registros de impacto. El AI Act europeo, por contraste, exige evaluaciones de conformidad previas al despliegue para sistemas de alto riesgo en esas mismas categorías.

    La posición de AI Now y su relevancia para el debate regulatorio regional

    El AI Now Institute es una de las organizaciones de referencia en investigación crítica sobre políticas de inteligencia artificial. Su postura —que los mecanismos de control de la IA no pueden depender del consentimiento de la industria para funcionar— tiene implicancias directas para los legisladores latinoamericanos que hoy discuten sus propios marcos normativos. El argumento técnico es simple: la autorregulación puede ser un complemento de la regulación estatal, pero no su sustituto. Sin un organismo con capacidad sancionatoria, mandato legal y autonomía presupuestaria respecto de la industria regulada, los compromisos voluntarios de las compañías tienen el peso de una declaración de intenciones. En Brasil, la Autoridade Nacional de Proteção de Dados (ANPD) ya emitió orientaciones sobre el uso de IA en el tratamiento de datos personales; en Argentina, la Agencia de Acceso a la Información Pública (AAIP) tiene competencia sobre decisiones automatizadas bajo el marco de la Ley 25.326, aunque su alcance es limitado frente a sistemas de IA complejos.

    Para los países de la región que aún tienen sus marcos de IA en etapa de diseño, la pregunta no es si regular o no: es si el organismo que resulte del proceso tendrá dientes propios o necesitará el permiso de la industria para usarlos. La publicación completa del AI Now Institute está disponible en ainowinstitute.org.

  • La apuesta billonaria de la IA: qué dicen los modelos económicos sobre el riesgo

    La apuesta billonaria de la IA: qué dicen los modelos económicos sobre el riesgo

    Economistas y analistas debaten si la inversión de billones de dólares en infraestructura de inteligencia artificial se traducirá en productividad real o en la mayor destrucción de capital de la historia tecnológica reciente. La pregunta no es académica: los flujos de inversión ya están comprometidos, y los marcos jurídicos que regulan esa apuesta apenas empiezan a tomar forma.

    Cuando Jessica Wachter, profesora de finanzas de la Universidad de Pensilvania, intentó modelar el impacto económico de la inteligencia artificial en los próximos años, según se informó, encontró que los escenarios divergen de forma radical según un único supuesto: si los sistemas de IA efectivamente aumentan la productividad total de los factores de producción o si simplemente reemplazan tareas sin generar valor agregado neto. Ese condicional —todavía sin respuesta empírica sólida— es el corazón de lo que analistas llaman “la apuesta billonaria”.

    Dónde se concentra el riesgo: infraestructura, energía y deuda corporativa

    Las grandes plataformas tecnológicas han comprometido inversiones que, sumadas, superan el billón de dólares en centros de datos, chips de alta performance y redes eléctricas dedicadas. Ese capital no es líquido: una vez construida la infraestructura, el costo hundido es casi total. Si la demanda de servicios de IA no alcanza las proyecciones —o si tecnologías alternativas desplazan los modelos de lenguaje de gran escala antes de que la inversión madure— el resultado sería una burbuja de activos físicos con muy baja posibilidad de reconversión. El paralelo histórico más cercano es el sobredimensionamiento de fibra óptica durante la burbuja punto-com de finales de los noventa, aunque la escala actual es considerablemente mayor.

    OpenAI y los datos biológicos: un frente regulatorio distinto

    En paralelo al debate macroeconómico, OpenAI habría expresado interés en acceder a grandes volúmenes de datos biológicos para entrenar modelos especializados en ciencias de la vida, según se informó. Este movimiento abre un frente regulatorio que va mucho más allá de la propiedad intelectual o la competencia de mercado: los datos biológicos son, en múltiples jurisdicciones, datos sensibles de primer orden. En la Unión Europea, el Reglamento General de Protección de Datos (RGPD) los clasifica como categoría especial; en Brasil, la Lei Geral de Proteção de Dados (LGPD) los incluye explícitamente en su artículo 11 como datos sensibles con restricciones de tratamiento reforzadas. En México, la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) también establece un régimen diferenciado para datos de salud.

    El cruce entre modelos de lenguaje y datos biológicos activa, además, el debate sobre la aplicación del AI Act europeo a sistemas de IA de alto riesgo en el ámbito médico y científico. Bajo esa regulación, cualquier sistema que tome decisiones con impacto en la salud humana queda sujeto a requisitos de transparencia, auditoría y evaluación de conformidad que hoy ningún modelo de propósito general cumple de forma nativa.

    Cuándo aplica el marco legal de IA y cuándo no

    El AI Act europeo —vigente desde agosto de 2024 con plazos de implementación escalonados— clasifica como “alto riesgo” los sistemas que intervienen en diagnóstico médico, gestión de infraestructura crítica o decisiones con efecto jurídico sobre personas. Un modelo entrenado con datos biológicos para descubrimiento de fármacos podría no caer automáticamente en esa categoría si sus outputs no se usan directamente en decisiones clínicas. Sin embargo, la cadena de uso —del laboratorio al ensayo clínico, del ensayo a la aprobación regulatoria— hace que la frontera sea más difusa de lo que sugiere la letra de la ley. En América Latina, ningún país cuenta aún con una ley de IA equivalente al AI Act, aunque Colombia, Brasil y Chile tienen marcos de referencia no vinculantes o en proceso legislativo.

    El problema de valorar lo que aún no existe como mercado

    La dificultad de los modelos económicos para capturar el impacto de la IA radica en que buena parte del valor proyectado depende de externalidades de red y efectos de plataforma que solo se materializan cuando la adopción alcanza masa crítica. Wachter, según se informó, señaló que los modelos estándar de valoración de activos no están diseñados para capturar tecnologías con rendimientos potencialmente exponenciales pero con distribuciones de probabilidad altamente asimétricas. En términos prácticos: el escenario de alto retorno es posible, pero el escenario de pérdida masiva de capital también lo es, y ambos se parecen mucho en sus etapas tempranas.

    Para los reguladores latinoamericanos, este contexto plantea una tensión concreta: atraer inversión en infraestructura de IA —que varios países de la región están buscando activamente— mientras se construyen marcos de supervisión que no generen incertidumbre jurídica para los inversores. Brasil, con su Autoridade Nacional de Proteção de Dados (ANPD) ya operativa y un proyecto de ley de IA en el Congreso, está más cerca de resolver esa tensión que el resto de la región.

    Si la apuesta billonaria sale mal, la pregunta que enfrentarán los reguladores no será cómo frenar la IA, sino quién asume el pasivo de una infraestructura que nadie quiere y que pocos supieron supervisar a tiempo.

  • Noveno Circuito frena intento de expandir la DMCA al entrenamiento de IA

    Noveno Circuito frena intento de expandir la DMCA al entrenamiento de IA

    El Tribunal de Apelaciones del Noveno Circuito de Estados Unidos rechazó en septiembre de 2026 un intento de ampliar la Sección 1202 de la Digital Millennium Copyright Act (DMCA) para crear nueva responsabilidad legal sobre el entrenamiento de modelos de lenguaje. El fallo protege a programadores, artistas y desarrolladores independientes de una teoría que, de haber prosperado, habría convertido usos perfectamente legítimos en fuente de litigios millonarios.

    El caso giró en torno a un grupo de contribuyentes anónimos de GitHub que demandaron a OpenAI y Microsoft. Su argumento: el código generado por los LLMs de ambas compañías —entrenados con repositorios públicos de GitHub, entre miles de millones de otras obras— era similar al suyo, pero sin la información de gestión de derechos de autor (CMI, por sus siglas en inglés), es decir, sin atribución de autoría ni avisos de copyright. Los demandantes invocaron la Sección 1202 de la DMCA, que prohíbe remover intencionalmente ese tipo de información de una obra protegida.

    Qué dice la Sección 1202 de la DMCA y por qué el Noveno Circuito la leyó en sentido estricto

    La Sección 1202 fue diseñada como un mecanismo de respaldo para los derechos de autor en el entorno digital: impide que alguien tome una obra y le arranque los metadatos de identificación antes de redistribuirla. Lo que el tribunal rechazó fue extender esa lógica a un escenario distinto: el de un sistema de IA que genera código nuevo que se parece a obras preexistentes pero que, al ser una creación diferente, nunca tuvo CMI propio. El Noveno Circuito precisó que remover información de gestión de derechos de una obra existente es conceptualmente diferente de producir una obra nueva que simplemente no lleva esa información.

    La Electronic Frontier Foundation (EFF) y la organización Public Knowledge presentaron un amicus brief en el caso, argumentando exactamente esa distinción. El tribunal acogió esa posición. Según EFF, si la teoría de los demandantes hubiera prosperado, habría creado un régimen de responsabilidad que se superponía al derecho de autor tradicional pero sin sus equilibrios: sin fair use, sin umbrales claros, con daños estatutarios potencialmente devastadores para actores pequeños.

    Quiénes habrían quedado expuestos: remix, ingeniería inversa y motores de búsqueda

    EFF advirtió en su brief que la interpretación expansiva habría afectado mucho más allá de la industria de IA. Entre los casos concretos que mencionó la organización:

    • Artistas que crean remixes basados en obras anteriores.
    • Docentes que adaptan materiales para presentaciones en el aula.
    • Ingenieros que realizan ingeniería inversa de código para comprenderlo mejor.
    • Motores de búsqueda que indexan y muestran fragmentos de contenido.

    En todos esos escenarios, la obra resultante no “quita” CMI de un original: simplemente no lo replica. Pero bajo la lectura que proponían los demandantes, cualquier similitud con una obra preexistente sin atribución idéntica podría haberse convertido en un disparador de demandas con daños estatutarios cuantiosos. Las grandes corporaciones pueden litigar esos casos durante años; un desarrollador independiente, en la práctica, se ve obligado a transar aunque su uso sea completamente legal.

    Copyright de IA en América Latina: Argentina, México y Brasil frente a un vacío normativo equivalente

    El fallo del Noveno Circuito no tiene efecto directo en América Latina, pero sí marca un precedente interpretativo relevante para jurisdicciones que aún no han legislado sobre entrenamiento de IA y propiedad intelectual. Argentina, cuya Ley 11.723 de Propiedad Intelectual data de 1933 y no contempla escenarios de machine learning, carece de una respuesta clara sobre si el uso de obras protegidas como datos de entrenamiento configura infracción. México enfrenta el mismo vacío: la Ley Federal del Derecho de Autor (LFDA) no incluye excepciones específicas para minería de datos o entrenamiento de modelos, a diferencia del Text and Data Mining (TDM) exception que incorporó la Unión Europea en su Directiva de Copyright de 2019.

    Brasil es la jurisdicción más avanzada del bloque en este debate. El Projeto de Lei 2338/2023, que regula la IA en el Senado federal, incluye disposiciones sobre el uso de datos para entrenamiento, aunque sin resolver en detalle la interacción con la Lei de Direitos Autorais (Lei 9.610/1998). La ANPD, por su parte, ha comenzado a tratar el entrenamiento con datos personales desde el ángulo de la LGPD, lo que agrega una capa regulatoria que en el caso de GitHub no estuvo en juego —el código, en principio, no es dato personal— pero que en otros corpus de entrenamiento sí lo es.

    Colombia y Chile, con sus respectivos marcos de propiedad intelectual igualmente anteriores a la era de IA generativa, tampoco ofrecen una respuesta legislativa clara. En ausencia de norma específica, los tribunales locales deberán interpretarlo caso a caso, con el riesgo de resoluciones divergentes que generen incertidumbre para empresas que entrenan modelos en la región.

    Qué monitorear: el AI Act de la UE como referencia y los proyectos legislativos regionales

    La resolución del Noveno Circuito llega en un momento en que la Unión Europea ya tiene en vigor el AI Act (Reglamento 2024/1689), cuyo Artículo 53 establece obligaciones de transparencia para proveedores de modelos de propósito general: deben documentar el corpus de entrenamiento y respetar las reservas de derechos que los titulares de obras hayan declarado bajo el mecanismo opt-out del TDM. Esa arquitectura —excepción general con opt-out explícito— es el modelo más articulado disponible hoy, y varios legisladores latinoamericanos lo están mirando de cerca.

    En paralelo, OpenAI y Microsoft aún enfrentan otras demandas vinculadas al uso de contenidos de GitHub y de otras plataformas, incluyendo litigios de medios de comunicación en Estados Unidos. El fallo del Noveno Circuito cierra una puerta —la vía DMCA Sección 1202 como nuevo derecho de atribución— pero no clausura el debate sobre si el entrenamiento con obras protegidas constituye fair use bajo el derecho de autor tradicional. Ese frente sigue abierto.

    Nuestro análisis

    El Noveno Circuito tomó la decisión técnicamente correcta: la Sección 1202 de la DMCA no es, ni fue diseñada para ser, un derecho de atribución autónomo. Pero el fondo del debate no desaparece con este fallo. La pregunta de si un modelo de IA puede entrenarse con obras protegidas sin licencia ni compensación a sus autores es una de las más importantes que enfrentan los sistemas de propiedad intelectual de todo el mundo. Para América Latina, donde los marcos legales son más precarios y los ecosistemas de desarrolladores independientes más vulnerables, la ausencia de una excepción TDM clara —como la que tiene la UE— deja a los actores locales en una posición de desventaja estructural frente a las grandes plataformas globales que ya operan bajo reglas más definidas.

    Mientras los congresos de la región no legiferen sobre minería de datos y entrenamiento de IA, serán los tribunales —con criterios heterogéneos y marcos normativos del siglo pasado— quienes decidan qué es legal construir en América Latina.

  • El Quinto Circuito de EE.UU. confirma que enlazar contenido ajeno no viola el copyright

    El Quinto Circuito de EE.UU. confirma que enlazar contenido ajeno no viola el copyright

    El Tribunal de Apelaciones del Quinto Circuito de Estados Unidos estableció que insertar enlaces a contenido protegido por derechos de autor no constituye infracción directa, porque el sitio que enlaza no transmite ni controla el material. El fallo, dictado en el caso Emmerich Newspapers v. Particle Media, preserva una práctica que sostiene la arquitectura funcional de la web.

    El razonamiento de fondo es simple pero con consecuencias amplias: quien apunta el navegador de un usuario hacia un archivo que reside en un servidor externo no es quien transmite ese contenido. La transmisión la ejecuta el servidor de origen. Por lo tanto, la responsabilidad directa por infracción de copyright recae sobre quien controla ese servidor, no sobre quien publica el enlace o lo incrusta. El tribunal formuló un nuevo criterio para llegar a esa conclusión, aunque el resultado práctico coincide con la doctrina anterior conocida como server test.

    El caso Emmerich: un diario regional que quiso redefinir el embedding

    Emmerich Newspapers, un grupo de publicaciones regionales de Mississippi, demandó a Particle Media, un agregador de noticias que publicaba enlaces a sus artículos. El argumento de Emmerich era que al mostrar esos vínculos —posiblemente con fragmentos o previsualizaciones— el agregador estaba “exhibiendo” obras protegidas y debía responder como infractor directo. La Electronic Frontier Foundation (EFF), junto con otras organizaciones de interés público y asociaciones comerciales, presentó un amicus brief ante el tribunal pidiendo que rechazara esa teoría, en línea con lo resuelto por otros circuitos federales.

    El Quinto Circuito descartó el argumento de Emmerich. Si bien el tribunal no adoptó formalmente el server test —la regla que por dos décadas determinó que la responsabilidad recae en quien aloja el contenido—, formuló su propio criterio centrado en quién realiza la transmisión. Bajo ese análisis, dirigir el navegador de un usuario para que solicite y reciba una copia del material desde los servidores del propio titular del copyright no equivale a transmitir ni comunicar ese contenido.

    “Although we take different routes to get there, both the server test and the test we announce end up in a similar place: a website cannot transmit a work that it does not have.”

    — Tribunal de Apelaciones del Quinto Circuito de EE.UU., fallo en Emmerich Newspapers v. Particle Media, septiembre de 2026

    Qué habría pasado si el tribunal adoptaba la tesis de Emmerich

    Si el Quinto Circuito hubiera aceptado que enlazar equivale a “exhibir” una obra protegida, el impacto sobre la web habría sido inmediato y profundo. Cualquier sitio que incruste una imagen, un video o un artículo periodístico habría quedado expuesto a demandas por infracción directa, sin importar que el contenido siguiera alojado en servidores del titular original. La EFF advirtió al tribunal que esa interpretación convertiría el embedding en una actividad legalmente riesgosa que muchos operadores de plataformas simplemente evitarían, con el consiguiente daño a la circulación de información en internet. Agencias de noticias, blogs, medios regionales y redes académicas dependen de esa capacidad de enlazar para funcionar.

    Emmerich también argumentó que los URLs de sus artículos constituían información de gestión de derechos de autor (copyright management information, CMI) bajo la Ley de Derechos de Autor del Milenio Digital (DMCA), y que el agregador había violado esa norma al mostrar los enlaces sin autorización. El tribunal rechazó también esa lectura, según se informó en el fallo.

    Cuándo aplica este criterio y cuándo NO

    El nuevo test del Quinto Circuito protege la práctica de enlazar e incrustar contenido cuando el material sigue residiendo en el servidor del titular del copyright y es ese servidor quien lo entrega al usuario final. El criterio no protege a quien copia y aloja el contenido en sus propios servidores sin autorización: en ese caso sí existe transmisión directa y la responsabilidad por infracción se activa. Tampoco cubre situaciones donde el embedding se usa para eludir sistemas de pago o acceso restringido, ni los casos donde la incrustación implica alguna forma de reproducción o almacenamiento intermedio. El fallo resuelve la disputa para jurisdicciones bajo el Quinto Circuito, pero la doctrina es coherente con lo que otros circuitos federales han sostenido durante años.

    Relevancia para plataformas y medios en América Latina

    Aunque el fallo es vinculante solo en Estados Unidos, tiene peso persuasivo para jurisdicciones latinoamericanas que aún no tienen jurisprudencia consolidada sobre embedding y derechos de autor digitales. En México, la Ley Federal del Derecho de Autor no contempla expresamente el embedding; en Brasil, la Lei de Direito Autoral (Lei n.º 9.610/1998) tampoco lo define con precisión, y el marco regulatorio de la IA generativa —aún en debate en el Congreso— podría incorporar discusiones similares sobre reproducción técnica y transmisión. En Argentina, la Ley 11.723 de Propiedad Intelectual data de 1933 y sus adaptaciones al entorno digital son escasas. Para medios, agregadores de noticias y plataformas de contenido con operaciones en la región, el razonamiento del Quinto Circuito ofrece un argumento técnico útil: el acto de enlazar no implica posesión ni control del contenido enlazado, y esa distinción debería replicarse en cualquier análisis de responsabilidad bajo derecho local.

    La distinción entre “transmitir” y “dirigir” también es relevante para el sector de medios digitales latinoamericano, que ha visto surgir tensiones entre publicaciones tradicionales y agregadores o motores de búsqueda —un conflicto que en España derivó en la llamada tasa Google y en Brasil está siendo monitoreado de cerca por la Agência Nacional de Telecomunicações (Anatel) y el debate en torno a la regulación de plataformas.

    El texto completo del fallo está disponible en el sitio del Quinto Circuito de Apelaciones (ca5.uscourts.gov, caso 25-60550); quienes diseñen políticas de contenido o términos de uso para plataformas con presencia en la región deberían revisarlo junto con el amicus brief de la EFF, que sistematiza los argumentos técnicos y jurídicos con mayor detalle.

  • El espejismo de capacidades que genera la IA en las organizaciones

    El espejismo de capacidades que genera la IA en las organizaciones

    Cuando una organización adopta IA y parece operar mejor, más rápido y con mayor precisión, puede estar construyendo una fachada: una apariencia de capacidad que no tiene sustento real en procesos, datos ni conocimiento institucional. MIT Sloan Management Review llama a este fenómeno el “espejismo de capacidades” (capability mirage), y sus implicancias van mucho más allá de la productividad.

    El concepto describe una trampa específica: la IA ejecuta tareas que antes requerían competencia humana acumulada, y lo hace con tal fluidez que los líderes —y los propios equipos— asumen que la organización ha mejorado. Pero el conocimiento que antes residía en personas no se ha transferido a la institución: simplemente se ha subcontratado a un sistema cuyo razonamiento interno nadie puede auditar. La organización no aprendió; delegó.

    La diferencia entre automatizar una tarea y consolidar una capacidad

    Automatizar una tarea y desarrollar una capacidad organizacional son cosas distintas. Una capacidad implica que la organización puede entender lo que hace, explicarlo, replicarlo sin el sistema original y corregirlo cuando falla. Un modelo de lenguaje que redacta contratos, clasifica reclamos o sintetiza jurisprudencia puede hacer todo eso con gran velocidad, pero si el equipo jurídico o de compliance no sabe evaluar el output ni detectar sus límites, la organización opera sobre un andamio sin cimientos. El riesgo no es técnico: es institucional.

    El espejismo se vuelve especialmente peligroso cuando la IA se usa para funciones que tienen consecuencias regulatorias directas. En el sector financiero, en el área de cumplimiento normativo, en recursos humanos o en la gestión de datos personales, un error generado por IA que nadie puede detectar porque nadie entiende el proceso subyacente puede derivar en infracciones graves. Y el regulador no acepta como defensa que “lo hizo el algoritmo”.

    Responsabilidad legal cuando el sistema falla y nadie sabe por qué

    Desde una perspectiva de Legal AI, el espejismo de capacidades plantea un problema de imputabilidad. Si un sistema de IA toma una decisión que afecta a un titular de datos —una denegación de crédito, una clasificación de riesgo, una resolución automatizada de un reclamo— la normativa vigente en múltiples jurisdicciones exige que esa decisión sea explicable y revisable por un humano. El artículo 22 del RGPD europeo, que sirvió de modelo para el artículo 19 de la Ley 25.326 argentina y para disposiciones equivalentes en la Ley General de Protección de Datos de Brasil (LGPD, artículo 20), establece el derecho a no ser objeto de decisiones exclusivamente automatizadas con efectos significativos. Ese derecho presupone que existe un humano capaz de revisar la decisión, no solo un humano que firmó la autorización para que la máquina la tome.

    Si el personal que opera el sistema ha perdido la comprensión del proceso —porque la IA lo hizo siempre, porque no hubo transferencia de conocimiento, porque la rotación borró la memoria institucional— la revisión humana se vuelve nominal. Hay una persona que aprueba, pero no hay capacidad real de supervisión. Eso es exactamente el espejismo: apariencia de control sin sustancia.

    El AI Act europeo y su impacto en sistemas de alto riesgo desplegados en LATAM

    El Reglamento de Inteligencia Artificial de la Unión Europea (AI Act, en vigor desde agosto de 2024) clasifica como de alto riesgo los sistemas de IA usados en selección de personal, calificación crediticia, administración de justicia y servicios esenciales, entre otros. Para esos sistemas, el AI Act exige documentación técnica detallada, supervisión humana efectiva y capacidad de intervención. La palabra clave es “efectiva”: no basta que exista un protocolo de revisión; debe haber competencia humana real para ejercerlo. El espejismo de capacidades viola ese requisito de fondo, aunque cumpla los formales.

    Esto importa en América Latina porque varias multinacionales con operaciones en la región están dentro del alcance extraterritorial del AI Act —si sus sistemas afectan a personas en la UE— y porque los marcos regulatorios emergentes en Chile, Colombia, Brasil y México están tomando el AI Act como referencia explícita. La Política Nacional de Inteligencia Artificial de Colombia (CONPES 3975) y el proyecto de ley de IA que avanza en Brasil ya incorporan el concepto de supervisión humana significativa como eje estructural.

    Cuándo aplica esta advertencia y cuándo no

    El espejismo de capacidades no aplica a todas las implementaciones de IA por igual. Si una organización usa IA para tareas que nunca requirieron capacidad institucional crítica —generación de borradores, resúmenes internos, clasificación preliminar de documentos con revisión posterior—, el riesgo es bajo. El problema aparece cuando la IA reemplaza procesos en los que el criterio humano tenía valor regulatorio, legal o de control de riesgo, y ese criterio no se preserva ni se desarrolla en paralelo. También aplica cuando la dependencia de un único proveedor de IA hace que la organización pierda la capacidad de operar si ese proveedor cambia sus modelos, sus condiciones de uso o su disponibilidad.

    Un test simple: si el proveedor de IA retirara su sistema mañana, ¿podría el equipo explicar cómo tomó las decisiones del último año? ¿Podría replicar el proceso con otro sistema o a mano? Si la respuesta es no en áreas reguladas, hay un espejismo activo.

    Lo que distingue adopción real de adopción cosmética

    Las organizaciones que evitan el espejismo hacen al menos tres cosas distintas a las que caen en él. Primero, documentan el razonamiento esperado del sistema y lo comparan periódicamente con el output real. Segundo, mantienen —o construyen— capacidad humana paralela en las funciones críticas, aunque sea a menor escala. Tercero, tratan la IA como una herramienta de aumento, no de sustitución, en los procesos donde la explicabilidad es un requisito normativo. Esto no es conservadurismo tecnológico: es gestión de riesgo regulatorio.

    En la práctica, significa que el área legal, de compliance o de gobernanza de datos debe participar en el diseño de la implementación, no solo en la firma del contrato con el proveedor. El rol del Chief Data Officer o del DPO no termina en la evaluación de impacto inicial; incluye monitorear si la capacidad institucional de supervisión se mantiene a lo largo del tiempo.

    Para profundizar en los marcos de supervisión humana de sistemas de IA de alto riesgo, el texto del AI Act europeo está disponible en el Diario Oficial de la UE (Reglamento UE 2024/1689); la Autoridad Nacional de Protección de Datos de Brasil (ANPD) publicó su guía de decisiones automatizadas bajo el artículo 20 de la LGPD en 2023 y es lectura obligada para equipos que operan en la región.

  • OpenAI financia datos biológicos para IA: cómo se construye el corpus médico

    OpenAI financia datos biológicos para IA: cómo se construye el corpus médico

    OpenAI está financiando la creación de datos biológicos estructurados para entrenar sus modelos de inteligencia artificial en el dominio médico y científico. La estrategia expone una tensión jurídica central: quién controla los datos que alimentan sistemas de IA capaces de acelerar descubrimientos farmacéuticos y clínicos, y bajo qué reglas pueden circular.

    El problema de fondo no es técnico sino de disponibilidad y propiedad. Los modelos de lenguaje de propósito general enfrentan un techo cuando se los aplica a biología molecular, ensayos clínicos o desarrollo farmacéutico: el conocimiento especializado existe, pero gran parte está encapsulado en documentos regulatorios confidenciales, estrategias de fabricación y datos de seguridad que las empresas biotecnológicas tratan como secretos comerciales. Ese corpus no circula libremente porque no fue diseñado para circular.

    La propuesta de usar datos de biotechs quebradas

    La analista de políticas Ruxandra Teslo planteó, según se informó, una idea que llamó la atención en el sector: adquirir datos de empresas biotecnológicas en proceso de quiebra mediante ofertas en sus procedimientos concursales. La lógica es que, al disolverse una compañía, sus activos intangibles —incluyendo presentaciones regulatorias detalladas, datos de eficacia y seguridad, y estrategias de manufactura— quedan disponibles para subasta. En condiciones normales, ese material nunca llega al mercado porque las empresas exitosas lo retienen indefinidamente o lo licencian bajo términos restrictivos. La quiebra crea una ventana legal inusual.

    OpenAI habría identificado en este enfoque una vía para construir datasets de alta calidad y alta especificidad biológica. La compañía estaría financiando la creación y adquisición de este tipo de datos, aunque los detalles exactos del mecanismo de compra y los acuerdos concretos no han sido divulgados públicamente según la información disponible.

    Qué tipo de dato biológico se busca y por qué no basta con lo público

    Los modelos entrenados sobre literatura científica abierta —artículos de PubMed, preprints, bases de datos genómicas públicas— ya existen y tienen limitaciones conocidas: reflejan lo que se publicó, no lo que se investigó y falló. El “publication bias” (sesgo de publicación) hace que los datos negativos de ensayos clínicos, los fracasos de compuestos en fase temprana y los problemas de manufactura queden fuera del registro público. Sin embargo, esa información de fracasos tiene un valor predictivo enorme para sistemas de IA que buscan anticipar qué moléculas o estrategias no funcionarán.

    Los reguladores sí reciben esos datos. La FDA en Estados Unidos, la EMA en Europa y sus contrapartes latinoamericanas —ANVISA en Brasil, ANMAT en Argentina, COFEPRIS en México— acumulan volúmenes masivos de información preclínica y clínica en cada expediente de aprobación. Esos datos son confidenciales durante décadas, salvo que una quiebra los libere o que el regulador decida publicarlos bajo esquemas de acceso controlado. La propuesta de Teslo explota precisamente esa segunda vía concursal.

    Cuándo aplica esta lógica y cuándo no: límites legales y éticos

    El modelo concursal funciona para datos de compañías disueltas, pero tiene restricciones importantes. En primer lugar, los datos de ensayos clínicos contienen información derivada de participantes humanos que otorgaron consentimiento para usos específicos. El hecho de que la empresa propietaria quiebre no extingue automáticamente las obligaciones de confidencialidad frente a esos participantes ni los derechos emergentes de las normativas de protección de datos personales. En jurisdicciones donde rige el GDPR europeo o la LGPD brasileña —que exige base legal específica para el tratamiento de datos sensibles de salud bajo el artículo 11 de la Ley 13.709/2018—, la transferencia de ese corpus a un nuevo controlador para entrenamiento de IA requeriría análisis legal adicional que la simple transacción concursal no resuelve.

    En Argentina, la Ley 25.326 de Protección de Datos Personales clasifica los datos de salud como sensibles y su tratamiento requiere consentimiento expreso o habilitación legal específica. La AAIP (Agencia de Acceso a la Información Pública) no ha emitido lineamientos explícitos sobre el uso de datos sensibles de salud para entrenamiento de modelos de IA, lo que deja un vacío interpretativo relevante para cualquier actor regional que quiera replicar este tipo de operaciones.

    El régimen de propiedad intelectual de los datos generados para IA

    Más allá del dato adquirido, OpenAI estaría financiando también la generación activa de nuevos datos biológicos —anotaciones, datasets sintéticos, experimentos diseñados para producir información estructurada que los modelos puedan ingerir. Aquí emerge otra capa jurídica: quién es el propietario del dato generado bajo encargo. En el derecho anglosajón, el concepto de “work for hire” resuelve parcialmente la cuestión a favor del comitente. En los sistemas de derecho civil latinoamericanos, la respuesta varía por jurisdicción y tipo de dato. Un dataset generado por investigadores de una universidad pública brasileña financiados por OpenAI podría quedar sujeto a restricciones de dominio público o normativa universitaria incompatibles con una licencia exclusiva.

    El AI Act de la Unión Europea, en vigor desde 2024, clasifica los sistemas de IA de alto riesgo usados en medicina y exige documentación sobre los datos de entrenamiento, incluyendo su procedencia y las medidas de gobernanza aplicadas. Si los modelos de OpenAI entrenados con datos biológicos se comercializan en Europa o se usan en productos que llegan a mercados latinoamericanos con acuerdos de adecuación, las obligaciones de trazabilidad del corpus de entrenamiento se vuelven directamente aplicables.

    La carrera por el corpus médico y sus implicancias para América Latina

    América Latina produce una fracción del conocimiento biomédico global pero concentra una diversidad genética y epidemiológica que los grandes modelos actuales subrepresentan. Los ensayos clínicos realizados en Brasil, México o Argentina generan datos regulatorios que reposan en ANVISA, COFEPRIS o ANMAT sin que existan mecanismos formales para su aprovechamiento científico posterior más allá del expediente de aprobación. Si las grandes compañías tecnológicas logran construir corpus biológicos masivos con datos del Norte Global, los modelos resultantes heredarán esos sesgos de representación. La oportunidad para los reguladores latinoamericanos —y para centros de investigación como FIOCRUZ o el CONICET— sería diseñar esquemas de acceso controlado a datos regulatorios propios que permitan participar en la construcción de IA biomédica con representación regional, en lugar de quedar como consumidores netos de modelos entrenados en otra parte.

    Para profundizar en el marco regulatorio aplicable al tratamiento de datos de salud para entrenamiento de IA, el artículo 11 de la LGPD brasileña (Ley 13.709/2018) y las guías de la ANPD sobre datos sensibles ofrecen el punto de partida más desarrollado de la región.

  • Amodei pide frenar los LLM: qué implica para la regulación de IA en LATAM

    Amodei pide frenar los LLM: qué implica para la regulación de IA en LATAM

    El CEO de Anthropic, Dario Amodei, publicó un ensayo llamando a desacelerar el desarrollo de los grandes modelos de lenguaje, citando riesgos que considera inminentes. El giro “doomista” en la industria abre una pregunta concreta para América Latina: ¿hay marcos regulatorios en la región preparados para responder si los propios desarrolladores piden un freno?

    El movimiento es inusual. Que el CEO de una de las compañías más valoradas en el ecosistema de IA generativa —Anthropic fue fundada precisamente con un argumento de seguridad frente a OpenAI— publique un llamado público a reducir el ritmo de desarrollo de los modelos de lenguaje no es una postura académica: es una señal de que el debate sobre gobernanza de sistemas de IA ha cruzado definitivamente hacia el interior de la industria. Según se informó, el ensayo de Amodei publicado el fin de semana del 13 de septiembre de 2026 enumera los peligros que él mismo percibe en la tecnología que su empresa contribuye a desarrollar.

    El argumento “doomista” y su peso regulatorio

    El término “doomer” —con origen en las comunidades de alineación de IA y seguridad existencial— describe a quienes sostienen que el desarrollo no controlado de sistemas de inteligencia artificial avanzada representa un riesgo catastrófico para la humanidad. Lo que cambia con la intervención de Amodei es que ya no se trata de investigadores académicos o activistas: es el ejecutivo de una empresa que compite directamente con OpenAI y Google DeepMind quien pone ese argumento sobre la mesa pública. El impacto regulatorio de ese giro no es trivial. Cuando los propios actores del mercado solicitan restricciones, los reguladores tienen un argumento adicional —y más difícil de rebatir— para avanzar con marcos vinculantes.

    El AI Act europeo ya prevé este escenario; LATAM, todavía no

    El Reglamento de Inteligencia Artificial de la Unión Europea —AI Act, en vigor desde agosto de 2024— contempla categorías de riesgo para modelos de propósito general (GPAI) y establece obligaciones de transparencia y evaluación para los sistemas de mayor capacidad. La lógica subyacente del AI Act es exactamente la que Amodei articula en su ensayo: que ciertos sistemas requieren controles antes de su despliegue, no después. En América Latina, el panorama es fragmentado. Brasil avanza con el Proyecto de Ley 2.338/2023, que sigue una arquitectura de riesgos similar al modelo europeo y fue aprobado en el Senado en diciembre de 2024, aunque aún aguarda definición en Cámara de Diputados. Chile tiene su Política Nacional de Inteligencia Artificial actualizada en 2024, pero sin rango legal vinculante. Colombia publicó lineamientos éticos para IA desde el Ministerio TIC, también sin fuerza de ley. México carece de regulación específica para IA a nivel federal. Argentina discute proyectos en el Congreso, pero ninguno ha alcanzado sanción.

    Por qué el llamado de Amodei complica la autorregulación como estrategia

    Durante años, la industria tecnológica ha ofrecido la autorregulación como alternativa a marcos legales obligatorios: códigos de conducta, compromisos voluntarios, auditorías internas. El ensayo de Amodei erosiona esa posición desde adentro. Si el propio CEO de una compañía líder en seguridad de IA afirma que el ritmo de desarrollo es peligroso, el argumento de que la industria puede regularse a sí misma pierde credibilidad ante cualquier legislador o autoridad de control. Para los reguladores latinoamericanos que debaten si adoptar enfoques prescriptivos o principistas, este episodio ofrece un dato político relevante: la presión por marcos vinculantes ya no viene solo de la sociedad civil.

    Cuándo aplica este debate / cuándo NO

    El llamado de Amodei es relevante para la discusión regulatoria de sistemas de IA de propósito general —modelos de lenguaje a escala, sistemas multimodales con capacidades avanzadas de razonamiento— y para los procesos legislativos en curso en Brasil, Chile y Argentina. No aplica directamente a usos sectoriales acotados de IA (diagnóstico médico con modelos supervisados, scoring crediticio con modelos explicables), cuya regulación ya está siendo abordada por autoridades financieras y sanitarias en la región con instrumentos propios. Tampoco implica una moratoria técnica formal: Amodei expresó una posición, no anunció una detención del desarrollo en Anthropic.

    Lo que los legisladores latinoamericanos pueden leer entre líneas

    El posicionamiento de Amodei llega en un momento en que el debate legislativo en Brasil sobre el PL 2.338/2023 necesita argumentos para avanzar en Cámara de Diputados. Un llamado público de un CEO del sector a reducir el ritmo de desarrollo es exactamente el tipo de evidencia que los promotores de regulación más estricta utilizan para justificar urgencia. En Argentina, donde la Agencia de Acceso a la Información Pública (AAIP) ha publicado recomendaciones sobre IA pero carece de mandato legal específico para regularla, el episodio refuerza la necesidad de una ley con rango normativo. La pregunta que queda abierta es si los congresos de la región procesarán esta señal con la velocidad que el ritmo del sector exige.

    El texto completo del ensayo de Amodei está disponible en el sitio oficial de Anthropic; el Proyecto de Ley brasileño 2.338/2023 puede consultarse en el portal del Senado Federal de Brasil en senado.leg.br.

  • OpenAI dice resolver un Problema del Milenio: el escándalo que opaca el hito

    OpenAI dice resolver un Problema del Milenio: el escándalo que opaca el hito

    OpenAI anunció que sus agentes de inteligencia artificial resolvieron uno de los Problemas del Milenio, los desafíos matemáticos más importantes del mundo con un premio de un millón de dólares cada uno. El anuncio llegó envuelto en acusaciones que, según se informó, opacaron rápidamente lo que habría sido un hito sin precedentes para el campo.

    Los Problemas del Milenio son siete preguntas matemáticas abiertas seleccionadas por el Clay Mathematics Institute en el año 2000. Hasta la fecha, solo una había sido resuelta por un ser humano —la conjetura de Poincaré, por Grigori Perelman en 2003—. Que un sistema de inteligencia artificial reclame haber resuelto otra coloca el anuncio en una categoría de importancia que trasciende a la propia empresa. También lo convierte en un objetivo inmediato de escrutinio dentro de la comunidad matemática y regulatoria.

    Por qué la controversia importa tanto como el resultado

    El problema no es solo si la solución es válida —algo que la comunidad matemática tardará semanas o meses en verificar de forma rigurosa—. El problema central es cómo OpenAI realizó y comunicó el anuncio. Según se informó, las acusaciones que rodean el caso cuestionan la transparencia del proceso de validación y la forma en que la compañía presentó el hallazgo públicamente. En un campo donde la demostración debe ser reproducible y sometida a revisión por pares, la velocidad del ciclo de relaciones públicas corporativo choca de frente con los tiempos del método científico.

    Este episodio ilustra una tensión estructural que se repetirá: las empresas de IA tienen incentivos comerciales para anunciar avances de forma rápida y contundente, mientras que la ciencia exige validación lenta, abierta y adversarial. Cuando ambas lógicas colisionan en dominios de alta consecuencia —matemáticas, medicina, derecho—, el daño reputacional puede ser duradero y las implicancias regulatorias, significativas.

    Qué define un “agente” que resuelve matemáticas y por qué eso importa legalmente

    OpenAI empleó lo que denomina “agentes” —sistemas de IA capaces de planificar, ejecutar pasos intermedios y usar herramientas externas de forma autónoma— para atacar el problema. Esto es relevante desde una perspectiva de gobernanza de IA: un agente autónomo que genera una demostración matemática no es equivalente a un modelo que responde una pregunta. Plantea preguntas sobre autoría, sobre responsabilidad por errores en la cadena de razonamiento, y sobre quién certifica que el output es correcto antes de que sea presentado públicamente como verdad.

    En el marco del AI Act de la Unión Europea —vigente de forma gradual desde 2024—, los sistemas de IA de alto riesgo requieren supervisión humana efectiva antes de que sus outputs se utilicen en contextos críticos. Una demostración matemática reclamada como válida sin verificación independiente previa al anuncio público podría, en determinadas lecturas del reglamento, constituir un uso que excede los controles requeridos para un sistema de propósito general con impacto de alto perfil. América Latina no tiene aún un marco equivalente consolidado, aunque Brasil avanza con su Proyecto de Ley 2338/2023 de regulación de IA y Colombia publicó su política nacional de IA con principios de transparencia y rendición de cuentas que apuntan en la misma dirección.

    Cuándo aplica la regulación de IA y cuándo no en este tipo de escenario

    El AI Act europeo clasifica los sistemas según riesgo, no según la naturaleza del output. Un agente matemático no cae automáticamente en la categoría de alto riesgo —que incluye educación, empleo, infraestructura crítica, biometría—. Sin embargo, cuando el output de ese agente es presentado como una verdad científica validada y tiene impacto en la reputación pública de una disciplina, el debate regulatorio se desplaza hacia la transparencia y la gobernanza de los modelos de propósito general (GPAI, por sus siglas en inglés). El AI Act establece para estos modelos obligaciones de documentación técnica, reporte de incidentes graves y, para los de mayor capacidad sistémica, evaluaciones de riesgo adversarial. OpenAI, como proveedor de modelos GPAI de alta capacidad sistémica, está dentro de ese perímetro regulatorio en Europa.

    Fuera de Europa, la regulación es más difusa. En México, el INAI no tiene competencia sobre sistemas de IA en sí mismos. En Argentina, la AAIP publicó lineamientos no vinculantes sobre IA y datos personales en 2023, pero carecen de fuerza coercitiva sobre anuncios de esta naturaleza. El vacío regulatorio no significa ausencia de consecuencias: las acusaciones de transparencia pueden traducirse en investigaciones del Congreso, presión de organismos de competencia o daño reputacional con efectos sobre adopción empresarial.

    El patrón de anuncio-controversia-validación tardía en IA

    Este no es el primer caso en que un avance de IA en matemáticas o ciencias genera primero titulares y luego correcciones. AlphaFold de DeepMind fue validado de forma positiva por la comunidad científica, pero el proceso tomó tiempo y la empresa abrió el código. Los modelos de lenguaje grande que “resuelven” olimpiadas matemáticas han sido repetidamente cuestionados por errores en pasos intermedios que el resultado final ocultaba. El patrón sugiere que el sector necesita protocolos de divulgación responsable —responsible disclosure— equivalentes a los que existen en ciberseguridad: antes de publicar, validar; antes de validar, documentar.

    Para las organizaciones latinoamericanas que evalúan adoptar agentes de IA en funciones analíticas o de soporte a decisiones, este episodio es una señal de alerta sobre la cadena de confianza: ¿quién verifica el output antes de que llegue a un decisor? ¿Existe un proceso formal de revisión humana? ¿El proveedor documenta las limitaciones del sistema de forma accesible? Estas preguntas no son teóricas: son el núcleo de cualquier programa de gobernanza de IA que aspire a ser robusto.

    Para profundizar en el marco regulatorio europeo aplicable a modelos de propósito general, el texto consolidado del AI Act está disponible en el Diario Oficial de la Unión Europea (Reglamento 2024/1689). El Proyecto de Ley 2338/2023 de Brasil puede consultarse en el sitio del Senado Federal.