El anuncio de Anthropic pone de relieve un problema cada vez más acuciante para los proveedores de modelos de frontera: campañas de destilación a gran escala cuyo objetivo es extraer las trazas privadas de razonamiento de un modelo e incorporarlas a sistemas rivales. En este contexto, la destilación tiene menos que ver con reducir el tamaño del modelo y más con recopilar los tokens de razonamiento paso a paso que genera cuando encadena ideas. Anthropic afirma que, en las pruebas supervisadas, las nuevas protecciones reducen entre un 90 % y un 99 % los tokens de razonamiento extraídos. Esto es importante para operadores y clientes porque las trazas de razonamiento concentran capacidades emergentes de gran valor y resultados de ingeniería de prompts, además de propiedad intelectual y posibles riesgos de doble uso.
Desde el punto de vista técnico, la destilación como táctica competitiva consiste en realizar consultas sistemáticas para inducir a los modelos a revelar razonamientos intermedios, cadenas de pensamiento o elementos destacados que luego puedan incorporarse a un proceso de entrenamiento. Los atacantes pueden automatizar millones de prompts, canalizarlos a través de redes proxy o granjas de cuentas y combinar las respuestas en conjuntos de datos con el fin de replicar capacidades sin acceder a los datos de entrenamiento ni a los pesos del modelo. El planteamiento de Anthropic deja claro por qué los grandes laboratorios consideran ahora la extracción masiva de razonamiento tanto una vía para robar propiedad intelectual como una superficie relevante para la seguridad nacional: las respuestas pueden permitir que modelos rivales se aproximen a comportamientos de alto nivel sin una inversión proporcional en I+D.
Anthropic enumera varios controles implementados: restringir el acceso al razonamiento protegido, detectar mediante algoritmos patrones de solicitudes coordinadas y a través de proxies, limitar automáticamente el ritmo y bloquear conductas de extracción, y suspender cuentas vinculadas a campañas de destilación. La empresa también afirma que la tasa de falsos positivos del sistema es inferior al 0,1 %. En conjunto, estas medidas combinan análisis del comportamiento, restricciones de políticas y aplicación de controles en la plataforma. Para los clientes empresariales de API y los arquitectos de plataformas, la cuestión clave son los equilibrios: cómo frenar la extracción abusiva sin perjudicar la investigación legítima, las pruebas de desarrolladores y los flujos de trabajo de ajuste fino.
Anthropic ha acusado a Z.ai de intentar destilar las capacidades de Claude mientras desarrollaba GLM-5.3, una afirmación que plantea serias cuestiones jurídicas y de competencia. Hacer pública la acusación intensifica la dinámica de carrera armamentística: los laboratorios reforzarán sus defensas de cara al público y desplegarán en privado sistemas de detección más sofisticados, mientras que los adversarios perfeccionarán el uso de proxies, la extracción lenta y sostenida y la ofuscación de prompts sintéticos. La disputa también pone a prueba las normas del sector sobre investigación responsable: qué experimentos son legítimos, cuáles son abusivos y en qué casos deberían intervenir auditorías neutrales de terceros o normas compartidas.
Para quienes desarrollan o compran modelos, las conclusiones prácticas son dos. Primero, el diseño de las plataformas debe incorporar telemetría contra la extracción y condiciones de API claras que definan las prácticas de investigación aceptables y los umbrales de detección del abuso automatizado. Segundo, los equipos de producto y seguridad deben prepararse para los falsos positivos y los conflictos con la investigación legítima: harán falta vías de resolución, procesos de apelación y niveles de acceso para investigadores, a fin de evitar frenar la innovación y, al mismo tiempo, proteger la propiedad intelectual y la seguridad de los sistemas posteriores.