Anthropic reduce de 10–100 veces la fuga de datos de Claude con fines de destilación

Anthropic ha comunicado que su protección actualizada contra la destilación ha dado un resultado medible. Según la estimación de la compañía, el volumen de datos que los competidores pueden extraer de Claude para entrenar sus propios modelos ha caído de 10–100 veces. Los nuevos mecanismos también han ayudado a encontrar y bloquear decenas de miles de cuentas vinculadas a intentos de esa extracción.

Las cifras son llamativas, pero se trata de una declaración de la propia Anthropic. En el anuncio, la empresa no incluye la metodología de cálculo ni los volúmenes de partida. El rango «de 10–100 veces» también es revelador: o la compañía no tiene una cifra exacta, o no quiere darla.

Qué es la destilación y por qué genera polémica

La destilación es una técnica para entrenar un modelo pequeño o nuevo a partir de las respuestas de uno más potente. El desarrollador envía al «profesor» un gran número de consultas, recopila las respuestas y las usa como conjunto de entrenamiento. El método es legal y se utiliza ampliamente dentro de las empresas: así se crean versiones compactas de modelos propios. El conflicto surge cuando el «profesor» es el modelo cerrado de otra compañía y sus condiciones de uso lo prohíben expresamente.

Anthropic tiene esa prohibición: no se puede usar Claude para crear productos competidores, incluido el entrenamiento de otros modelos. La compañía ya había restringido antes el acceso a algunos competidores y a entidades de jurisdicciones que considera de riesgo. La destilación sigue siendo un tema delicado para todo el sector: otros laboratorios también han expresado sospechas similares sobre sus competidores.

Qué se sabe de las nuevas medidas

Anthropic no revela los mecanismos concretos, lo cual es lógico: una descripción detallada de los detectores ayudaría a quienes intentan esquivarlos. De la declaración solo se desprende que la protección opera en dos niveles: limita la utilidad de los datos extraídos e identifica patrones de uso sospechosos, a partir de los cuales se bloquean las cuentas.

Las cifras clave de la declaración:

• reducción del volumen de datos extraídos: de 10–100 veces;
• cuentas bloqueadas: decenas de miles;
• objetivo de la protección: consultas automatizadas masivas a Claude, cuyas respuestas se usan para armar conjuntos de entrenamiento;
• verificación independiente: no existe, la estimación procede de la propia compañía.

La escala de los bloqueos indica que la extracción de datos no se hacía con experimentos aislados, sino a través de redes de cuentas. Una sola cuenta con límites estrictos recopila poco, así que estos esquemas reparten la carga entre muchos perfiles. Si Anthropic ha aprendido a vincularlos entre sí, eso importa más que la cifra de decenas de miles.

Dónde están los puntos débiles

Primero: la protección es reactiva por definición. Quienes extraen datos se adaptan a los detectores: cambian la frecuencia de las consultas, el estilo de los prompts y las fuentes de acceso. La caída declarada de 10–100 veces describe el momento actual, no un estado permanente.

Segundo: son posibles los falsos positivos. Cualquier filtro de comportamiento corre el riesgo de afectar a clientes legítimos, por ejemplo equipos que generan datos sintéticos para sus propias tareas dentro de las condiciones del servicio. Anthropic no dice cuántas cuentas de buena fe han resultado afectadas, ni si lo ha sido alguna.

Tercero: el efecto es difícil de verificar desde fuera. Un observador externo no ve ni el volumen real de los intentos ni cuántos datos se han filtrado a pesar de todo.

Qué deben hacer los equipos que trabajan con la API

Si desarrollas un producto sobre Claude, comprueba de antemano si tu caso de uso cae bajo la prohibición de entrenar modelos competidores. Esto afecta especialmente a la generación de grandes conjuntos de datos sintéticos. Reparte la carga a través de los límites oficiales y las tarifas corporativas, no mediante una multitud de cuentas: justo ese esquema es el que ahora resulta sospechoso. Ten a mano los registros de uso y un contacto de soporte por si se produce un bloqueo erróneo. Quienes elijan proveedor de modelos deben tener en cuenta que los laboratorios cerrados limitarán cada vez con más dureza la extracción masiva de resultados, y que, por tanto, las condiciones de acceso a la API seguirán cambiando.