La Casa Blanca devuelve al AISI británico el acceso a los modelos de Anthropic, Google y OpenAI

La Casa Blanca ha revisado su propia decisión y ha devuelto al AI Security Institute británico el acceso anticipado a los modelos de frontera de tres laboratorios: Anthropic, Google DeepMind y OpenAI. En septiembre, la Administración Trump ordenó a las compañías que dejaran de compartir sus modelos con el organismo británico. El giro llegó a las pocas semanas y, según The Decoder, lo logró la ministra de IA del Reino Unido, Kanishka Narayan, mediante presión diplomática.

Qué ha pasado

Los datos de la versión pública son escasos, pero el panorama está claro. Washington cerró primero al instituto británico el canal de acceso previo a los nuevos modelos y después lo reabrió. Formalmente, la orden se dirigía a las empresas y no al instituto: eran Anthropic, Google DeepMind y OpenAI las que debían detener la entrega. Ahora la restricción se ha levantado y los laboratorios pueden retomar su práctica anterior.

En el titular del original, el instituto aparece como AI Safety Institute; en el cuerpo del texto, como AI Security Institute. El segundo nombre es el vigente: el organismo británico cambió de denominación en febrero de 2025 y desplazó el énfasis de la «seguridad» en sentido general hacia las amenazas para la seguridad nacional y pública.

Para qué necesita el instituto el acceso anticipado

El sentido de este acceso es que el modelo puede comprobarse antes de su lanzamiento público. Los evaluadores estatales lo someten a escenarios de riesgo: ayuda en ciberataques, amenazas biológicas, capacidad para eludir los mecanismos de protección. Los resultados vuelven a los laboratorios cuando todavía resulta barato introducir correcciones. Sin acceso previo al lanzamiento, el instituto solo ve el modelo cuando ya lo usan millones de personas.

Para la parte británica, está en juego el peso del instituto. Si los mejores modelos le llegan los últimos o no le llegan en absoluto, sus evaluaciones pierden valor y él mismo queda reducido a comentarista. Para los laboratorios estadounidenses, la situación es distinta: les conviene más un único reglamento de pruebas claro que acuerdos separados con cada gobierno.

Qué se sabe y qué no

Los datos clave del comunicado:

• Quién ha salido perjudicado: el AI Security Institute británico.
• A quién iba dirigida la orden: Anthropic, Google DeepMind, OpenAI.
• Cuándo se impuso el veto: septiembre de 2026.
• Qué se ha hecho ahora: se ha restablecido por completo el acceso anticipado.
• Quién logró la revisión: la ministra de IA del Reino Unido, Kanishka Narayan.

Se desconoce cómo justificó la Casa Blanca el veto de septiembre. Tampoco se ha revelado si se han pactado nuevas condiciones: por ejemplo, qué modelos entran en el acceso, si hay que consensuar los resultados de las pruebas con organismos estadounidenses o si el veto se mantendrá en forma de excepciones. Por ahora tampoco hay comentarios públicos de los propios laboratorios. Sin estos detalles, es pronto para dar el asunto por cerrado: la decisión puede revertirse otra vez, tan rápido como se tomó.

Qué deben hacer equipos y reguladores

Las compañías que lanzan o implantan modelos de frontera deberían reservar en sus planes de lanzamiento un margen para las revisiones externas y no dar por hecho que este canal sea estable. El clima político entre Washington y Londres cambia más rápido que los ciclos de desarrollo de modelos.

A los clientes corporativos les conviene preguntar a sus proveedores si un modelo concreto ha pasado pruebas previas al lanzamiento por parte de institutos estatales y de cuáles. Es una de las pocas señales independientes sobre la madurez de los mecanismos de protección.

Para los reguladores de otros países, el episodio muestra en qué se sostiene el acceso a los mejores modelos: en acuerdos informales y voluntad política, no en la ley. Quienes construyen sus propios institutos de evaluación de IA tendrán que fijar por escrito las reglas de acceso; de lo contrario, una sola orden desde Washington podría volver a anular todo el trabajo.