Elon Musk admite que xAI usó modelos de OpenAI para entrenar y mejorar Grok

Durante las audiencias de su demanda contra OpenAI, Elon Musk confirmó que xAI utilizó modelos de OpenAI para mejorar Grok. Ante el tribunal la calificó solo de práctica "parcial", pero bastó para poner a la vista del público uno de los métodos más controvertidos de entrenamiento de los sistemas de IA actuales.

Qué admitió Musk

En una sesión del tribunal federal de California, preguntaron a Musk si sabía qué es la destilación de modelos y si xAI había aplicado ese enfoque a las tecnologías de OpenAI. Al principio respondió con evasivas y señaló que, de una manera u otra, algo así lo hacen "todas las empresas de IA en general". Cuando los abogados le preguntaron si eso significaba "sí", Musk respondió con brevedad: "en parte".

La admisión es importante no solo por xAI. Se produjo en un proceso en el que Musk intenta demostrar que OpenAI se ha apartado de su misión original y actúa en contra de aquello para lo que él ayudó a poner en marcha la empresa. En ese contexto, reconocer el uso de modelos de un competidor resulta delicado política y jurídicamente. En la práctica, es el reconocimiento de una conducta que los propios actores del mercado esgrimen cada vez más en reclamaciones públicas entre sí.

Cómo funciona la destilación

La destilación de modelos es un esquema en el que un sistema más grande y potente actúa como "maestro" y un modelo más compacto como "alumno". En lugar de entrenar un modelo nuevo solo con datos en bruto, los desarrolladores emplean las respuestas, valoraciones o patrones de comportamiento del modelo más potente y se los transmiten al alumno. Esto ayuda a mejorar la calidad más rápido y a ahorrar recursos de cómputo.

"Usar otras IA para verificar la propia IA es una práctica estándar".

Dentro de una misma empresa, este enfoque se considera normal desde hace tiempo: los laboratorios reducen con regularidad sus propios modelos insignia para lanzar versiones más baratas y rápidas. El problema surge cuando el "maestro" es el modelo de un competidor. Entonces la cuestión ya no es solo técnica, sino también jurídica: ¿es una optimización legítima o un intento de copiar barato las capacidades de otro? Ahí se sitúa la principal línea de tensión entre la velocidad de desarrollo y la protección de la ventaja intelectual.

Por qué crece la disputa

Por eso la destilación se ha convertido en uno de los temas más espinosos del mercado de la IA. Formalmente, el método en sí no está prohibido, pero los límites de lo admisible dependen a menudo de los acuerdos de usuario, las políticas internas y la forma exacta en que se recopilaron los datos de entrenamiento. Por esta zona gris, las empresas se acusan cada vez más no de copiar código directamente, sino de trasladar el comportamiento de los modelos. Hay todavía pocos precedentes judiciales, así que las reglas del juego en este terreno se están escribiendo, en esencia, en tiempo real.

• La destilación reduce el coste del entrenamiento y acelera el lanzamiento de nuevos modelos.
• Permite a los laboratorios más pequeños alcanzar antes a los líderes del mercado.
• Usar un modelo externo puede contradecir las condiciones de servicio de su propietario.
• Es muy difícil demostrar dónde termina la "validación" y dónde empieza la copia de capacidades.

OpenAI ya expresó públicamente su preocupación por que sus modelos pudieran usarse para tareas de este tipo, y Anthropic citó por separado a DeepSeek, Moonshot y MiniMax entre las empresas que le generan dudas. Google también intenta protegerse de lo que llama "ataques de destilación" y de las infracciones de sus condiciones de uso. Ahora resulta que incluso los protagonistas de los conflictos judiciales más sonados del sector no se mantienen al margen de esta práctica.

Qué significa

El caso de xAI muestra que la destilación se ha convertido definitivamente en norma del mercado, aunque las empresas la critiquen en público cuando la practican sus competidores. Para la industria es una señal: las disputas en torno a la IA girarán cada vez más no solo sobre datos y derechos de autor, sino también sobre si se puede "aprender" de un modelo ajeno sin infringir las reglas. Y procesos como este pueden determinar dónde estará en los próximos años la frontera entre la inteligencia competitiva, la optimización de ingeniería y la violación de las reglas de una plataforma.