Anthropic lanza FlashProve para verificar qué IA responde

Qué es FlashProve y qué problema resuelve

Cada vez que envías un prompt a un servicio de IA, confías en que el modelo al otro lado es el que te prometieron. Hoy no hay forma de comprobarlo. Anthropic publicó FlashProve, un prototipo de código abierto que permite verificar criptográficamente que una respuesta salió realmente del modelo que el proveedor dice haber usado, sin revelar nada sobre sus pesos. El código, el informe técnico y las pruebas formales están disponibles bajo licencia Apache 2.0 en el repositorio anthropics/FlashProve de GitHub.

El problema que ataca es muy concreto: si un enrutador cambió en silencio a un modelo más barato, o si alguien alteró el flujo de tokens por el camino, el usuario no tiene manera de enterarse. TechCrunch lo explica con una analogía útil: funciona como la firma criptográfica de un correo electrónico, que permite confirmar que el mensaje salió de quien dice ser el remitente, incluso cuando el impostor es el propio laboratorio que opera el modelo.

Crypto Briefing sitúa la presentación del prototipo el 2 de noviembre de 2026. El proyecto lo lideraron Roy Rinberg y Alex Allain, de Anthropic, con una lista de colaboradores que incluye a Alessandro Chiesa, Giacomo Fenzi y Guy Weissenberg (EPFL), Miranda Christ (MIT y RESI), Rahul Dalal (Anthropic STEM Fellows Program y Succinct) y Ben Mayer (Anthropic Fellows Program y MIT).

Cómo funciona la inferencia demostrable

FlashProve opera en dos fases. En la primera, offline, el proveedor publica un compromiso sobre los pesos del modelo: según Crypto Briefing, ese compromiso ocupa unos 6,5 MB y tarda alrededor de 39 minutos en generarse. En la segunda, por cada inferencia, el sistema produce una prueba succincta que confirma que el modelo comprometido generó exactamente los tokens de salida que dice haber generado, ante un prompt dado.

Lo importante es lo que queda oculto: los pesos, las activaciones y las decisiones de enrutamiento permanecen confidenciales. Eso es lo que hace viable que laboratorios como Anthropic u OpenAI lo adopten sin entregar su activo más valioso.

La base técnica es un zkSNARK (zero-knowledge succinct non-interactive argument of knowledge), un tipo de prueba de conocimiento cero que demuestra que un cómputo se hizo correctamente sin exponer los datos privados que lo sustentan. Anthropic probó el sistema sobre Llama 4 Maverick de Meta, cuantizado a 4 bits y con 400.700 millones de parámetros, y escribió las garantías de seguridad como pruebas verificadas por máquina en Lean, un asistente de demostración. El propio Claude ayudó a construir el sistema.

Cuánto cuesta probar que un modelo es el que dice ser

Acá están los números que explican por qué esto todavía no es un producto:

• Generar las pruebas requiere entre 70 y 95 veces el tiempo de GPU de una inferencia estándar con vLLM.
• Una sola GPU H100 de Nvidia produce pruebas a unos 110 tokens por segundo; un lote de 24 peticiones tardó cerca de 223 segundos.
• Cada petición de 1.024 tokens genera una prueba de aproximadamente 19 MB.
• Verificarla es barato: entre 17 y 21 segundos en una CPU corriente, sin GPU y sin acceso a los pesos.

El contraste con el punto de partida es enorme: la única prueba previa del mismo tipo tardaba 14,3 horas para 1.000 tokens. Pero el salto de escala no cambia la ecuación económica: hoy demostrar que una respuesta es legítima cuesta mucho más cómputo que producirla.

Qué significa esto para tu startup

Si tu producto depende de modelos de terceros, esta discusión te va a tocar antes de lo que crees. La pregunta «¿cómo sé qué modelo me respondió?» deja de ser una curiosidad técnica cuando la IA participa en decisiones de compra, diagnósticos o control de accesos. Y el ecosistema ya se mueve en esa dirección: como señala la fuente original, conviven varios proveedores dentro de un mismo producto —el caso de CrowdStrike, que integró a OpenAI en su producto y a Anthropic en su tienda, es un ejemplo— y las herramientas de vídeo con IA ya arrastran credenciales de procedencia como SynthID y C2PA.

Tres movimientos concretos que puedes hacer esta semana:

• Blinda tus contratos de inferencia. Si compras capacidad a través de routers o agregadores, incluye una cláusula que identifique el modelo y la versión comprometidos, y exige registros de qué modelo atendió cada petición. Hoy no puedes verificarlo criptográficamente, pero sí puedes dejar por escrito qué se prometió y con qué evidencia se demuestra.
• Revisa tus claims de marketing. Si tu web dice «potenciado por» un modelo concreto, empieza a guardar la evidencia de qué versión usaste y cuándo. La verificación de procedencia va camino de convertirse en requisito de auditoría, no en diferencial comercial.
• Diseña tus evaluaciones pensando en auditoría puntual, no en verificación continua. El costo de generar pruebas es prohibitivo, pero el de verificarlas es bajo. Si haces benchmarking o compliance, el modelo realista es pedir pruebas de un lote acotado de interacciones, no de cada llamada a la API.

Y una advertencia para no perder tiempo: no esperes FlashProve en producción. Anthropic lo describe como una herramienta de investigación intermedia y no hay planes de desplegarlo, ni en Anthropic ni en otro laboratorio.

Los límites que lo dejan en el laboratorio

El overhead de 70 a 95 veces es solo el primero de los frenos. La lista completa:

• Solo maneja contextos de 1.024 tokens, muy por debajo de lo que usa cualquier chatbot en una conversación real.
• Solo funciona con modelos de mezcla de expertos (MoE), no con arquitecturas densas.
• Oculta los pesos, pero no el diseño del modelo.
• No cubre los ataques basados en medir tiempos de respuesta.

Anthropic lo enmarca con honestidad: «esta entrada de investigación comparte un progreso intermedio, no una agenda de investigación terminada». La invitación explícita es que otros tomen el trabajo y lo mejoren, algo coherente con haberlo liberado bajo Apache 2.0 en lugar de guardarlo.

Conclusión

FlashProve importa más por lo que plantea que por lo que hoy puede hacer. Durante años, la respuesta a «¿qué modelo me respondió?» fue simplemente confiar en el proveedor. Que Anthropic muestre un camino criptográfico para no tener que confiar a ciegas —y que lo publique abierto— es lo verdaderamente valioso de este anuncio.

Para un founder, la lectura práctica es doble. Primero, la trazabilidad del modelo servido se está convirtiendo en un tema de auditoría, igual que la procedencia del contenido generado: conviene preparar contratos y evidencia antes de que sea obligatorio. Segundo, hay una ventana de oportunidad real en el medio: mientras el costo de generar pruebas siga siendo 70 a 95 veces el de inferir, el negocio no está en verificar cada interacción, sino en construir las capas de auditoría, certificación y confianza que hagan falta cuando la verificación sea barata. Un overhead de 70 a 95 veces y un tope de 1.024 tokens lo dejan, por ahora, en el terreno de la prueba de concepto: es la demostración de que se puede, no la herramienta que vas a usar mañana.

Fuentes

• Anthropic publica FlashProve, una forma de demostrar con criptografía qué modelo de IA generó una respuesta (fuente original)
• Anthropic is working on a system to prove AI models’ identity
• Anthropic’s FlashProve uses zero-knowledge proofs to verify large AI model outputs

Artículos relacionados:

FlashProve: Anthropic prueba qué modelo te respondió Anthropic: FlashProve prueba qué modelo te respondió Claude Haiku 5.5: precio de API cae 90% y empata a GPT-6 Luna Claude Sonnet 5.5: 30% más rápido y hasta 30% más barato CLI vs MCP: Cómo reducir costos de tokens en agentes IA 94%