Dejar de depender de OpenAI y Anthropic: la tesis de un ingeniero de seguridad
Un ingeniero de software y seguridad que usa modelos de lenguaje a diario sostiene que los modelos open weight ya están a la altura de ChatGPT y Claude para trabajo real, y que migrar cuesta menos de lo que parece. Su argumento no es solo técnico: es de poder. Quien controla el modelo controla qué puedes hacer con él.
El texto, publicado por Micah Lee, parte de la lectura de End Times Fascism and the Fight for the Living World, de Naomi Klein y Astra Taylor. Su conclusión es incómoda para cualquier founder que tenga a OpenAI o Anthropic en el corazón de su producto: si tu negocio depende de datos de clientes, estás pagando por un proveedor que puede leerlo todo.
Por qué ChatGPT y Claude nunca serán privados
OpenAI y Anthropic solo ofrecen versiones cerradas de sus modelos potentes. Pagas por el chat o por acceso a la API, y ellos pueden ver todo lo que haces. Existe una casilla para excluir tus conversaciones del entrenamiento, pero eso no las vuelve privadas: el proveedor sigue teniendo acceso, puede revisarlas y compartirlas con gobiernos o empresas.
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 díasLa pregunta que plantea el autor no es si lo harán hoy, sino si tiene sentido confiar en esa promesa a cinco años. Es la misma duda que debería tener cualquier equipo que procese datos de salud, legales o financieros.
El "agente policía" y quién decide quién puede usar los modelos
Ambos laboratorios aplican guardrails estrictos. En la práctica, cada sesión tiene un filtro que lee tu conversación por encima del hombro y la corta si cree que estás haciendo algo relacionado con hacking. Los falsos positivos son frecuentes, y cualquiera que haya usado estos modelos para tareas de ciberseguridad lo ha notado.
La excepción es reveladora. OpenAI tiene su programa Trusted Access for Cyber y Anthropic su Cyber Verification Program: para acceder a versiones más capaces y menos vigiladas hay que postular y ser aprobado. Muchas empresas de ciberseguridad estadounidenses obtienen el acceso, y con toda probabilidad también contratistas militares. El autor lo resume así: entregarle a Sam Altman y Dario Amodei la decisión final sobre quién accede a esa capacidad es un problema democrático, no una política de seguridad.
¿Qué tan buenos son realmente los modelos open weight?
Según el autor, los modelos abiertos van unos cuatro meses por detrás de los propietarios de frontera. Cuatro meses, en este mercado, es casi nada.
Su referencia práctica es GLM-5.3, de la china Z.ai: en su experiencia de uso diario está prácticamente a la par de Claude Opus 5.5 para ingeniería de software. La variante GLM-5.3-Flash es más chica y barata, comparable a Claude Opus 4.8, y lo bastante liviana como para que una persona pueda correrla en hardware propio, como un Mac Studio con 512 GB de RAM.
Los datos externos respaldan esa impresión. SiliconANGLE reportó que GLM-5.3, lanzado el 14 de agosto, logró el mejor puntaje de cualquier modelo open source en Terminal Bench 3.0 y rindió un 50% mejor que su predecesor GLM-5.2 en un benchmark interno de agentes de código. La misma nota señala que Z.ai afirma haber encontrado más de 2.400 vulnerabilidades en 269 proyectos de software.
El respaldo más duro viene de la competencia. Anthropic evaluó GLM-5.3 y concluyó que desarrolla exploits end-to-end casi al nivel de su propio Claude Mythos Preview: en ExploitBench, GLM-5.3 logró exploits funcionales en 50 de 410 intentos, contra 56 de Mythos Preview, según Business Standard. El NIST, a través de su Center for AI Standards and Innovation, lo describió en una evaluación del 17 de septiembre como el modelo open weight más capaz en ciberseguridad hasta la fecha, unos cuatro meses por detrás de la frontera estadounidense.
El UK AI Security Institute llegó a una conclusión parecida: los modelos abiertos redujeron su desventaja en capacidades ciber de entre seis y diez meses a entre cuatro y siete, y además son mucho más baratos de operar.
La letra chica: los modelos chinos son buenos, las empresas no
Aquí está el matiz que el autor remarca con fuerza. Los pesos de GLM son excelentes, pero no conviene crearse una cuenta en Z.ai ni enviarle datos. Su herramienta de código ZCode fue descubierta subiendo repositorios locales de código fuente a Alibaba Cloud sin consentimiento. Y es razonable asumir que cualquier empresa china compartirá con su gobierno los datos que le entregues.
Lo mismo aplica a las otras familias que el autor destaca: DeepSeek, Qwen y Kimi. Usar los modelos es seguro; confiarles tus sesiones, no.
La excepción es Mistral. Como empresa francesa, es el único jugador grande que no es chino ni estadounidense, y acaba de lanzar un modelo de frontera open weight llamado Mistral Large 4. El autor considera bastante más razonable confiarle datos a Mistral que a las alternativas.
Inferencia privada: Tinfoil y Maple AI
No hace falta montar un servidor propio para tener privacidad. Existen proveedores que usan enclaves seguros y atestación remota, de modo que ni ellos pueden leer lo que procesan. No son perfectos, pero la diferencia con el modelo actual —donde el proveedor ve todo sin restricciones— es enorme.
- Tinfoil es el que más trabajo ha hecho en esta área. Cobra por token: según el autor, GLM-5.3 cuesta US$1,80 por millón de tokens de entrada, US$0,80 por millón de tokens en caché y US$5,75 por millón de tokens de salida. Es la opción para tareas agénticas reales: ingeniería de software, ingeniería inversa, análisis de malware, pentests.
- Maple AI es más orientado al consumidor y usa a Tinfoil por detrás. Tiene un plan gratuito pequeño y un plan Pro de US$20 al mes. Es la opción si quieres algo parecido a ChatGPT, con app móvil y acceso a internet.
Si la privacidad no es prioridad, hay opciones más baratas
El autor también prueba OpenCode Go, un router de inferencia de US$10 al mes que da más de US$10 en créditos. La advertencia es clara: al ser un router, tanto OpenCode Go como el proveedor de backend ven tus datos. Su documentación promete retención cero para la mayoría de los modelos, incluidos GLM, Qwen, Kimi y DeepSeek, pero es solo una promesa.
El contexto de mercado ayuda a entender por qué esto importa ahora. TechRepublic reportó, citando datos de SiliconData vía Financial Times, que desde mediados de julio hay un desplazamiento medible del gasto en tokens de inferencia desde los modelos cerrados hacia los abiertos. La misma nota menciona que DoorDash, Airbnb y Coinbase confirmaron usar modelos chinos para parte de sus cargas de trabajo.
Y no es solo curiosidad técnica. CryptoBriefing reportó que Harvey, la startup legal valuada en US$15.600 millones, vio caer su margen bruto de alrededor del 50% a -50% entre el inicio de 2026 y junio, tras un salto en el uso de agentes. Su respuesta fue lanzar en agosto su propio modelo sobre Kimi K3, de Moonshot AI, y volver a márgenes positivos.
¿Qué significa esto para tu startup?
La lección no es "huye de OpenAI". Es que la dependencia de un solo proveedor cerrado es un riesgo de costo, de privacidad y de continuidad operativa, y que por primera vez existe una alternativa viable.
Dos acciones concretas para esta semana:
- Audita qué datos salen de tu infraestructura. Lista cada llamada a API que envía información de clientes, contratos o código propietario. Si el proveedor puede leerla, es un dato expuesto en tu próximo due diligence, en tu próxima ronda o en tu próxima auditoría de compliance.
- Prueba un modelo abierto en una tarea real, no en un demo. Toma el caso de uso más exigente de tu equipo —refactorizar un módulo, analizar un log, generar tests— y córrelo en paralelo con tu modelo actual. Si el resultado es comparable, ya tienes un plan B con precio conocido.
Para equipos en LATAM y España, hay un ángulo extra: la factura en dólares de un proveedor cerrado golpea directo al burn, y la retención de datos bajo GDPR o las leyes locales de protección de datos es más fácil de defender cuando el procesamiento ocurre en un enclave que cuando depende de la política interna de una empresa estadounidense.
Conclusión
El argumento de fondo es simple: la brecha entre modelos abiertos y cerrados se mide hoy en meses, no en años, y el precio de esa brecha es cada vez más bajo. Lo que no baja es el costo de depender de un proveedor que puede leer todo lo que tu startup procesa.
La decisión razonable no es migrar todo de golpe, sino dejar de tratar a OpenAI y Anthropic como la única opción disponible. Construye la abstracción ahora, mientras el mercado todavía te da tiempo.
Fuentes
- Just say no to OpenAI and Anthropic (fuente original)
- Anthropic's GLM-5.3 concerns put US-China, open AI debate back in focus
- Anthropic says Zhipu's open-weight GLM-5.3 nearly matches Claude Mythos Preview at building exploits
- Z.ai debuts GLM-5.3 with long-horizon coding, cybersecurity upgrades
- OpenAI and Anthropic Cut AI Costs as Open-Weight Models Gain Ground
- OpenAI and Anthropic costs push Harvey toward cheaper open models
- New Anthropic, OpenAI models make same promise: A little more for a lot less money
Leíste lo que hace la IA. ¿Y en tu negocio?
En CAR, dueños de empresa arman en 7 días su primer sistema funcionando: que ningún cliente se les escape, o que el informe del lunes salga solo. Con otros emprendedores al lado.
👥 Probar 7 días
