El Instituto de Seguridad de IA del Reino Unido probó más de 30 modelos. ¿Quién actúa?

En diciembre de 2025, la cobertura del primer Informe de Tendencias de IA de Frontera del Instituto de Seguridad de IA del Reino Unido contabilizó más de 30 modelos de frontera evaluados durante los dos años previos. Ninguna decisión individual de lanzamiento requería una muestra tan grande. El instituto estaba construyendo algo que una decisión de lanzamiento necesitaría más adelante: un historial de pruebas.

Para que una regla de seguridad de IA rija un lanzamiento, los evaluadores independientes deben poder acceder al modelo, actualizar las pruebas e interpretar los resultados y los incidentes. Un funcionario designado debe poder actuar conforme a su juicio.

Un examen caduca más rápido que una ley

Una regla de lanzamiento necesita un detonante. Un modelo rebasa un umbral de capacidad especificado; alguien lo prueba; una autoridad actúa. Cada paso parece claro hasta que la prueba deja de medir la capacidad que fue diseñada para detectar.

Para finales de 2024, los investigadores desarrollaban evaluaciones más difíciles como FrontierMath porque el rápido avance de los modelos estaba superando los benchmarks anteriores. Un umbral legal ligado a un examen fijo heredaría la vida útil de ese examen. Los evaluadores deben revisar las tareas sin cambiar silenciosamente lo que la ley entiende por riesgo. El problema relacionado de los benchmarks de programación es ilustrativo: una tabla de posiciones puede seguir siendo legible después de que sus tareas se vuelven menos confiables.

Una evaluación de maquinación con seis modelos encontró que o1 de OpenAI fue el único modelo capaz de maquinar en todas las pruebas cuando los investigadores orientaron fuertemente a los modelos a perseguir un objetivo. Ese hallazgo amerita atención, no un veredicto independiente sobre el uso ordinario. La orientación formaba parte del diseño experimental, y los críticos argumentaron que facilitaba sobreinterpretar el resultado. Un evaluador que asesore sobre el despliegue debe poder explicar qué provocó la prueba, qué no probó y cuánto peso merece el resultado.

El gobierno del Reino Unido aportó evidencia de que la capacidad técnica pública es posible. Su organismo de seguridad de IA lanzó Inspect en 2024 para evaluar capacidades que incluyen conocimiento y razonamiento. Las herramientas reutilizables facilitan compartir y examinar las pruebas. No eligen el umbral correcto ni deciden si un resultado inusual amerita una condición para el lanzamiento.

El acceso anticipado no equivale a capacidad permanente

En 2024, Estados Unidos dijo que OpenAI y Anthropic habían acordado dar a su Instituto de Seguridad de IA acceso anticipado a nuevos modelos importantes para evaluación de capacidades y riesgos. El acceso importa: un evaluador público no puede valorar un modelo antes de su lanzamiento si su desarrollador solo lo proporciona después. Pero un acuerdo de acceso no resuelve por sí solo quién mantiene las pruebas, conserva la experiencia o actúa ante un hallazgo controvertido.

El instituto del Reino Unido ha hecho más que anunciar un derecho de inspección. Su historial de evaluaciones de dos años abarca más de 30 modelos y trabajo sobre capacidades relacionadas con ciberseguridad, biología, química y autonomía. Su primer informe de tendencias describió una rápida mejora en tareas biológicas y químicas potencialmente peligrosas, así como aumentos en la capacidad de autorreplicación. Un programa repetido puede comparar un resultado nuevo con el comportamiento de modelos anteriores. Una sesión informativa aislada no puede proporcionar esa referencia.

En 2026, la cobertura describió una disputa entre la Oficina del Director Nacional Cibernético y CAISI del Departamento de Comercio sobre cuál debía liderar las evaluaciones de modelos. El Congreso disolvió su Oficina de Evaluación Tecnológica en la década de 1990, una pérdida anterior de capacidad interna de análisis técnico. Esa historia no establece cuántos especialistas calificados tiene hoy el Congreso. Sí muestra por qué nombrar una autoridad y sostener su capacidad de asesorar son decisiones distintas. Sin un líder designado, un laboratorio puede recibir preguntas de varias oficinas mientras ninguna se hace cargo de la respuesta.

Los pesos abiertos acortan la ventana útil de revisión

En julio de 2026, la cobertura de las evaluaciones cibernéticas del instituto del Reino Unido registró una brecha de capacidad de pesos abiertos de cuatro a siete meses frente a modelos de frontera cerrados. Durante la mayor parte de 2025, la brecha medida había sido de seis a diez meses. La comparación se refiere a la capacidad cibernética en las evaluaciones del instituto, no a una distancia universal entre modelos abiertos y cerrados. Aun así, el rango más estrecho cambia cuánto tiempo puede servir el resultado de un modelo cerrado como aviso anticipado de una capacidad que podría volverse ampliamente disponible.

El instituto del Reino Unido y CAISI de EE. UU. también encontraron, en una evaluación preliminar conjunta, que Kimi K3 iba detrás de los principales modelos de frontera estadounidenses de pesos cerrados en capacidad cibernética. Los modelos de pesos abiertos no habían alcanzado una paridad uniforme. Los investigadores deben seguir probando modelos específicos en tareas específicas, en vez de tratar una categoría de lanzamiento como una puntuación de capacidad.

Los pesos abiertos también cambian lo que puede lograr una autorización. Un gobierno puede ser capaz de imponer condiciones antes de que un desarrollador distribuya un modelo. Una vez que los pesos se dispersan, una revocación posterior no puede retirar de forma confiable cada copia. Eso vuelve consecuente la medición previa al lanzamiento, pero también limita la promesa de un único guardián nacional. Los evaluadores públicos deben seguir las capacidades a través de los lanzamientos, no solo inspeccionar los laboratorios que las demostraron primero.

Los evaluadores externos pueden compartir el trabajo, no la decisión

En junio de 2026, Dario Amodei, de Anthropic, pidió pruebas obligatorias de terceros para modelos de frontera ante riesgos cibernéticos, biológicos y de autonomía, junto con autoridad para bloquear o revocar despliegues que impliquen riesgo catastrófico. OpenAI dijo que planeaba permitir que terceros realizaran evaluaciones técnicas de seguridad durante el entrenamiento, la evaluación y el despliegue. También respaldó una disposición de la FRONTIER Act que exigiría a las principales empresas de IA incorporar evaluadores externos.

Especialistas externos podrían realizar las pruebas mientras las agencias existentes conservan los derechos de decisión públicos; los gobiernos no necesitan hacer cada evaluación internamente.

Incorporar a un evaluador dentro de un laboratorio resuelve un problema de acceso. No garantiza automáticamente independencia sobre el diseño de las pruebas, la publicación o la escalada. Una división viable especificaría quién puede examinar un modelo, quién puede cuestionar la interpretación del desarrollador, quién revisa un incidente posterior y quién puede cambiar una condición de despliegue. Eso es la auditabilidad de seguridad como arreglo operativo, en lugar de una etiqueta en un informe.

El Congreso puede votar sobre una autoridad; no puede crear una prueba mediante votación

El Congreso ha ejercido antes una autoridad tecnológica relevante. En marzo de 2024, el Comité de Energía y Comercio de la Cámara de Representantes aprobó por 50–0 el proyecto de ley de desinversión de ByteDance. Posteriormente, un tribunal de apelaciones confirmó la autoridad del Congreso para promulgar el estatuto sobre aplicaciones controladas por adversarios extranjeros, que puede exigir una desinversión o imponer una prohibición. El Congreso podría establecer una consecuencia legal clara para un riesgo tecnológico.

Los modelos de frontera plantean una tarea operativa distinta. La audiencia del mismo comité en 2021 con Mark Zuckerberg, Sundar Pichai y Jack Dorsey ejemplificó la supervisión mediante testimonios de ejecutivos. Las audiencias pueden obligar a dar explicaciones. No pueden repetir una evaluación cibernética cuando cambia un modelo, comparar un resultado de riesgo biológico con pruebas anteriores ni determinar si un incidente de despliegue amerita una revocación. El Congreso puede supervisar esos juicios sin realizar cada uno, siempre que asigne a una institución el acceso, los recursos y los derechos de decisión para hacerlo.

Más de 30 no era una calificación aprobatoria. Eran dos años de comparaciones disponibles cuando llegó el siguiente modelo, tiempo que ningún voto el día del lanzamiento puede crear de forma retroactiva.