Destilación: OpenAI afirma haber reducido la extracción de razonamiento al 0,2%, el mismo día en que un informe del Congreso apunta a los modelos abiertos chinos
El 20 de noviembre, OpenAI detalló sus defensas contra la «destilación adversaria», que consiste en entrenar un modelo rival con las respuestas del suyo: la tasa de éxito de un ataque probado baja del 54% al 0,2% en GPT-6.2 Astra. Ese mismo día, dos presidentes de comisión de la Cámara de Representantes publicaron un informe de 50 páginas que recomienda apartar los modelos chinos de los sistemas federales, con los casos de Airbnb, Cursor y DoorDash como ejemplo.

Dos publicaciones salieron el mismo día, el viernes 20 de noviembre, en Washington y en San Francisco. Cuentan la misma historia. OpenAI detalló cómo se defiende de la «destilación adversaria»: un competidor entrena su propio modelo con las respuestas de GPT y obtiene sus capacidades sin las salvaguardas. Ese mismo día, dos presidentes de comisión de la Cámara de Representantes publicaron un informe de investigación de 50 páginas. Pide apartar los modelos de IA chinos de pesos abiertos de los sistemas federales y sostiene que buena parte de sus avances procede precisamente de esa destilación.
Lo que protege OpenAI: el razonamiento oculto
El objetivo principal es el razonamiento protegido, los pasos intermedios que un modelo como GPT-6.2 Astra produce antes de responder, sin que el usuario los vea. Según OpenAI, esas trazas contienen información que la respuesta final omite, lo que las convierte en datos de entrenamiento especialmente valiosos para un modelo «alumno».
OpenAI publica un estudio interno para demostrarlo. Un modelo alumno se entrenó con tareas de programación y de ciberseguridad defensiva resueltas por un modelo de nivel Astra. Tras el entrenamiento supervisado, el alumno alimentado con las trazas exactas obtuvo en general mejores resultados que el alimentado con los resúmenes de razonamiento visibles para el usuario. Tras una fase de aprendizaje por refuerzo, la ventaja solo se mantenía con el mayor presupuesto de cálculo probado.
Los resultados de las pruebas de ataque, medidos por OpenAI con seis modelos atacantes automatizados:
| Tasa de éxito del ataque (evaluación interna) | GPT-6 Astra, salvaguardas originales | GPT-6.2 Astra, salvaguardas reforzadas |
|---|---|---|
| Extraer el razonamiento de una solicitud anterior | 54,0% | 0,2% |
| Extraer el razonamiento de la solicitud en curso | 22,9% | 0,9% |
En la API, el razonamiento queda ahora ligado al historial que lo produjo: si un desarrollador reescribe un mensaje anterior, la API descarta el razonamiento posterior. En septiembre, OpenAI había descrito ataques que trasladaban un razonamiento cifrado a otra conversación para hacerlo revelar; asegura haber reforzado desde entonces la separación entre usuarios, espacios de trabajo y organizaciones. Las familias de modelos antiguas, menos protegidas, ya no pueden leer el de GPT-6.2. OpenAI también afirma actuar cada semana contra redes de miles a decenas de miles de cuentas. Recuerda que informó al Congreso en febrero de intentos de destilación atribuidos a DeepSeek y que en septiembre atribuyó parte de una campaña a personas vinculadas a Moonshot AI, el desarrollador de Kimi.
El informe del Congreso: Airbnb, Cursor y DoorDash como ejemplos
El informe lo firman Andrew Garbarino, presidente de la Comisión de Seguridad Nacional, y John Moolenaar, presidente de la comisión especial sobre China, ambos republicanos. La investigación se abrió en abril y se apoya en tres empresas estadounidenses:
| Empresa | Modelos chinos citados | Uso descrito en el informe |
|---|---|---|
| Airbnb | Qwen 2.5, 3 y 3.5 (Alibaba) | Asistente de clientes (unas 80.000 interacciones al día) y resumen de unos 250.000 casos y llamadas al día |
| Anysphere (Cursor) | Kimi K2.5 (Moonshot AI) | Base de Composer 2, el modelo propio de Cursor, algo que se supo cuando un desarrollador independiente identificó el modelo de base |
| DoorDash | Qwen, DeepSeek, Kimi, GLM, MiniMax, ByteDance | 25 familias de modelos autorizadas y desplegadas de forma significativa (al menos 5000 dólares de cálculo); sustituir una de ellas podría llevar hasta seis meses |
El informe cuantifica el fenómeno a partir de fuentes públicas. En OpenRouter, la cuota de los modelos de pesos abiertos en los tokens de solicitudes procedentes de Estados Unidos habría pasado del 26% en septiembre de 2025 al 60% en agosto de 2026, sobre todo a favor de modelos chinos. Los modelos chinos habrían representado el 41% de las descargas en Hugging Face en un año, y la familia Qwen contaría con más de 151.000 modelos derivados. Según el informe, el mejor modelo estadounidense de pesos abiertos es solo el 10.º del índice más reciente de Artificial Analysis, por detrás de seis modelos chinos. En la clasificación de septiembre, el mejor modelo estadounidense de pesos abiertos era Inkling, de Thinking Machines Lab, cuyo entrenamiento inicial utilizó datos sintéticos generados, entre otros, por Kimi K2.5, según el laboratorio citado por el informe. Ese mismo laboratorio acaba de publicar Inkling 2 Mini.
Las 12 recomendaciones van más allá de la prohibición. El informe pide prohibir los modelos chinos en los sistemas y contratos federales, retirarlos de las funciones de alto riesgo de las infraestructuras críticas y bloquear el uso de subvenciones federales de ciberseguridad para comprarlos. También propone una iniciativa nacional de modelos estadounidenses de pesos abiertos, una norma de procedencia de los modelos con una «lista de componentes», sanciones contra los destiladores y un examen de las ventas de datos de entrenamiento estadounidenses a laboratorios chinos.
Nuestro análisis
Los dos textos se responden: OpenAI aporta el argumento técnico y el Congreso extrae las consecuencias políticas. Aun así, hay que leerlos por lo que son. Las tasas de ataque de OpenAI las mide OpenAI, y las atribuciones de destilación se basan en declaraciones de empresas y agencias que no pueden verificarse públicamente. El informe, por su parte, no tiene fuerza de ley: son recomendaciones de dos presidentes de comisión de la mayoría, que solo afectan a Estados Unidos. El informe reconoce además el verdadero motor de la adopción: las empresas eligen estos modelos porque son baratos, modificables y no existe un equivalente estadounidense al mismo precio. Para una empresa europea que usa Qwen o Kimi, nada cambia a corto plazo. La exigencia de trazabilidad, saber qué modelo funciona dónde y de dónde procede, podría en cambio imponerse en los contratos con clientes estadounidenses.
Fuentes
- OpenAI — Combatting adversarial distillation (20 de noviembre de 2026) Fuente primaria
- Comisión de Seguridad Nacional de la Cámara de Representantes — comunicado del informe conjunto (20 de noviembre de 2026) Fuente primaria
- Informe conjunto de las comisiones de la Cámara sobre los modelos de IA chinos (PDF, 20 de noviembre de 2026) Fuente primaria
Una fuente primaria procede directamente de la empresa, el laboratorio o la organización implicados. Una fuente secundaria recoge la información sin ser su autora: la señalamos como tal. ¿Has visto un error? Consulta nuestra política de correcciones.


