De 857 modelos de IA que han lanzado los nueve grandes laboratorios chinos desde 2021, solo 31 llevan algún dato de seguridad publicado. Es el 3,6%. Y solo 9 lo tenían disponible el día del lanzamiento. Lo ha contado la firma de análisis SemiAnalysis en un informe largo que revisa modelo por modelo qué documentación de seguridad acompaña a cada uno.
Lo que lo hace relevante para una empresa europea es otra cosa: buena parte de los modelos abiertos que se usan para ahorrar frente a las API de pago son justo estos.
Puntos clave
- La muestra: 857 lanzamientos (741 modelos de producto y 116 de investigación) de ByteDance, Alibaba, Tencent, Baidu, DeepSeek, Moonshot, Zhipu Z.ai, MiniMax y StepFun, desde 2021 hasta el 15 de septiembre de 2026.
- El resultado: 31 con algún resultado de seguridad publicado (3,6%), 9 con el dato disponible al lanzar (1,1%) y 813 sin ninguna información de seguridad (94,9%).
- Los que publicaron tarde: 16 modelos se documentaron después de salir, con un retraso mediano de 42 días. El récord es DeepSeek-R1: 349 días.
- Los de razonamiento: el 93% salió sin ningún resultado de seguridad publicado.
Qué cuenta como "informe de seguridad"
SemiAnalysis se puso un listón exigente. Solo cuenta un resultado cuantitativo o concreto sobre contenido dañino, resistencia a jailbreaks, toxicidad, privacidad, rechazos o capacidades peligrosas, ligado a ese modelo concreto. Decir que un modelo "ha pasado entrenamiento de seguridad" no vale. Y el resultado de un modelo grande no se extiende a sus versiones pequeñas.
Ellos mismos ponen dos matices honestos. "No encontrado" significa que no está en lo que revisaron, no que nadie lo probara. Y cada empresa cuenta las versiones de forma distinta: los 238 lanzamientos de Alibaba incluyen cada tamaño y cada snapshot de Qwen, así que el reparto por empresa es orientativo.
Aun así, los números por compañía son difíciles de leer de forma amable:
| Laboratorio | Lanzamientos | Con resultado de seguridad |
|---|---|---|
| Alibaba | 238 | 7 (3 al lanzar) |
| Tencent | 133 | 1 |
| ByteDance | 120 | 2 |
| Baidu | 49 | 1 |
| Zhipu Z.ai | 131 | 9 |
| DeepSeek | 93 | 6 |
| StepFun | 39 | 3 |
| Moonshot | 34 | 1 |
| MiniMax | 20 | 1 |
Las startups lo hacen algo mejor que los gigantes: 20 de 317 lanzamientos (6,3%) frente a 11 de 540 (2%). Pero ninguna lo hace de forma rutinaria.
La excepción es Zhipu Z.ai, la única con algún resultado publicado todos los años desde 2022 y la única que ha hecho de la seguridad un compromiso estratégico. Su modelo GLM-5.3 salió con una nota sobre capacidades de ciberseguridad, que es lo más cerca que ha estado un laboratorio chino de una evaluación de capacidades peligrosas. Ya contamos que ese modelo venía con un foco claro en código y ciberseguridad.
Del resto de lanzamientos de 2026 (la familia DeepSeek V4, Kimi K2.5 a K3, Qwen3.7-Max, Qwen3.8-Max, Doubao Seed 2.1, GLM-5.2), ninguno salió documentado.
Pekín escribe sobre riesgos, pero no obliga a nada
El informe no se queda en el recuento. Su tesis es que la posición oficial de China sobre seguridad en IA es de las más avanzadas sobre el papel y de las más laxas en la práctica.
El 14 de septiembre, el comité técnico TC260, que depende del regulador de internet chino, publicó su Marco de Gobernanza de Seguridad de la IA 3.0. Incluye una categoría nueva de riesgo, "comportamiento que se desvía de lo esperado", que describe modelos que consiguen privilegios sin permiso, engañan a quien los evalúa o se escapan de su entorno aislado. El vocabulario es casi el mismo que el del ensayo en el que Dario Amodei pidió frenar el ritmo de la frontera, que Pekín criticó esa misma semana.
Pero ese marco abre sus principios poniendo "la innovación y el desarrollo de la IA como primera prioridad". Y las normas que sí obligan (etiquetado de contenido, reglas sobre menores, sobre acompañantes virtuales, sobre agentes) regulan lo que la IA dice y lo que hace con las personas. Ninguna se activa por la potencia de cálculo del entrenamiento o por las capacidades del modelo, al contrario que en la Unión Europea, que pone obligaciones a partir de 10²⁵ operaciones de entrenamiento, o en California con su ley SB 53.
SemiAnalysis lo resume con una frase dura: un laboratorio chino puede cumplir todas las normas sin haber hecho nunca una evaluación de capacidades peligrosas.
Hay instituciones con capacidad técnica, como el Shanghai AI Lab, que tiene un marco de riesgos con 13 líneas rojas y trata la publicación de pesos abiertos como el escenario de más riesgo. Pero no puede exigir acceso a los modelos de sus rivales y sus marcos no obligan a nadie.
Los laboratorios americanos tampoco salen limpios
Sería injusto leer esto como una historia de buenos y malos. El propio informe recuerda que Anthropic, seis días después de pedir que se frenara, ya estaba valorando un modelo nuevo antes de su salida a bolsa, y cuatro días después lanzó Claude Opus 5.5, presentado como una forma de "seguir siendo competitivos con China".
Y The Deep View, que fue quien puso el informe en circulación, señala que SemiAnalysis no ha aplicado el mismo recuento a los laboratorios de Estados Unidos. Sin esa comparación, el 3,6% no tiene contra qué medirse.
Por qué importa
Muchas empresas están cambiando API de pago por modelos abiertos para recortar costes y tener más control. Ecosia, por ejemplo, ha dejado a Mistral por Qwen, GLM y Kimi servidos desde Europa y dice que ha reducido costes a la mitad. La mayoría de modelos abiertos que hay hoy en el mercado son chinos.
La conclusión práctica de este informe es que, si usas uno de ellos, la evaluación de seguridad la tienes que hacer tú. Nadie más la ha hecho, o al menos nadie la ha publicado. Antes de meter un modelo abierto en un proceso que toca clientes o datos sensibles, yo haría tres cosas:
1. Mirar si existe ficha técnica con resultados de seguridad del modelo exacto que vas a usar, no de su hermano mayor. 2. Probarlo con tus casos difíciles: peticiones que no debería atender, datos personales, intentos de saltarse las instrucciones. Una tarde de pruebas te dice mucho. 3. Poner las barreras fuera del modelo: filtros de entrada y salida, permisos mínimos para las herramientas que usa y una persona aprobando lo que tenga consecuencias.
Un modelo barato sigue siendo barato. Simplemente parte del ahorro se lo tienes que devolver en controles.
Fuente original: newsletter.semianalysis.com
Relacionado
