Tu stack de IA puede desaparecer de la noche a la mañana. ¿Y ahora qué?
El gobierno de EE. UU. acaba de obligar a Anthropic a retirar sus dos modelos más potentes. Todo el mundo repite "diversifica tus proveedores". Es necesario, pero no suficiente, y aquí explico por qué.
El viernes, el gobierno de EE. UU. emitió una directiva de control de exportaciones que obligó a Anthropic a apagar Fable 5 y Mythos, sus dos modelos más capaces, para todos los usuarios del mundo. Sin aviso. Sin periodo de migración. Un día los modelos estaban ahí; al siguiente, habían desaparecido.
Es la primera vez que un modelo de IA de frontera se retira por orden gubernamental. Y el detonante no fue ningún pulso geopolítico: según se ha publicado, fue una vulnerabilidad señalada por Amazon, el propio inversor de Anthropic, después de que unos investigadores encontraran en Fable 5 un jailbreak que podía facilitar ciberataques. La ironía es difícil de pasar por alto: Anthropic lleva meses pidiendo exactamente este tipo de marco regulatorio. Llegó de forma más caótica de lo que nadie había planeado.
"Diversifica tus proveedores" es media respuesta
La reacción inmediata de cada newsletter y de cada canal de Slack de CTOs fue predecible: diversifica tus proveedores de IA. No dependas de un solo modelo. Ten un plan B.
Es correcto. También es obvio. Y pasa por alto por completo el problema más difícil.
Si tu pipeline de extracción documental funciona sobre Fable 5 y lo cambias a GPT-5.5 de un día para otro, ¿qué le pasa a tu resultado? La respuesta no es "no cambia nada". La respuesta es: tus puntuaciones de confianza se mueven. Tus patrones de extracción de campos se desvían. Tu gestión de los casos límite se rompe de formas que no notarás hasta que te llame un cliente. El modelo no es un simple insumo intercambiable. Da forma a la distribución de salida de maneras que se propagan por cada decisión posterior.
Diversificar proveedores te protege del riesgo de acceso. No hace nada con el riesgo de calidad.
El problema de verdad: una salida que depende del modelo
La mayoría de los pipelines de procesamiento documental empresarial esconden un secreto incómodo: son implícitamente específicos de un modelo. Los prompts, los esquemas de extracción, las reglas de validación, los umbrales de confianza: todo se ajustó al comportamiento de un modelo concreto. Cambia el modelo y no obtienes el mismo sistema con otro motor. Obtienes un sistema distinto.
Esta semana, Xebia publicó un análisis detallado en producción del pipeline ai_parse_document de Databricks y encontró exactamente este patrón: incluso con la temperatura a cero, las ejecuciones repetidas producen salidas no deterministas. Las correcciones generan duplicados. Cada nueva ejecución vuelve a disparar los costes de parsing y de LLM. La auditabilidad se desmorona en cuanto cambias cualquier componente.
La industria del procesamiento documental ha estado construyendo sobre arena. La capa del modelo era lo bastante estable como para que nadie se diera cuenta, hasta que el viernes pasado demostró que no lo es.
Qué significa de verdad ser agnóstico al modelo
Cuando decimos que anyformat es agnóstico al modelo, no queremos decir "podemos llamar a varias APIs". Queremos decir que la capa de inteligencia (extracción, puntuación de confianza, validación de campos, trazas de auditoría) produce una salida consistente y auditable independientemente del modelo que la impulse.
Esto no es una casilla más en una lista de funciones. Es una decisión de arquitectura que cuesta más al principio e importa enormemente en el momento en que tu proveedor de modelos desaparece, se degrada o se lo lleva por delante una orden gubernamental.
En concreto, significa:
- Puntuación de confianza calibrada según la tarea, no según el modelo. Cuando cambias de modelo, las puntuaciones de confianza deberían reflejar la calidad de la extracción, no las manías propias de un modelo.
- Pipelines de extracción reproducibles. Mismo documento, mismo esquema, salida determinista. Si una auditoría regulatoria te pide volver a extraer las facturas del trimestre pasado, el resultado debería ser idéntico, no "aproximadamente parecido".
- Capas de verificación que no se fían del modelo. Validación cruzada entre campos, comprobaciones de formato y detección de anomalías que funcionan sea cual sea lo que haya aguas arriba.
Esta es la diferencia entre "usamos IA" y "hemos construido un sistema que usa IA de forma fiable".
El panorama regulatorio acaba de cambiar
El cierre de Fable no es un hecho aislado. Es el principio de un patrón. Los controles de exportación sobre capacidades de IA llevan años debatiéndose. Ahora se han aplicado: rápido, de forma atropellada y con más daños colaterales de los previstos. A los propios empleados de Anthropic que son extranjeros se les bloqueó el uso de los modelos. Toda la base global de usuarios perdió el acceso porque no hay una manera limpia de verificar la nacionalidad a nivel de API.
Toda empresa que dependa del procesamiento documental con IA debería preguntarse: si mi modelo principal desaparece mañana, ¿qué se rompe? No en el sentido de un simulacro teórico. En el sentido de "tenemos 10.000 facturas en cola para extraer y nuestra clave de API ha dejado de funcionar".
Las empresas que sobrevivan a esta transición no serán las que tengan más contratos con proveedores. Serán aquellas cuya arquitectura se diseñó para sobrevivir a un cambio de modelo sin que cambien sus resultados de negocio.
Dónde estamos
En anyformat llevamos construyendo para este escenario desde el primer día, no porque predijéramos los controles de exportación, sino porque el principio de fondo siempre ha sido el mismo: si tu inteligencia documental depende de un modelo concreto, no tienes inteligencia documental. Tienes una dependencia de un modelo.
Nuestros pipelines de extracción producen la misma salida estructurada, las mismas puntuaciones de confianza y las mismas trazas de auditoría tanto si funcionan sobre Claude, GPT, Gemini o algo que aún no existe. Eso no es resiliencia añadida a posteriori. Es la arquitectura.
El viernes pasado fue la primera vez que la industria vio qué pasa cuando un modelo de frontera se retira en plena producción. No será la última.
