En mayo de este año, Meta trazó una línea roja para sus propios ingenieros.
Al personal del departamento de ingeniería de IA aplicada ya no se le permite utilizar libremente Claude Code y Codex.
Según las directrices internas obtenidas por The Information, incluso un memorando exigía directamente la suspensión de ciertas tareas que utilizaban estos dos modelos. La redacción del documento era contundente, diciendo que esto podría desencadenar una "escalada grave con socios".
Sin embargo, lo anómalo radica precisamente aquí.
Meta es uno de los mayores clientes mundiales de Claude Code. Su factura total por el uso interno de IA este año se dirige hacia decenas de miles de millones de dólares.
Una herramienta indispensable a diario, que la empresa compró a gran costo, ahora se restringe internamente. Y la razón de la restricción probablemente tampoco la adivinarías.
No es que no sean útiles. Al contrario, es que son demasiado útiles.
Esta línea roja sigue vigente
Según informa The Information, estas restricciones se establecieron en mayo y siguen vigentes.
Para entender por qué Meta está tan nerviosa, hay que hablar de un proyecto interno de asistente de programación con IA.
Este año, formó un equipo de ingeniería de IA aplicada, enfocado en desarrollar su propio asistente de programación con IA, MetaCode (anteriormente DevMate).
El objetivo es dejar de hacer que Meta continúe gastando grandes sumas en modelos de programación con IA de otros, y entrenar uno propio.
Interfaz oficial de Claude Code. Junto con Codex de OpenAI, ya son el estándar de facto para la programación de agentes inteligentes entre desarrolladores profesionales.
Pero entrenar un modelo que sepa escribir código no es tan simple.
Necesitas alimentarlo con una enorme cantidad de datos de alta calidad, y también generar suficientes problemas de programación, lo suficientemente complejos, para que practique y los califique. Este banco de preguntas y su evaluación determinan casi por completo cuán potente será un modelo de programación al final.
Y el problema está precisamente aquí.
La dificultad que Meta enfrenta es cómo evitar que sus empleados dependan demasiado de estas herramientas externas para construir sustitutos internos.
Su preocupación es que los resultados de estos modelos externos se filtren en los datos de entrenamiento, haciendo que su propio modelo aprenda subrepticiamente las habilidades del rival.
Para entender esta preocupación, primero hay que saber cómo "aprende" un modelo: se convierte en lo que le alimentas.
Para que MetaCode se fortalezca, depende del conjunto de datos de entrenamiento y del banco de problemas de programación que acumulen los ingenieros.
Pero si estos problemas, respuestas e incluso criterios de calificación provienen de Claude o Codex, lo que MetaCode aprenderá ya no será "habilidades entrenadas por ingenieros humanos", sino "las habilidades de Claude".
Copiaría las respuestas del examen del rival, volviéndose cada vez más parecido a él.
Más oculto es el eslabón de la evaluación.
Cada vez que el modelo responde una pregunta, algo debe decirle si lo hizo bien o mal, para que sepa cómo mejorar.
Si se deja la creación de preguntas y la calificación a Codex, entonces MetaCode estaría evolucionando hacia lo que "Codex considera correcto", copiando poco a poco los criterios del rival en su propia "mente".
Por eso, esta guía de Meta no permite que la IA sea la creadora de preguntas o la calificadora, e incluso regula si "los materiales generados por IA pueden entrar en el entorno al que tiene acceso el modelo en evaluación".
Mientras la salida del rival se filtre, aunque sea un poco, en la cadena de entrenamiento o evaluación, la línea que define "quién enseñó a quién" se difumina.
En última instancia, Meta suspende ciertas tareas para aislar sus datos de entrenamiento.
El temor es que la IA escriba tan bien que sea difícil distinguir qué habilidades fueron entrenadas por uno mismo y cuáles se aprendieron de Claude y Codex.
Y esta última capacidad es alquilada, no propia.
Restricciones tan detalladas que sorprenden
Primero hay que aclarar que en los documentos internos de Meta no hay registros reales de que algún empleado haya incumplido las normas.
Un portavoz de Meta también respondió que la empresa tiene "políticas claras" que regulan el uso de herramientas de IA. Así que este documento es más bien una alerta interna anticipada.
¿Qué tareas no se pueden dejar en manos de la IA? Principalmente estas tres categorías:
Primero, no se puede usar la salida de Claude o Codex para crear preguntas de prueba para el propio modelo. La cita exacta de la guía dice que esto "claramente cae dentro del ámbito en el que el ingeniero no está al volante", "no queremos tareas derivadas de modelos".
Segundo, no se permite que la IA busque errores en el código fuente, ni que analice código para sugerir "qué se debe probar".
Tercero, cualquier cosa generada por la IA no puede colocarse en un lugar al que el modelo en evaluación pueda acceder.
En pocas palabras, siempre que la IA participe en el juicio de "qué probar o si la respuesta es correcta", las habilidades del rival podrían filtrarse. Las tres reglas bloquean precisamente esta brecha.
¿Qué tareas aún puede hacer la IA?
Construir flujos de trabajo, organizar código y archivos, crear estructuras para probar herramientas internas; estos trabajos rutinarios sí están permitidos. La guía denomina a este tipo de trabajo "andamiaje de pruebas (test scaffolding)" y "calibración de soluciones (solution calibration)", básicamente, tareas de apoyo y creación de marcos.
Incluso para estas tareas, hay una regla inquebrantable: cada línea de producción de la IA debe ser revisada primero por un humano.
Para Meta, una vez que se permite al modelo rival crear preguntas y calificar, ya no queda claro quién ha superado ese examen.
Lo que realmente quiere proteger es esa línea de "quién enseñó a quién".
La trampa ineludible de la "destilación"
Lo que Meta teme tiene un término específico en la industria: destilación (distillation).
El significado no es difícil de entender: se toma un modelo más fuerte, se le hace responder preguntas continuamente, y luego se usan esas respuestas para entrenar un modelo más débil.
Es un poco como hacer que el estudiante estrella complete un examen de principio a fin, y que el estudiante mediocre lo copie, alcanzando en meses la habilidad que al otro le costó años desarrollar.
La enorme inversión en datos, potencia de cálculo e investigación de otros, tú prácticamente la obtienes gratis.
Entrenar un modelo de vanguardia desde cero cuesta una fortuna en dinero y tiempo. Mientras que la destilación podría requerir solo un lote de salidas del otro modelo, reduciendo costos y plazos a una fracción.
La destilación en sí es una práctica habitual en la industria, y las grandes empresas también suelen destilar versiones más pequeñas y baratas de sus grandes modelos para que los usen los clientes.
El problema radica únicamente en: una vez que copias el modelo de otro, ¿la habilidad que entrenas es realmente tuya o es apropiada? No queda claro.
Algunos lo llaman la "trampa de la destilación": cuanto más dependes del modelo más fuerte para construir tus propios cimientos, más difícil es demostrar de dónde viene realmente tu inteligencia.
En Estados Unidos, la ley no prohíbe explícitamente la destilación, y el contenido generado por IA no está protegido por derechos de autor. Usar la salida del otro para entrenar tu propio modelo básicamente no encuentra obstáculos legales.
La única barrera es el contrato.
Los términos de servicio de OpenAI y Anthropic contienen restricciones similares: no se permite usar la salida del modelo para crear algo que compita con ellos.
Y el poder de hacer cumplir esta barrera está completamente en manos del competidor.
El año pasado, Anthropic cortó directamente el acceso de OpenAI a la API de Claude, incluso cuando OpenAI dijo que solo lo usaba para evaluar capacidades y seguridad, una práctica "estándar en la industria".
Incluso Elon Musk se vio forzado a admitir en un juicio en abril de este año que su xAI había "destilado parcialmente" modelos de OpenAI.
El 30 de abril de 2026, en el estrado de testigos de un tribunal federal de California, a Musk se le preguntó si xAI había utilizado técnicas de destilación en modelos de OpenAI para entrenar a Grok. Primero dijo que era una práctica común entre empresas de IA.
Cuando se le presionó para que aclarara si eso equivalía a un "sí", respondió que era "parcialmente".
Las reglas son vagas, y el "poder de hacerlas cumplir" está en manos de los competidores. Quién se atrevería a arriesgar inversiones de miles de millones apostando a que el rival no se enfadará.
Desde esta perspectiva, la preocupación de Meta no es para nada excesiva.
Aquí, hay también un cálculo de ahorro de costos.
Según el memorando interno, solo el uso interno de IA le costará a Meta decenas de miles de millones de dólares este año. Incluso ha comenzado a establecer límites al uso de tokens por parte de los empleados. Una empresa tan poderosa como Meta también comienza a considerar que la IA es demasiado cara y a planificar cuidadosamente.
Si pudiera trasladar el trabajo de desarrollo de costosas herramientas externas a su propio MetaCode, ahorraría dinero y evitaría los riesgos de la destilación, logrando así dos objetivos a la vez.
Un mapa para caminar sobre la cuerda floja
Sobre estos documentos internos de Meta, el experto en derecho tecnológico y asesor legal Mark Leiser tiene una frase muy gráfica: esto es "casi un mapa para caminar sobre la cuerda floja".
Por un lado, se deben obtener los beneficios de los modelos externos, y por otro, hay que evitar que sus habilidades se filtren en el propio sistema.
Por supuesto, no solo Meta está caminando sobre esta cuerda floja; esto toca un punto vital de toda la industria.
Cuando usas una IA lo suficientemente inteligente para crear otra IA igualmente inteligente, al final, puede ser difícil decir: ¿esta inteligencia fue entrenada por ti mismo o aprendida subrepticiamente de la IA de otro?
Y esto no está tan lejos de la gente común.
El código que escribes con IA, los planes que modificas, los materiales que acumulas, al ser retroalimentados, se convertirán en nutrientes para la próxima generación de modelos.
En este ciclo, quién está sobre los hombros de quién, esa línea divisoria se vuelve cada vez más borrosa.
Cuando la IA comienza a ayudarnos a crear IA, ¿aún podemos distinguir de quién son realmente las habilidades?
Referencias:
https://x.com/kimmonismus/status/2071591755351224344
https://www.theinformation.com/articles/internal-docs-show-meta-putting-limits-claude-codex-fearing-distillation
Este artículo proviene del WeChat Official Account "New Zhiyuan", autor: ASI Apocalypse
