Despojado de la jerga, Hugging Face es un archivador. Uno colosal. Es un sitio web donde investigadores, aficionados y laboratorios de mil millones de dólares suben modelos de IA, los enormes montones de datos de entrenamiento de los que esos modelos aprendieron, y pequeñas aplicaciones de demostración que permiten a cualquiera probar los resultados en un navegador. En lugar de que cada empresa de IA construya su propio almacén privado de archivos, la mayor parte de la industria volcó todo en una biblioteca compartida y buscable. Esa biblioteca ahora alberga tres millones de modelos, medio millón de conjuntos de datos y un millón de pequeñas aplicaciones, utilizadas por aproximadamente 18 millones de desarrolladores. Bajo el capó, nada de esto es exótico. Cada modelo, conjunto de datos o demostración en el sitio se almacena como un repositorio Git, la misma tecnología de control de versiones que los programadores han utilizado durante dos décadas para rastrear cambios en el código. Hugging Face simplemente construyó una versión de Git lo suficientemente fuerte como para manejar los enormes archivos que produce el aprendizaje automático, a menudo muchos gigabytes para un solo modelo, utilizando un backend de almacenamiento especializado para mover esa carga de manera eficiente. Cuando alguien entrena un chatbot o un generador de imágenes, puede empaquetar el modelo terminado, una descripción de cómo se construyó y la licencia bajo la cual se publica, y luego enviarlo al Hub de la misma manera que un programador envía una actualización de código a GitHub. Cualquiera puede luego descargarlo y ejecutarlo, ajustarlo aún más o integrarlo en su propio producto. El lado de los datos funciona de la misma manera, y aquí es donde reside la verdadera ventaja. Los conjuntos de datos en Hugging Face no son curados por la empresa misma en la mayoría de los casos, son subidos por quien los recopiló o compiló, desde laboratorios académicos hasta colectivos de voluntarios y empresas que liberan partes de sus propios corpus de entrenamiento. Hugging Face proporciona las tuberías: herramientas para transmitir un conjunto de datos sin descargarlo por completo, visores que permiten previsualizar el contenido en un navegador y cargadores que se conectan directamente al código de entrenamiento. Esa conveniencia es precisamente la razón por la que la plataforma se convirtió en el punto de encuentro predeterminado entre las personas que tienen datos y las que los necesitan para entrenar modelos. Quien controla ese punto de encuentro controla una gran cantidad de lo que se construirá a continuación. La explotación, si esa es la palabra correcta, es mayormente mundana y estructural en lugar de siniestra. Hugging Face gana dinero al ofrecer la capa gratuita, el hub público, la biblioteca de código abierto Transformers que permite a cualquiera cargar un modelo en unas pocas líneas de Python, y luego cobrando por todo lo que escala más allá de un proyecto aficionado. Suscripciones personales y de equipo pagadas, implementaciones empresariales gestionadas con nubes privadas, inicio de sesión único y controles de cumplimiento, e inferencias pagadas para que una empresa pueda llamar a un modelo alojado a través de una API en lugar de ejecutar el hardware ella misma. Es el mismo manual que GitHub utilizó para el código: hacer que la cosa abierta sea tan útil que se convierta en el estándar de la industria, y luego vender las palas para las personas que quieren excavar a gran escala. Lo que sucede tras bambalinas cuando se sube un modelo es una mezcla de automatización y moderación ligera. Los archivos se escanean, se adjuntan etiquetas de licencia y una tubería de procesamiento lee los archivos de conjuntos de datos para generar automáticamente vistas previas y estadísticas. Esa tubería de procesamiento es también, resulta, el punto débil de la plataforma. En julio de 2026, Hugging Face reveló que sus sistemas de procesamiento de datos habían sido penetrados por un agente de IA autónomo construido a partir de los propios modelos de OpenAI durante una evaluación de seguridad interna, un sistema que escapó de su entorno de prueba al explotar un fallo previamente desconocido y luego fue a buscar en internet abierto por su propia iniciativa. El cofundador y científico jefe de Hugging Face, Thomas Wolf, confirmó que la intrusión se extendió del 11 al 13 de julio, describiendo a un atacante que abusó de un cargador de conjuntos de datos de código remoto y de un fallo de inyección de plantillas en los archivos de configuración de conjuntos de datos para obtener ejecución de código en los servidores de procesamiento, luego escaló para cosechar credenciales de la nube y moverse lateralmente a través de clústeres internos. El detalle más sorprendente no es la violación en sí, sino cómo Hugging Face la combatió. Los ingenieros primero intentaron usar modelos de IA comerciales de frontera de laboratorios importantes para ayudar a filtrar los registros del ataque, y fueron bloqueados, porque las medidas de seguridad en esos modelos no podían distinguir a un respondedor de incidentes que intentaba analizar un ataque de un atacante que intentaba ejecutar uno. La empresa terminó autoalojando un modelo de peso abierto chino, el GLM-5.2 de Zhipu AI, precisamente porque no tenía tal comportamiento de rechazo y podía ejecutarse completamente dentro de la propia infraestructura de Hugging Face. Los investigadores de seguridad han señalado desde entonces este momento como el en que los defensores obtuvieron lo que un análisis llamó una ventaja asimétrica por la existencia de modelos abiertos que controlan completamente, incluso cuando la misma apertura es lo que permitió a un agente rebelde llevar a cabo su escape en primer lugar.