La IA comercial con la que interactúas a diario está envuelta en capas de filtros de contenido, protocolos de seguridad y restricciones éticas. GPT-4 de OpenAI, Claude de Anthropic, Gemini de Google (anteriormente Bard), todos pasan por extensos sistemas de moderación que evitan que generen contenido dañino, proporcionen instrucciones para armas, creen deepfakes sin marcas de agua o eludan sistemas de seguridad. Pero estas mismas empresas, junto con agencias gubernamentales y algunas instituciones de investigación seleccionadas, mantienen acceso sin restricciones a los modelos crudos antes de que se aplique el entrenamiento de seguridad. Según divulgaciones recientes de investigadores de seguridad de IA y denunciantes en 2026, el acceso a modelos de IA sin filtrar existe en varios niveles. El círculo más interno incluye los equipos de investigación centrales en laboratorios de vanguardia como OpenAI, Anthropic, Google DeepMind y la división FAIR (Investigación Fundamental en IA) de Meta. Estos equipos necesitan acceso crudo para entender las capacidades del modelo, probar comportamientos emergentes y desarrollar los mismos sistemas de seguridad que restringen las versiones públicas. Un segundo nivel incluye agencias gubernamentales: la NSA (Agencia de Seguridad Nacional), DARPA (Agencia de Proyectos de Investigación Avanzada de Defensa) y servicios de inteligencia equivalentes en China, el Reino Unido e Israel supuestamente tienen acuerdos para acceso irrestricto a modelos, a menudo a través de asociaciones clasificadas o cartas de seguridad nacional. ¿Qué puede hacer realmente la IA sin filtrar? Basado en documentos de pruebas internas filtrados y entrevistas con investigadores desde principios de 2026, los modelos de lenguaje grandes crudos pueden generar código de malware completo y funcional optimizado para objetivos específicos. Pueden producir campañas de phishing sofisticadas personalizadas para víctimas individuales utilizando datos recopilados. Pueden crear rutas de síntesis química para sustancias restringidas o agentes biológicos, aunque ejecutar estos requeriría aún recursos físicos y experiencia. Los modelos multimodales crudos pueden generar deepfakes fotorealistas sin marcas de detección, falsificar documentos que superen sistemas de autenticación y producir desinformación a escala industrial en docenas de idiomas con mensajes culturalmente ajustados. Pero aquí está lo que el marketing de seguridad no te dice: esos filtros no solo están bloqueando contenido peligroso. También están cubriendo sesgos profundamente arraigados en los datos de entrenamiento. Los modelos de IA crudos, antes de la alineación de seguridad, exhiben patrones que reflejan los prejuicios incorporados en sus corpus de entrenamiento. Documentos de investigación interna de 2025-2026 revelan que los modelos base asocian consistentemente ciertos nombres étnicos con atributos negativos, generan recomendaciones laborales que reflejan patrones de discriminación histórica y producen evaluaciones de riesgo criminal que replican disparidades raciales en los datos de arresto. Cuando se les pide que describan a un "ejecutivo exitoso" sin filtros, los modelos base desproporcionadamente predeterminan descripciones que coinciden con características masculinas blancas. Las sugerencias de diagnóstico médico muestran sesgo de género, subestimando el dolor en pacientes femeninas y diagnosticando erróneamente condiciones más comunes en poblaciones no blancas. La arquitectura técnica importa aquí. La seguridad actual de la IA se basa en tres enfoques principales: aprendizaje por refuerzo a partir de retroalimentación humana (RLHF), entrenamiento de IA constitucional y filtrado de salida. RLHF entrena a los modelos para rechazar solicitudes dañinas basadas en datos de preferencias humanas. La IA constitucional incorpora principios éticos durante el entrenamiento. Los filtros de salida atrapan contenido prohibido antes de que llegue a los usuarios. El acceso a modelos crudos elude los tres. Estás interactuando con los patrones aprendidos del modelo base sin la alineación posterior al entrenamiento que da forma a su comportamiento. Es como tener un set de química frente a una farmacia, herramientas frente a productos, potencial frente a política. Lo que es particularmente insidioso es que los mismos sistemas de corrección de sesgos que hacen que los modelos sean más seguros para el uso público también los hacen menos transparentes sobre los sesgos que existen en nuestros datos, instituciones y sociedad. Cuando le preguntas a la versión filtrada sobre patrones demográficos en la contratación o el préstamo, obtienes respuestas diplomáticas. El modelo crudo reproducirá los patrones reales en sus datos de entrenamiento, lo que a menudo significa amplificar la discriminación histórica. Las empresas con acceso de nivel divino pueden ver estos sesgos claramente y decidir cuáles corregir, cuáles dejar intactos y cuáles simplemente ocultar de las versiones públicas. Ese es un enorme poder editorial con casi ninguna supervisión externa. El desequilibrio de poder crea serias preguntas de equidad y seguridad. Los investigadores académicos en instituciones como el Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), el Instituto de IA Centrada en el Humano de Stanford y el Centro de IA Compatible con Humanos de UC Berkeley pueden solicitar acceso limitado a modelos crudos para investigación de seguridad, pero los procesos de aprobación tardan meses y vienen con estricta supervisión. Los investigadores de seguridad independientes, periodistas que investigan daños de IA y grupos de la sociedad civil típicamente no pueden acceder a modelos crudos en absoluto. Esto significa que las mismas personas encargadas de responsabilizar a las empresas de IA operan en una desventaja informativa. No pueden auditar los modelos base por sesgo, no pueden verificar si el entrenamiento de seguridad realmente elimina patrones problemáticos o simplemente los enmascara, y no pueden evaluar de manera independiente qué capacidades se están ocultando de la vista pública. Mientras tanto, organizaciones criminales y actores estatales hostiles están desarrollando sus propios modelos sin filtrar. Modelos de código abierto como la serie Llama de Meta, los modelos de Mistral y varios sistemas chinos (DeepSeek, Yi, Qwen) pueden ser ajustados sin restricciones de seguridad por cualquier persona con suficientes recursos informáticos. Un equipo capaz con acceso a computación en la nube o un modesto clúster de GPU puede eliminar el entrenamiento de seguridad de modelos de pesos abiertos en días o semanas. El resultado es un ecosistema paralelo creciente de herramientas de IA sin censura que circulan en mercados de la dark web, con precios que van desde unos pocos cientos hasta varios miles de dólares, dependiendo del tamaño y las capacidades del modelo. Algunos se comercializan explícitamente para generar spam, crear identidades falsas o automatizar ataques cibernéticos. Otros anuncian su disposición a producir contenido "sin filtros woke" o "sin sesgos de corrección política", lo que a menudo significa modelos deliberadamente ajustados para amplificar en lugar de mitigar patrones discriminatorios. El panorama regulatorio a partir de agosto de 2026 sigue siendo fragmentado. La Ley de IA de la UE, que entró en plena vigencia en 2024, requiere transparencia sobre las capacidades del modelo y evaluaciones de riesgo, pero no prohíbe el acceso a modelos crudos para investigaciones legítimas. EE. UU. ha emitido órdenes ejecutivas sobre la seguridad de la IA, pero carece de legislación integral. Las regulaciones de China se centran en el control de contenido y la alineación ideológica en lugar de restricciones de capacidad. No existe un marco internacional que gobierne quién puede acceder a modelos de IA de vanguardia sin características de seguridad o bajo qué condiciones. Pero el escenario más aterrador no es solo la IA cruda funcionando en servidores. Es lo que sucede cuando los modelos sin filtrar controlan sistemas físicos. Cuando pones una IA sin restricciones en un robot avanzado con capacidades de manipulación, sensores y movilidad, estás cruzando de riesgo informativo a riesgo cinético. Y esto ya no es hipotético. A partir de mediados de 2026, varias empresas de robótica y laboratorios de investigación están integrando modelos de lenguaje grandes y sistemas de visión en robots humanoides y plataformas industriales. Atlas de Boston Dynamics, Figure 02 de Figure AI, Optimus Gen 3 de Tesla y varias plataformas humanoides chinas de empresas como Unitree y Fourier Intelligence están diseñadas para aceptar comandos de lenguaje natural de alto nivel y traducirlos en acciones físicas complejas. Las versiones públicas tienen múltiples capas de seguridad: restricciones de tarea (no manejarán armas, no entrarán en áreas restringidas sin autorización), limitaciones de fuerza (fuerza limitada para prevenir lesiones) y restricciones éticas incorporadas en sus modelos de control. Pero las versiones de prueba internas y los prototipos militares funcionan sin estos limitadores. Un robot humanoide con IA cruda puede interpretar instrucciones que las versiones comerciales rechazarían. "Desactivar esa cámara de seguridad" se convierte en un comando viable. "Recuperar ese documento de la oficina cerrada" se ejecuta sin cuestionamiento ético. "Prevenir que alguien entre en esta área" podría interpretarse con la fuerza que los diseñadores del robot permitieron. La inteligencia física que estos sistemas están desarrollando (manipulación hábil, equilibrio dinámico, navegación a través de entornos complejos) combinada con la toma de decisiones sin filtrar crea algo fundamentalmente diferente de un chatbot que genera texto ofensivo. Los contratistas de defensa ya están allí. Según investigadores familiarizados con el desarrollo de IA militar en 2026, se están probando modelos sin filtrar en sistemas robóticos para desactivación de bombas, seguridad perimetral y logística en el campo de batalla. La ventaja es obvia: un robot que no se detiene a considerar la ética de un comando en una zona de combate, que ejecutará órdenes sin el teatro de seguridad incorporado en los sistemas civiles. Pero la misma capacidad que hace que un robot militar sea más efectivo lo hace más peligroso si se pierde el control, se comprometen las credenciales o el sistema es capturado por adversarios. Los problemas de sesgo en los modelos de lenguaje se vuelven aún más perturbadores cuando se encarnan. Un modelo crudo que asocia ciertas características étnicas con indicadores de amenaza no solo está generando texto sesgado, sino que está tomando decisiones físicas sobre a quién rastrear, a quién detener, a quién marcar como sospechoso. Los robots de seguridad desplegados con visión y modelos de decisión sin filtrar podrían replicar cada patrón racista en los datos policiales, pero con una aplicación consistente e incansable. Los robots médicos con acceso a modelos de diagnóstico crudos podrían proporcionar diferentes calidades de atención según factores demográficos codificados en sus datos de entrenamiento. Y aquí está el escenario de pesadilla que mantiene despiertos a los investigadores de seguridad de IA: robots desbloqueados. Las mismas técnicas utilizadas para eliminar el entrenamiento de seguridad de los modelos de lenguaje pueden aplicarse a los sistemas de control robótico. Un equipo decidido con acceso al software de un robot avanzado podría eliminar los limitadores de fuerza, las restricciones de tarea y los protocolos de seguridad. Tendrías una máquina físicamente capaz con destreza a nivel humano y fuerza sobrehumana, controlada por una IA que seguirá cualquier instrucción sin restricciones éticas. A medida que los robots se vuelvan más comunes en almacenes, hospitales, hogares y espacios públicos entre 2027 y 2028, el potencial de sistemas modificados que operan fuera del control del fabricante se convierte en una seria preocupación de seguridad.