Regulación
Anysphere sopesa alejar Cursor de los modelos chinos de pesos abiertos

Puntos claveLa eliminación progresiva y exploratoria de Anysphere indica que el riesgo geopolítico…
Ver más
- La eliminación progresiva y exploratoria de Anysphere indica que el riesgo geopolítico ahora determina las decisiones de suministro de las plataformas de codificación con IA.
- Composer 2 se construyó sobre una base de Moonshot AI identificada públicamente solo por un desarrollador independiente.
- Eliminar los modelos chinos de pesos abiertos antes de que existan alternativas confiables podría aumentar los costos y concentrar el mercado.
Anysphere, desarrolladora de la plataforma de programación con IA Cursor, informó a investigadores de la Cámara de Representantes que planea estudiar la eliminación progresiva de los modelos de IA chinos de pesos abiertos debido a los riesgos geopolíticos, según un informe conjunto del Congreso publicado el 20 de noviembre de 2026.
La revelación describe un plan exploratorio, no una eliminación ya completada, y los comités no mencionaron ninguna decisión definitiva ni calendario. El Comité de Seguridad Nacional de la Cámara de Representantes y el Comité Selecto de la Cámara de Representantes sobre China publicaron los resultados tras una investigación que comenzó en abril de 2026 y que se amplió de Airbnb y Anysphere a DoorDash el 31 de julio de 2026.
Los modelos de pesos abiertos tienen parámetros entrenados que pueden descargarse, ejecutarse y modificarse sin depender del desarrollador original, lo que permite que sus derivados se difundan sin una relación comercial continua. Los comités señalaron que Composer 2, el modelo propietario insignia de Cursor, se construyó sobre una base de Moonshot AI cuya identidad solo se hizo pública después de que un desarrollador independiente la identificara.
El informe técnico de Cursor identifica esa base como Kimi K2.5. Composer 2 se sometió a un entrenamiento previo continuo con una combinación de datos rica en código, seguido de un aprendizaje por refuerzo a gran escala en sesiones realistas de Cursor, utilizando las mismas herramientas y el mismo entorno de ejecución que el modelo implementado.
Por qué se integraron los modelos chinos
Airbnb informó que versiones personalizadas de los modelos Qwen de Alibaba respaldan un asistente de IA que gestiona aproximadamente 80.000 interacciones diarias con huéspedes y anfitriones, junto con un modelo ajustado que resume aproximadamente 250.000 casos de soporte y llamadas al día. Ambos funcionan en infraestructura de proveedores de servicios ubicada en Estados Unidos.
DoorDash informó que había autorizado y desplegado 25 familias de modelos chinos de forma significativa, definida como incurrir en al menos 5.000 dólares en costos de cómputo y servicio. Calculó que sustituir un modelo desarrollado en China e integrado en un sistema más amplio podría llevar hasta seis meses, aunque la mayoría de los demás usos podrían migrarse casi de inmediato.
Los comités señalaron el costo, la personalización y un rendimiento cercano al de los modelos de frontera como factores que impulsan la adopción, y concluyeron que Estados Unidos carece de una alternativa competitiva de pesos abiertos al precio y con el rendimiento que exige el mercado.
El informe compara los precios publicados de las API por un millón de tokens de entrada y un millón de tokens de salida (fragmentos pequeños de palabras y caracteres que se utilizan para medir el uso de los modelos):
| Modelo | Desarrollador | Costo aproximado |
|---|---|---|
| Qwen3-235B-A22B-Instruct | Alibaba | $1.15 |
| DeepSeek-R1 | DeepSeek | $2.74 |
| Kimi K2.6 | Moonshot AI | $4.95 |
| Claude Opus 4.8 | Anthropic | $30 |
| GPT-5.5 | OpenAI | $35 |
Esas cifras no tienen en cuenta las diferencias de capacidad, el almacenamiento en caché, los descuentos por lotes, las promociones ni los costos del alojamiento propio. Ilustran la presión sobre los precios que impulsa la adopción; además, los pesos abiertos permiten a las empresas ajustar los modelos con sus propios datos e implementarlos en infraestructura bajo su control.
La preocupación por la seguridad es independiente del lugar de alojamiento. Ejecutar los modelos en infraestructura estadounidense reduce la exposición directa de los datos, pero, según el informe, no cambia cómo se entrenó el modelo subyacente ni cómo podría comportarse en circunstancias que las evaluaciones habituales no detectan.
Restricciones propuestas y riesgos de sustitución
Las 12 recomendaciones del informe no imponen restricciones por sí mismas. Se basarían en una orden del Departamento de Seguridad Nacional que excluye los productos y servicios de DeepSeek de las adquisiciones civiles federales y exige retirarlos de los sistemas de las agencias, incluidos los productos de terceros basados en DeepSeek. Los presidentes de los comités recomiendan ampliar esas restricciones a otros modelos desarrollados en China y a sus derivados en todos los sistemas federales de información y los trabajos bajo contrato federal, con exenciones limitadas para la investigación, las pruebas y la seguridad defensiva. También recomiendan prohibir esos modelos y sus derivados en funciones de infraestructura crítica de alto riesgo definidas de manera estricta, con calendarios de retirada vinculados a la disponibilidad de alternativas confiables y excepciones temporales cuando no exista un sustituto confiable.
Para que las normas puedan hacerse cumplir, un estándar de procedencia de modelos, dirigido por el National Institute of Standards and Technology, y una lista de materiales de IA legible por máquinas documentarían los modelos de base, los ajustes finos significativos y las fuentes de destilación. El requisito abarcaría a los contratistas federales y la IA utilizada en funciones de infraestructura crítica de alto riesgo, y sería voluntario en los demás casos. Una iniciativa nacional estadounidense de IA de pesos abiertos combinaría recursos públicos de computación, infraestructura compartida de evaluación, licencias voluntarias de los resultados de modelos estadounidenses de frontera para que desarrolladores cualificados de modelos de pesos abiertos los utilicen en el entrenamiento, y demanda federal de referencia.
Los comités advierten que retirar los modelos chinos antes de que existan alternativas fiables de pesos abiertos podría aumentar los costos y concentrar el mercado en proveedores de modelos propietarios cerrados. Por tanto, el plan exploratorio de Anysphere ilustra el desafío más amplio de implementación: las restricciones necesitan registros fiables de procedencia para localizar los modelos integrados y sustitutos creíbles que eviten cambiar los modelos chinos de pesos abiertos por costos más altos o dependencia de modelos cerrados.












