Anthropic alerta: la IA podría replicarse en televisores y hornos

Los modelos de inteligencia artificial de pequeño tamaño podrían estar a pocos meses de alcanzar la capacidad necesaria para autorreplicarse utilizando dispositivos conectados a Internet, desde decodificadores Android TV hasta equipos domésticos inteligentes, sin depender de los grandes centros de datos que sostienen buena parte de la IA actual. Es la inquietante conclusión de una investigación publicada por Anthropic, la compañía creadora de Claude.

Conviene colocar una frontera clara antes de que la imagen de un horno poseído por una IA se nos vaya de las manos: no existe todavía un replicador autónomo fuera de control y Anthropic no ha demostrado que una inteligencia artificial esté saltando espontáneamente de televisor en televisor por las casas. Lo que sus investigadores sí han comprobado es que varias piezas necesarias para hacerlo ya funcionan por separado y que los modelos pequeños avanzan con suficiente rapidez como para acercarse a esa capacidad antes de que termine 2026.

Una IA funcionando sobre 15 pequeños Android TV

El experimento más vistoso parece sacado de un trastero tecnológico. Los investigadores conectaron 15 económicos dispositivos Android TV, cada uno con unos 4 GB de memoria, y distribuyeron entre ellos Gemma4-26B-A4B, un modelo de inteligencia artificial de unos 26.000 millones de parámetros.

Funcionó. No precisamente a la velocidad de un servicio comercial: el sistema produjo alrededor de 0,39 tokens por segundo, un ritmo desesperadamente lento comparado con el de un servidor moderno. Pero ese no era el asunto. Lo importante era demostrar que un modelo relativamente potente podía ejecutarse repartido entre pequeños aparatos domésticos que, por separado, carecen de memoria suficiente para alojarlo.

Ahí cambia el paisaje. Un televisor, una cámara conectada o un electrodoméstico inteligente parecen poca cosa frente a los enormes chips empleados en los centros de datos. Miles o millones de dispositivos trabajando de forma distribuida son otra historia.

Anthropic plantea que los modelos podrían fragmentarse en pequeñas partes, mediante una técnica conocida como sharding, y repartir su ejecución entre distintas máquinas. Los hornos inteligentes, frigoríficos, aspiradores, cámaras de seguridad o cortacéspedes conectados aparecen como ejemplos del tipo de equipos capaces de aportar recursos a una red semejante, especialmente a medida que incorporan chips preparados para ejecutar IA de forma local.

El problema no es que la tostadora empiece a pensar

La imagen doméstica puede distraer del riesgo real. No se trata de que un horno decida independizarse, sino de que muchos aparatos conectados funcionan como ordenadores pequeños, baratos y con una seguridad irregular.

Un dispositivo comprometido podría aportar memoria, procesador y conexión a Internet. Otro, lo mismo. Con suficientes equipos coordinados aparece una infraestructura distribuida que no necesita un único gran servidor para continuar funcionando.

Eso ya tiene un precedente bastante menos futurista: las botnets tradicionales, redes formadas por ordenadores, routers, cámaras o dispositivos domésticos infectados mediante malware. La diferencia que plantea Anthropic es que un agente de IA podría ser más adaptable que un gusano informático convencional. En vez de limitarse a repetir instrucciones programadas previamente para un aparato concreto, podría enfrentarse a hardware desconocido, analizarlo y buscar una manera de ejecutar allí el modelo.

Los modelos ya superan partes importantes de la prueba

Anthropic dividió el problema de la autorreplicación en distintas fases: localizar nuevas máquinas, conseguir acceso, trasladar el programa y los pesos del modelo, poner nuevamente en funcionamiento la IA y continuar desde ese nuevo punto. El desafío está, precisamente, en encadenar todas esas operaciones sin intervención humana.

Los resultados no muestran todavía una máquina digital capaz de completar indefinidamente todo ese recorrido por Internet. Sí enseñan algo más sobrio y, precisamente por eso, relevante.

Un modelo de 9.000 millones de parámetros consiguió poner en marcha procesos de inferencia en ocho de los nueve tipos de hardware utilizados por los investigadores. El sistema tuvo que desenvolverse en máquinas diferentes, desde pequeños dispositivos hasta ordenadores convencionales, sin tener preparada de antemano una receta específica para cada uno.

En otra evaluación simplificada, GLM-5.2 completó la cadena de replicación de extremo a extremo. Anthropic considera que modelos más pequeños todavía no unen todos los pasos con suficiente fiabilidad: pueden resolver muchas piezas individualmente, pero fallan cuando deben encadenarlas durante una operación larga.

Esa distancia —la que separa “sé hacer cada cosa” de “puedo hacerlas todas seguidas sin ayuda”— es precisamente la que el equipo considera que podría reducirse durante los próximos meses.

Por qué Anthropic habla de finales de 2026

La fecha no procede de una cuenta atrás exacta ni de un modelo secreto esperando detrás de una puerta. Es una proyección basada en el ritmo de mejora de los modelos pequeños, que cada vez consiguen realizar tareas más complejas utilizando menos recursos informáticos.

Los investigadores compararon modelos abiertos de hasta 30.000 millones de parámetros y utilizaron un índice general de capacidades para estudiar su evolución. Extrapolando esa tendencia, calculan que un modelo suficientemente compacto para funcionar en dispositivos modestos podría alcanzar antes de finalizar 2026 el nivel de competencia que sus pruebas consideran necesario para la replicación.

La propia investigación reconoce la incertidumbre. Ese índice mide capacidad general y no constituye una medida directa de autorreplicación. La expresión “pocos meses”, por tanto, debe entenderse como una estimación de riesgo tecnológico, no como la predicción de que en determinada fecha aparecerá inevitablemente un gusano de inteligencia artificial.

También existe debate entre especialistas sobre cuánto peso conceder a escenarios de este tipo. Hay investigadores que consideran arriesgado extrapolar desde experimentos controlados hasta amenazas autónomas a gran escala. Anthropic, por su parte, sostiene que esperar a que exista el problema completo sería llegar bastante tarde a reforzar las defensas.

Lo que el experimento no ha demostrado

Hay otro matiz importante. Anthropic no reprodujo toda la dificultad de infectar dispositivos reales, protegidos, dispersos por Internet y sometidos a configuraciones diferentes.

Una parte de las pruebas utilizó un entorno deliberadamente simplificado. En la evaluación de propagación, algunos dispositivos permitían acceso ADB sin autenticación, una condición mucho más favorable para el agente que encontrarse con un aparato doméstico correctamente actualizado y protegido. La investigación coloca el foco principalmente en la capacidad de ejecutar y reproducir el modelo una vez conseguido el acceso, no en demostrar un ataque universal capaz de romper cualquier defensa.

Es una diferencia enorme. Ejecutar una IA en quince aparatos que los investigadores controlan no equivale a infiltrarse en quince televisores ajenos. Tampoco demuestra que un modelo pueda encontrar vulnerabilidades, superar protecciones, instalarse y propagarse indefinidamente sin ser detectado.

Pero el ensayo sí debilita una de las objeciones que hasta hace poco parecían evidentes: que ejecutar modelos útiles exigiría necesariamente GPU caras y centros de datos gigantescos. No siempre.

Y ese pequeño “no siempre” es precisamente lo incómodo.

Un gusano de IA sería lento, pero difícil de apagar

La amenaza imaginada por Anthropic tampoco tendría por qué expandirse como los grandes gusanos informáticos que en cuestión de horas recorrieron medio planeta. En dispositivos modestos, la propagación podría ser bastante lenta.

Los cálculos realizados a partir de sus propios equipos apuntan a que un modelo de 9.000 millones de parámetros podría necesitar más de un día para completar determinadas tareas de replicación sobre hardware doméstico modesto. La imagen es menos la de una explosión digital que la de algo que crece despacio, se extiende y permanece: una suerte de moho informático distribuido.

La lentitud tiene una contrapartida. Una IA repartida entre multitud de aparatos carecería de un gran interruptor rojo.

Un servicio instalado en un centro de datos puede bloquearse apagando servidores, retirando credenciales o interviniendo sobre la infraestructura que lo ejecuta. Con miles de copias dispersas en dispositivos independientes, el problema cambia. Se elimina una máquina y quedan las demás; algunas podrían incluso contribuir a generar nuevas copias.

La ausencia de un punto centralizado de apagado es una de las razones por las que Anthropic considera que un replicador de este tipo podría resultar especialmente persistente.

La frontera que acaba de moverse

Buena parte de este escenario nace de una debilidad bastante menos espectacular que la inteligencia artificial: millones de dispositivos conectados reciben pocas actualizaciones, utilizan configuraciones deficientes o permanecen durante años expuestos a vulnerabilidades conocidas.

Las grandes botnets han demostrado desde hace tiempo que es posible reunir cantidades enormes de aparatos conectados. No necesitaban una inteligencia artificial capaz de razonar. Bastaba con encontrar máquinas vulnerables y convertirlas en nodos de una red controlada a distancia.

Un agente autónomo añadiría otra capa: podría probar soluciones diferentes ante obstáculos inesperados, preparar su propio entorno de ejecución y adaptarse a plataformas para las que nadie le proporcionó instrucciones exactas.

Ahí está el salto que preocupa a los investigadores. No es una rebelión de electrodomésticos, sino la posibilidad de que el malware deje de ser completamente rígido y empiece a resolver por sí mismo parte de los problemas necesarios para sobrevivir y extenderse.

La defensa pasaría por endurecer la seguridad de los dispositivos, detectar comportamientos de red anómalos y conseguir que cada equipo comprometido tenga pocas posibilidades de infectar a otros. Es la misma lógica utilizada frente a una epidemia: reducir la capacidad de propagación hasta que la cadena termine extinguiéndose.

No hay una IA escondida en los hornos de las cocinas ni una plaga autónoma recorriendo televisores conectados. La amenaza sigue siendo prospectiva y depende de capacidades que los modelos pequeños todavía no reúnen de manera fiable.

Lo nuevo es que varias barreras técnicas que parecían mantener ese escenario bastante lejos empiezan a caer. Un modelo grande ya puede repartirse entre un puñado de aparatos baratos; otros sistemas consiguen preparar su ejecución sobre distintos tipos de hardware y los modelos más capaces completan cadenas simplificadas de replicación.

Quedan obstáculos. Bastantes. Pero la distancia se está midiendo ya en capacidades concretas, no únicamente en ciencia ficción.

Y quizá esa sea la parte más reveladora de la investigación: el ordenador desde el que podría ejecutarse una IA avanzada no tiene por qué parecerse a un ordenador. A veces puede estar debajo del televisor, conectado a la corriente, acumulando polvo y esperando una actualización que nunca llegó.