China entrena modelos de IA con datos de plataformas occidentales sin avisar

El hecho Wall Street Journal publicó una investigación que revela cómo empresas chinas de IA acceden a conjuntos de datos de plataformas estadounidenses —GitHub, Reddit, Twitter— para entrenar sus modelos de lenguaje, sin declararlo públicamente. El reporte documenta casos de ByteDance, Alibaba y startups menores que utilizan técnicas de scraping masivo. La práctica ocurre mientras EE.UU. restringe exportación de chips avanzados a China.

El contexto estructural La ventaja competitiva en IA no está solo en los chips: está en la calidad y diversidad de los datos de entrenamiento. Mientras DeepSeek sorprendió al mundo con eficiencia computacional usando chips menos avanzados, el acceso a corpus textuales en inglés —especialmente código de GitHub— permitió a modelos chinos cerrar la brecha de capacidad con una fracción del hardware. La restricción de semiconductores no toca la capa de datos, donde China opera sin fricción regulatoria.

Lectura LATAM Las startups chilenas y mexicanas que desarrollan IA en castellano enfrentan el mismo problema: falta de corpus local de calidad. Si China resolvió su gap de datos accediendo a plataformas abiertas occidentales, la pregunta para LATAM es si existe infraestructura equivalente para entrenar modelos en español con datos regionales. Inferencia Hoy, la mayoría de los LLMs en español se entrenan con traducciones o datos europeos, no con registros de consumo, legal o sanitario latinoamericano. ¿Quién construye el GitHub del castellano regional? Fuentes verificadas: Stanford HAI AI Index 2025 · OCDE.