FlashProve: Anthropic propone verificar criptográficamente qué modelo de IA respondió, aunque aún no lo adoptará

Por UA.NEWS (a partir de TechCrunch) · 3 de noviembre de 2026.

Anthropic trabaja en FlashProve, un sistema abierto para verificar criptográficamente qué modelo de IA ha producido una respuesta concreta. La compañía llama a este enfoque «inferencia probada» (proven inference). Según lo recogido por TechCrunch, funcionaría como una firma criptográfica en un correo: permitiría comprobar que la respuesta viene del modelo que se anuncia y no de otro que se hace pasar por él.

Para que funcione, los laboratorios tendrían que publicar una huella digital de cada modelo lanzado. Esa huella se contrastaría con respuestas concretas y se verificaría de forma criptográfica, sin revelar los pesos del modelo (los parámetros numéricos internos que definen su comportamiento y que en los modelos comerciales suelen permanecer cerrados).

Según la descripción de los investigadores, el sistema serviría también para impedir que el propio laboratorio sustituya un modelo en secreto: usar uno más barato para recortar costes o uno más caro para inflar los resultados de las pruebas. Y se extendería a afirmaciones de terceros. Un desarrollador podría demostrar que su librería fue revisada en busca de vulnerabilidades por un modelo avanzado de ciberseguridad, o una empresa que su plan de negocio fue aprobado por un modelo concreto.

Los investigadores han publicado en GitHub, con licencia abierta, una especificación técnica y código funcional de varios componentes. El trabajo sigue en marcha y, según la información disponible, no hay planes de implantarlo en Anthropic ni en otros laboratorios.

**Nuestra lectura.** Lo más interesante no es la criptografía, sino el problema que expone: hoy, quien paga por un modelo «frontera» confía en la palabra del proveedor. No existe forma de comprobar que el modelo que responde es el que se anuncia, ni que los resultados de un benchmark se obtuvieron con el modelo que luego se vende. En un mercado donde la diferencia de coste entre modelos grandes y pequeños es enorme, la tentación de la sustitución silenciosa es una pregunta legítima, aunque aquí no hay acusación alguna contra ningún laboratorio: la fuente solo describe el riesgo como posibilidad.

La propuesta encaja con una tendencia que venimos señalando: el valor se desplaza de la capacidad bruta hacia la verificación y la trazabilidad. Si los agentes toman decisiones, firman revisiones de seguridad o aprueban planes, el «quién lo dijo» importa tanto como el «qué dijo». Una auditoría de código «hecha por un modelo avanzado» sin prueba es marketing; con prueba, es un activo auditable. En general, la confianza verificable es lo que permite delegar más responsabilidad en sistemas de IA sin ceguera.

Hay límites que conviene no pasar por alto. Probar qué modelo respondió no prueba que la respuesta sea correcta, ni segura, ni que el modelo sea bueno: acredita procedencia, no calidad. Además, solo sirve si los laboratorios publican huellas y los clientes las exigen, y hoy, según la fuente, no hay planes de desplegarlo ni en Anthropic ni en otros laboratorios. Que sea abierto es buena señal, porque un estándar que dependa de un único proveedor no resuelve el problema de confianza, pero un estándar sin adopción es solo una buena idea.

A corto plazo, esto no cambia nada para el usuario. A medio plazo, es plausible que reguladores, grandes clientes y mercados de agentes acaben pidiendo algo parecido, sobre todo en sectores donde importa la auditoría. A largo plazo, esta capa de confianza es parte de la infraestructura necesaria para que la IA gestione tareas críticas, como la investigación médica, con garantías. Es poco glamurosa, pero es la que convierte una promesa de abundancia en algo en lo que se puede confiar.