Las normas de Anthropic prohíben negro sobre blanco usar Claude para crear productos competidores. Sin embargo, en la documentación previa a su salida a bolsa (el formulario S-1), según señalan analistas del mercado, la propia empresa advierte con calma a los inversores: de vez en cuando, Anthropic puede competir directamente con los desarrolladores de software corporativo. El partido se juega en una sola dirección. Tú no puedes entrar en su terreno, pero ellos entran en el tuyo en el siguiente lanzamiento.
El motivo es sencillo. Los centros de datos y el entrenamiento de modelos cuestan fortunas, así que los laboratorios ya no quieren ser simples proveedores de tokens baratos. Están subiendo por el stack directo hacia las herramientas de negocio listas para usar.
Cuando un plugin de un clic tumba las acciones de los gigantes
Entre 2025 y 2026, Anthropic lanzó todo un escaparate de soluciones sectoriales: Claude para finanzas, Excel, hojas de cálculo, pizarras, reuniones, ciencia, manufactura y pequeñas empresas. En su análisis, Nick Saraev bromea: «Claude ya no solo resuelve la tarea de matemáticas, literalmente se lo está comiendo todo... ¿Dónde está Claude para lavar los platos?».
En la bolsa no se lo toman con humor. Tras el lanzamiento de los plugins legales de Claude, las acciones de Thomson Reuters cayeron un 16%, según los datos citados por Saraev. El estreno de Claude Code Security hundió los títulos de CrowdStrike y otras firmas de ciberseguridad entre un 7% y un 11% en sesiones concretas. Y el día del anuncio de Claude Design, Figma retrocedió cerca de un 7%.
OpenAI hace exactamente lo mismo: lanzó ChatGPT for Sales y el servicio entró de lleno en la misma categoría que Apollo, Clay y Gong. En redes sociales cada vez es más común leer a fundadores decir: «Me desperté y Claude mató mi startup».
Los primeros en recibir el golpe son los wrappers SaaS ligeros: servicios cuya propuesta se reduce a una interfaz cómoda y un par de prompts encima de una API ajena. Pero Saraev lanza una pregunta incisiva: si rascas un poco, ¿no es casi cualquier software hoy en parte un wrapper? Los laboratorios tienen un as imposible de igualar con publicidad: cientos de millones de usuarios activos. No necesitan promocionar una startup desde cero. Simplemente añaden un botón dentro del chat que ya usas: «Prueba el plugin en un clic».
Cómo ven la demanda los laboratorios y dónde está el límite de la casilla de privacidad
El mayor miedo de las empresas suena directo: «Yo resuelvo tareas de trabajo en el chat, el laboratorio lee mis conversaciones y mañana lanza mi servicio». En el video de Saraev, el informe Anthropic Economic Index se presenta casi como si Claude revisara a mano un millón de chats corporativos buscando secretos ajenos.
Aquí hace falta un fact-check honesto. En realidad, el Economic Index funciona mediante Clio, un sistema automático de agrupamiento privado. Los algoritmos limpian los datos personales y un tema solo aparece en el informe si supera el umbral de mil usuarios únicos por clúster. Es imposible extraer el manual interno de una empresa concreta a través de ese índice.
Visualización oficial del informe Anthropic Economic Index sobre el uso de la IA en tareas laborales (Fuente: anthropic.com/economic-index)
Pero el riesgo estratégico sigue intacto. Por la comodidad de «pegar una tarea en el chat y obtener respuesta en un segundo», pagas con una señal de demanda. Incluso sin leer diálogos concretos, los laboratorios ven el mapa completo: qué conectores reciben más clics, qué categorías crecen más rápido y dónde está el dinero real.
La segunda parte del precio es el entrenamiento de modelos. En los planes personales (ChatGPT Free, Plus, Pro; Claude Free, Pro, Max; Grok), las conversaciones se usan por defecto para reentrenar las redes neuronales salvo que tú lo desactives. En las API comerciales y en los planes corporativos Team/Enterprise el entrenamiento viene apagado de fábrica, así que confundir una suscripción personal con un entorno de empresa sale caro.
Además, desmarcar esa casilla no convierte un chat en la nube en una caja fuerte hermética. Apaga el entrenamiento de futuras versiones, pero no elimina la analítica de producto ni las excepciones de seguridad: los diálogos que activan filtros de trust & safety o se envían mediante el botón de reporte pueden seguir almacenándose y revisándose temporalmente.
Un minuto de higiene digital: apaga el entrenamiento en tres chats
Si usas cuentas personales para borradores de trabajo, el primer paso toma un minuto. En su guía breve, Jason West lo resume sin rodeos: «Una casilla en cada aplicación desactiva el entrenamiento de los modelos con tus chats; hacerlo toma un minuto».
Según la documentación de ayuda de OpenAI, el ajuste en ChatGPT se sincroniza al instante entre el navegador y el teléfono. En Claude, la desactivación aplica a todos los chats futuros y sesiones de código. En Grok, la ruta cambia según la plataforma: en X, en grok.com y en Grok Bot los menús tienen nombres distintos.
| Servicio | Planes con entrenamiento por defecto | Dónde hacer clic para desactivarlo | Qué queda fuera de la casilla |
|---|---|---|---|
| ChatGPT (OpenAI) | Free, Plus, Pro | Perfil → Settings → Data controls → Improve the model for everyone → Off (Done) | Filtros de seguridad, telemetría de uso |
| Claude (Anthropic) | Free, Pro, Max | Perfil → Settings → Privacy → Help improve our AI models → Off | Analítica de producto, chats con reportes y filtros |
| Grok / Grok Bot (xAI / X) | Cuentas personales de X y Grok | En X: Settings and privacy → Privacy and safety → Grok. En grok.com: Settings → Data Controls / Privacy & Safety. En Grok Bot: Settings → General → Improve Grok Bot and more → Off | Procesamiento de datos en la nube del proveedor |
Saraev describe bien la tentación: parece que un diablillo en el hombro te susurra que pegues el manual interno en la ventana del chat y que no pasará nada. Incluso sin entrenamiento, el archivo viaja a servidores externos. Para documentos críticos, un chat personal en la nube no sirve.
Por qué las empresas migran a modelos abiertos y cuatro formas de proteger tus procesos
En las compañías el contraste entre ambos enfoques se ve todavía más claro. Un camino es pasar toda la operación interna por suscripciones en la nube y APIs ajenas, pagando por cada millón de tokens. El otro es desplegar en servidores propios modelos open-weights (redes con pesos abiertos como Meta Llama, Google Gemma o NVIDIA Nemotron), donde los documentos jamás salen del perímetro de la empresa.
Las compañías dan el salto buscando ahorro y proteger su Knowledge Alpha: la experiencia acumulada del negocio, sus procedimientos internos (SOP), prompts probados, base de clientes y soluciones a casos atípicos. Según estimaciones del sector citadas por Saraev, más del 40% de las empresas planea llevar modelos abiertos a producción y cerca del 60% ya ha movido parte de sus tareas hacia ellos.
Un ejemplo corporativo sólido es el gigante de telecomunicaciones AT&T. En su asistente interno Ask AT&T trabajan unos 100,000 empleados que generan alrededor de 45,000 millones de tokens al día. Sus ingenieros implementaron un enrutamiento inteligente basado en LiteLLM y trasladaron parte del flujo a instancias locales de Llama, Gemma y Nemotron. Según los responsables de IA de AT&T, Andy Marcus y Mark Austin, ese modelo híbrido recortó el gasto en programación con IA en un 56% (con ahorros de hasta el 80–90% en tareas concretas) perdiendo apenas cerca de un 2% de calidad.
Cuota de modelos open-weights en la carga de IA de AT&T: real y objetivo
El gráfico muestra la magnitud del giro: los pesos abiertos absorben el grueso de las peticiones diarias, mientras que los modelos cerrados más caros quedan reservados solo para los problemas más complejos.
De este reparto de fuerzas salen cuatro reglas prácticas para fundadores y equipos.
Primero: no dediques meses a construir un wrapper ligero. Un servicio que solo dibuja diapositivas o resume videollamadas sobre una API ajena vive exactamente hasta el día en que Anthropic u OpenAI añadan ese mismo botón en su interfaz.
Segundo: construye negocio donde a los laboratorios no les resulte rentable entrar en los próximos años. Su objetivo son categorías digitales masivas con retorno rápido. Todo lo ligado al mundo físico, sectores regulados con responsabilidad legal y relaciones directas con clientes o proveedores no se resuelve con un plugin en un chat.
Tercero: protege tus procedimientos. Si la ventaja real de tu empresa está en sus SOP únicos y flujos de trabajo, no los subas enteros a chats personales en la nube.
Cuarto: pásate a un harness abierto con hot-swap de modelos. Es un entorno de trabajo que cambia de motor al vuelo con un comando como /model. Cuando revisas un contrato confidencial, una base de clientes o un manual interno, activas un modelo open-weights local dentro de tu infraestructura. Cuando terminas y abres una sesión limpia para lluvia de ideas o código complejo sin secretos, vuelves con un solo comando al modelo insignia de Claude o ChatGPT.


