DeepSeek liberó DeepInfer como código abierto — un scan de IA encontró 23.000 vulnerabilidades en Bank of America y el banco contrató 1.000 personas para arreglarlas

Dos noticias de hoy describen el mismo fenómeno desde ángulos opuestos: los modelos de IA son cada vez más fáciles de correr y cada vez más capaces de procesar código a escala masiva. El problema es que ambas cosas son ciertas al mismo tiempo para defensores y atacantes.

DeepSeek libera DeepInfer: el motor de inferencia, no solo los pesos

DeepSeek anunció a través de su cuenta en X la publicación de DeepInfer, su motor de inferencia interno, como código abierto en GitHub. Por ahora soporta V4.1 Flash, la variante rápida y económica de su modelo principal, con más modelos prometidos a medida que se publiquen.

La distinción importa: publicar los pesos de un modelo es diferente a publicar el motor que lo sirve. Los pesos dicen qué hace el modelo; el motor de inferencia es cómo se corre de manera económica — cómo se organizan los batches, cómo se gestiona la memoria de la GPU, cómo se programa la carga para que el costo por token baje. Los laboratorios normalmente guardan ese código. Es parte de su ventaja competitiva en eficiencia operativa. DeepSeek dice que su objetivo es ayudar a la comunidad a reducir los costos de cómputo y el uso de energía.

Una nota sobre precios que vale aclarar: cobertura de la noticia cita a OpenRouter listando V4.1 Flash a US$0,035 por millón de tokens de entrada y US$0,12 por millón de salida. La tarifa propia publicada por DeepSeek para V4.1-Flash-1017 es US$0,30 de entrada y US$1,20 de salida en hora pico, cerca de la mitad fuera de pico. Son cifras un orden de magnitud aparte, así que el precio de OpenRouter es probablemente una tarifa promocional o de tercero, no el precio de lista de DeepSeek. La brecha con modelos de frontera como GPT-6 sigue siendo grande; solo conviene verificar qué tarifa aplica antes de construir un modelo de costos sobre ella.

Bank of America: 23.000 vulnerabilidades, 1.000 personas para arreglarlas

La otra historia es sobre el banco. Un scan del modelo Mythos de Anthropic encontró más de 23.000 vulnerabilidades potenciales en el código de Bank of America. El banco contrató aproximadamente 1.000 contratistas en un solo trimestre para remediarlas.

El número que importa no son las 23.000 vulnerabilidades. Es las 1.000 personas.

Un modelo que encuentra fallas a velocidad de máquina crea una cola de trabajo que solo se puede resolver a velocidad humana. El costo del scan no es el scan — es el trimestre de trabajo de contratistas que viene después. La mayoría de las organizaciones que adoptan estas herramientas no tienen presupuestado ese segundo paso.

El problema también tiene doble filo. Jamie Dimon, CEO de JPMorgan, ha dicho que Mythos multiplicó por diez la exposición de la industria al riesgo cibernético. La misma capacidad que encuentra 23.000 fallas en tu código las encuentra en el de todos. Los defensores tienen que corregir todas; un atacante necesita solo una. Dimon dijo en la conferencia de resultados del 13 de octubre que JPMorgan no va a permitir que agentes de IA externos actúen dentro de sus sistemas — y este es exactamente el razonamiento detrás de esa decisión.

El patrón que los conecta

DeepInfer hace más fácil y barato correr modelos de análisis de código en infraestructura propia. El incidente de Bank of America muestra qué pasa cuando se corre un modelo suficientemente capaz sobre una base de código real: el resultado no es un reporte ejecutivo, es un backlog de meses de trabajo humano. Ambas historias apuntan a la misma dirección: los modelos de IA para análisis de código están llegando al punto en que la limitación ya no es el modelo, sino la capacidad humana de actuar sobre lo que encuentran.