Lo esencial
- Un frontier model es la clase más avanzada de IA de propósito general, los pocos sistemas situados en la frontera de lo que la IA sabe hacer, como los que están detrás de los asistentes de la generación GPT-4, Claude, Gemini o Llama.
- Es un objetivo móvil, definido por la capacidad y la potencia de cómputo de entrenamiento, no por una lista fija de funciones. La frontera de hoy es el estándar de mañana.
- Un frontier model es un subconjunto de los foundation models y es más amplio que un LLM: puede ser multimodal, no solo textual.
- El Reglamento de IA gobierna los frontier models más potentes como IA de propósito general con riesgo sistémico, presumido cuando la potencia de cómputo de entrenamiento supera 10 elevado a 25 operaciones en coma flotante.
- Sus proveedores tienen deberes concretos: evaluación y pruebas adversarias, mitigación del riesgo sistémico, notificación de incidentes y ciberseguridad.
¿Qué es un frontier model?
Un frontier model es la clase más avanzada de IA de propósito general que existe en un momento dado, el puñado de sistemas que se sitúan en la frontera de lo que la IA puede hacer. En la práctica, la etiqueta señala modelos como los que están detrás de los asistentes de la generación GPT-4, Claude de Anthropic, Gemini de Google, Llama de Meta o las versiones más grandes de Mistral. El término es deliberadamente relativo: un frontier model se define por comparación con todo lo demás del mercado, de modo que la frontera avanza cada año.
Bajo la etiqueta se esconde una idea jurídica precisa. Un frontier model es una forma de IA de propósito general, que el Reglamento de IA describe como un modelo entrenado con datos amplios, dotado de una marcada generalidad, capaz de realizar con competencia una amplia gama de tareas distintas e integrable en numerosos sistemas posteriores. Un frontier model es su gama alta: los ejemplares más generales, más capaces y más exigentes en cómputo.
Dos propiedades separan a un frontier model de un sistema de IA corriente. La primera es la generalidad: no está construido para una sola tarea, sino que se adapta a muchas, desde redactar texto hasta escribir código o analizar imágenes. La segunda es la escala: los frontier models se entrenan con enormes conjuntos de datos y una potencia de cómputo colosal, y por eso pocas organizaciones los construyen. Esas dos propiedades hacen también del frontier model un asunto de gobernanza, y no solo una proeza de ingeniería.
Frontier model, foundation model y LLM
Los tres términos se solapan, y por eso la pregunta más buscada es la de su diferencia. La forma más nítida de distinguirlos es verlos como tres círculos de tamaño decreciente.
Frontier model y foundation model
Un foundation model es cualquier gran modelo entrenado con datos amplios y adaptable a muchas tareas posteriores. Es una categoría amplia: incluye miles de modelos de todos los tamaños, abiertos o cerrados, antiguos o recientes. Un frontier model es el pequeño subconjunto de los foundation models situado en la frontera. Dicho de otro modo, todo frontier model es un foundation model, pero la inmensa mayoría de los foundation models no son frontier models. La diferencia está en la capacidad y el cómputo, no en la arquitectura.
Frontier model y gran modelo de lenguaje
Un gran modelo de lenguaje (LLM) se define por su modalidad: procesa y genera lenguaje. Un frontier model se define por su posición en la frontera de la capacidad, sea cual sea la modalidad. Muchos frontier models son multimodales y procesan texto, imágenes y audio, lo que los hace más amplios de lo que sugiere la etiqueta LLM. Y la mayoría de los LLM no son frontier models, porque la categoría incluye muchos modelos de lenguaje pequeños y medianos. A la pregunta de si ChatGPT es un frontier model, la respuesta honesta es que los modelos más potentes que lo impulsan sí lo son, mientras que los modelos de lenguaje más pequeños o antiguos no.
Cómo se construye un frontier model
El insumo que define a un frontier model es el cómputo. Entrenar uno significa ejecutar un número colosal de operaciones matemáticas sobre un conjunto de datos muy grande, un proceso medido en operaciones en coma flotante, o FLOP. La escala es difícil de imaginar: GPT-3, lanzado en 2020, se entrenó con unos 3,14 por 10 elevado a 23 FLOP, y los modelos punteros posteriores superaron con claridad 10 elevado a 25.
Esa escala produce una propiedad que preocupa a los reguladores: las capacidades emergentes, habilidades no diseñadas de forma explícita que solo aparecen al superar cierto tamaño. La emergencia explica por qué un frontier model no puede especificarse por completo de antemano, y por qué probarlo después del entrenamiento importa tanto como diseñarlo. También explica por qué tan pocas organizaciones operan en la frontera, ya que el coste de cómputo, datos y talento queda fuera del alcance de la mayoría. Para un equipo de gobernanza, la consecuencia práctica es que un frontier model es una dependencia de terceros que rara vez se construye y casi siempre se consume, justo el tipo de dependencia que un registro de sistemas de IA sirve para rastrear.
Por qué los frontier models conllevan riesgo sistémico
La misma generalidad que hace útil a un frontier model hace amplias sus fallas. Un modelo estrecho que se equivoca afecta a una tarea; un frontier model integrado en miles de productos posteriores puede propagar una sola debilidad a escala económica. Los reguladores lo llaman riesgo sistémico: un riesgo propio de las capacidades de alto impacto de los modelos más potentes, con posibles efectos relevantes sobre la salud pública, la seguridad o los derechos fundamentales.
El riesgo no es hipotético. El perfil de IA generativa del NIST, NIST AI 600-1, enumera doce riesgos que los frontier models generativos amplifican, entre ellos la ventaja informativa CBRN, la confabulación, la integridad de la información y los medios sintéticos, y la seguridad de la información como la inyección de instrucciones. Varios, como la alucinación, no se comportan en absoluto como errores de software clásicos, y por eso los frontier models exigen un tratamiento de gobernanza de la IA propio, y no una lista de controles de seguridad reciclada.
Cómo gobierna el Reglamento de IA los frontier models
El Reglamento de IA es la primera gran ley que gobierna directamente los frontier models, y lo hace a través de la categoría de la IA de propósito general con riesgo sistémico. En lugar de nombrar productos, el Reglamento de IA fija un disparador medible: en un modelo de propósito general se presume riesgo sistémico cuando el cómputo acumulado de su entrenamiento supera 10 elevado a 25 FLOP (artículo 51). Los modelos de la generación GPT-4 se sitúan por encima de esa línea; GPT-3, con unos 3 por 10 elevado a 23, muy por debajo. El umbral es un indicador indirecto de capacidad de alto impacto, y la Comisión puede designar modelos que queden por debajo según otros criterios.
Cruzar el umbral activa un conjunto de obligaciones conforme al artículo 55. Los proveedores de frontier models con riesgo sistémico deben evaluar el modelo, incluidas pruebas adversarias o red teaming; evaluar y mitigar los riesgos sistémicos; rastrear y notificar los incidentes graves a la Oficina Europea de IA; y garantizar un nivel adecuado de ciberseguridad. También deben notificar a la Oficina de IA en un plazo de dos semanas desde que se alcanza el umbral, y las notificaciones de incidentes graves siguen después plazos estrictos.
El detalle operativo vive en el código de buenas prácticas para la IA de propósito general, publicado por la Oficina Europea de IA en julio de 2025, cuyos capítulos de Seguridad, Transparencia y Derechos de autor traducen los deberes jurídicos en documentación y procesos aplicables. Para una organización que despliega un frontier model en lugar de construirlo, el paso práctico es confirmar la situación del proveedor y vincular las obligaciones pertinentes a ese modelo dentro de su propio programa, el trabajo que asume una plataforma de activación de marcos.
La seguridad de los frontier models fuera de la UE
Europa no es la única que distingue los frontier models, aunque los enfoques difieren. En Estados Unidos, una orden ejecutiva de 2023 introdujo un umbral de declaración de 10 elevado a 26 FLOP para los modelos fundacionales de doble uso, obligando a los desarrolladores a declarar los grandes entrenamientos; las particularidades estadounidenses han cambiado desde entonces con los relevos de administración, por lo que ese régimen de declaración conviene tratarlo como cambiante más que consolidado.
La industria también ha avanzado por su cuenta. El Frontier Model Forum, fundado por varios de los mayores desarrolladores, coordina la investigación sobre la seguridad de los frontier models, la evaluación de capacidades y estándares compartidos, y algunos laboratorios publican marcos de seguridad que los comprometen a pausar o a añadir salvaguardas cuando un modelo supera niveles de capacidad definidos. Estos esfuerzos voluntarios no son ley, pero fijan el nivel mínimo que un equipo de gobernanza debería exigir a un proveedor de frontier model.
Qué significan los frontier models para su programa de gobernanza
Para la mayoría de las organizaciones, la pregunta relevante no es cómo construir un frontier model, sino cómo gobernar los que usan. El punto de partida es la visibilidad. Los frontier models suelen entrar a través de productos y API, a menudo como shadow AI que nadie aprobó formalmente, por lo que la primera tarea es inventariar los frontier models presentes en sus herramientas y flujos de trabajo.
A partir de ahí, el camino es el mismo ciclo de riesgo que aplica todo programa serio. Registre cada frontier model como una dependencia, vincúlele las obligaciones que correspondan (los deberes del Reglamento de IA cuando proceda, más sus políticas internas), mida los riesgos que importan para su caso de uso y vigile los cambios a medida que el proveedor publica nuevas versiones. La frontera se mueve, su inventario debería moverse con ella, y una gestión continua del riesgo mantiene las evidencias al día en lugar de congelarlas en el momento de una única aprobación.
Preguntas frecuentes
¿Qué es un frontier model en términos simples? Un frontier model es el tipo más capaz de IA de propósito general disponible en un momento dado, el pequeño conjunto de sistemas en la frontera de lo que la IA sabe hacer. Se entrenan con enormes conjuntos de datos y una potencia de cómputo colosal, lo que los hace muy generales pero también costosos y escasos.
¿Es ChatGPT un frontier model? Los modelos más potentes detrás de ChatGPT, como los sistemas de la generación GPT-4, se consideran generalmente frontier models. Los modelos de lenguaje más pequeños o antiguos no lo son, aunque impulsen una interfaz de chat, porque el término sigue la frontera de la capacidad y no el nombre del producto.
¿Qué diferencia hay entre un frontier model y un foundation model? Un foundation model es cualquier gran modelo entrenado con datos amplios y adaptable a muchas tareas, una categoría muy amplia. Un frontier model es el pequeño subconjunto situado en la frontera. Todo frontier model es un foundation model, pero la mayoría de los foundation models no son frontier models.
¿Frontier model o LLM, qué diferencia hay? Un gran modelo de lenguaje se define por la modalidad, ya que trabaja con lenguaje. Un frontier model se define por la capacidad y puede ser multimodal. Muchos frontier models son más que un LLM, y la mayoría de los LLM no están en la frontera.
¿Regula el Reglamento de IA los frontier models? Sí. El Reglamento de IA gobierna los frontier models más potentes como IA de propósito general con riesgo sistémico, presumido cuando el cómputo de entrenamiento supera 10 elevado a 25 FLOP. Los proveedores afrontan entonces obligaciones de evaluación, mitigación del riesgo, notificación de incidentes y ciberseguridad.
¿Por qué se consideran riesgosos los frontier models? Su generalidad hace que una sola debilidad pueda propagarse a todos los productos que se apoyan en ellos, lo que los reguladores llaman riesgo sistémico. Además muestran capacidades emergentes que solo aparecen a gran escala y no pueden preverse del todo antes del entrenamiento, de ahí la necesidad de pruebas y vigilancia en lugar de una revisión única.
Conclusión
Un frontier model se entiende mejor como una posición que como un producto: la IA de propósito general más capaz en la frontera actual, un pequeño subconjunto de los foundation models y algo más amplio que un modelo de lenguaje. Esa posición es precisamente lo que lo convierte en un asunto de gobernanza. La escala que produce la capacidad emergente produce también el riesgo sistémico, y por eso el Reglamento de IA gobierna directamente los frontier models y han crecido a su alrededor marcos de seguridad del sector. Para una organización, el trabajo no es perseguir la definición, sino saber de qué frontier models depende y vincular a cada uno las obligaciones correctas. La vía más rápida es poner cada frontier model en el mapa y activar los marcos que lo gobiernan.