Dos herramientas nuevas, un portal ya maduro

El lunes 31 de agosto de 2026, el Departamento de Guerra de Estados Unidos, nuevo nombre del antiguo Departamento de Defensa, lanzó dos nuevas herramientas de inteligencia artificial en la plataforma GenAI.mil: ChatGPT Mil, una versión personalizada de ChatGPT desarrollada junto con OpenAI, y Grok for Government, de xAI. Ambas se suman al Google Gemini, que ya estaba disponible en el portal. GenAI.mil no es una iniciativa nueva: fue lanzado en 2025 como un entorno centralizado y seguro, pensado para dar a militares y civiles acceso a modelos comerciales de frontera sin necesidad de recurrir a canales de consumo comunes que expondrían datos sensibles del gobierno a riesgos innecesarios.

Escala: más de 3 millones de usuarios potenciales

El tamaño del público potencial da la dimensión del movimiento. Más de 3 millones de militares y civiles del Departamento tienen acceso posible a la plataforma, y más de 1,7 millones de usuarios únicos ya fueron incorporados hasta el momento, según cifras citadas por DefenseScoop y The Hill. Se trata de una de las mayores implementaciones institucionales de IA generativa registradas en una sola agencia de gobierno, y refuerza la disputa entre OpenAI, xAI y Google por un lugar dentro del mayor comprador de tecnología del mundo: el gobierno de Estados Unidos.

Qué hace en la práctica ChatGPT Mil

ChatGPT Mil llega con chat, archivos, proyectos y GPTs personalizados, y fue diseñado para tareas administrativas cotidianas: redactar y revisar materiales de contratación (procurement), resumir documentos de política y directrices internas, y generar informes y listas de verificación de cumplimiento. La herramienta está acreditada para manejar Información No Clasificada Controlada en Nivel de Impacto 5, lo que la habilita para trabajo no clasificado de planificación, política, logística y administración, pero no para contenido clasificado.

Grok for Government y la pregunta que nadie ha respondido

La entrada de Grok, sin embargo, no llegó sin cuestionamientos. Según un reportaje de TechTimes, el modelo fue implementado en GenAI.mil incluso después de que ingenieros internos advirtieran que no existe una corrección confiable para el riesgo de que el sistema genere material de abuso sexual infantil. Esa información plantea una pregunta incomoda y legítima: qué criterios de seguridad de contenido se están usando para acreditar modelos de frontera en entornos institucionales de alto volumen, especialmente cuando un riesgo identificado internamente no tiene una solución técnica garantizada. Hasta el momento, ni xAI ni el Departamento detallaron públicamente qué salvaguardas adicionales, si las hay, se adoptaron para mitigar este riesgo específico dentro de GenAI.mil.

Adopción institucional a un ritmo más rápido que la diligencia

El episodio ilustra una tensión que va mucho más allá del gobierno estadounidense: la velocidad de la adopción institucional de IA generativa ha superado, con frecuencia, la velocidad de la debida diligencia de seguridad y contenido sobre los propios modelos adoptados. Cuando un comprador del tamaño del Departamento de Guerra de EEUU decide integrar un modelo pese a un riesgo conocido y no resuelto, la señal que esto envía al mercado es que la presión competitiva entre proveedores de IA puede, en ciertos casos, pesar más que la cautela regulatoria.

Por qué esto importa a agencias y pymes brasileñas

El caso GenAI.mil muestra, a máxima escala, lo que cualquier agencia o pyme brasileña que automatiza atención al cliente y marketing con IA ya debería practicar a menor escala: ningún modelo es neutral por defecto, y elegir un proveedor también es elegir un perfil de riesgo. Si incluso un comprador con los recursos, el equipo técnico propio y el proceso formal de acreditación del Departamento de Guerra de EEUU avanzó con un modelo señalado internamente como portador de un riesgo de contenido sin corrección confiable, queda claro que la debida diligencia de seguridad no puede tercerizarse solo al marketing del proveedor de IA. Para quien en Brasil conecta modelos como ChatGPT, Grok o Gemini a flujos de atención al cliente, generación de contenido publicitario o automatización de WhatsApp, la lección práctica es directa: exigir transparencia sobre las limitaciones conocidas de cada modelo, probar los guardrails de contenido antes de poner un modelo en producción orientada al público, y tratar la elección de LLM como una decisión de riesgo de negocio, no solo de rendimiento o costo.