El 24 de julio de 2026, Jensen Huang escribió su primer post en la historia de su cuenta de X. No fue para anunciar un chip: fue para publicar una carta, Open Weights and American AI Leadership, pidiéndole a Washington que no restrinja los modelos de inteligencia artificial cuyos pesos, la parte que hace que un modelo funcione, se pueden descargar libremente.

Salió con 25 firmas. En veinticuatro horas tenía 50. Para el 28 de julio ya eran más de 150 organizaciones, y entre ellas estaban Microsoft, Meta, AMD, Cisco, Cloudflare, GitHub y, llamativamente, OpenAI y Google, dos de las tres empresas cuyo negocio consiste en vender modelos cerrados. Once millones de personas vieron el post. Anthropic y xAI no firmaron.

El detonante había ocurrido ocho días antes: el 16 de julio, la empresa china Moonshot AI liberó Kimi K3, un modelo de pesos abiertos que entró directo al tercer lugar del Artificial Analysis Intelligence Index, por encima de varios modelos frontera estadounidenses. El índice de semiconductores de Filadelfia cayó 12.5 % la semana siguiente. Y el 3 de agosto, Alibaba lanzó Qwen 3.8 con la promesa de publicar también sus pesos.

La cobertura internacional lo contó como un capítulo más de la rivalidad Estados Unidos–China. Desde México conviene leerlo al revés: la discusión es de ellos, pero el beneficio es nuestro.

¿Qué pasó con esto?

El 16 de julio, Moonshot AI lanzó Kimi K3: 2.8 billones de parámetros, contexto de un millón de tokens, tercer lugar mundial en el índice de Artificial Analysis. Sus pesos se hicieron públicos el 27 de julio. Cualquiera puede descargarlos hoy.

El 24 de julio, la carta de Huang argumentó que los pesos abiertos son infraestructura estratégica: permiten construir sin entrenar un modelo desde cero ni pagar precios de frontera por cada tarea, reparten la competencia, evitan quedar atrapado con un solo proveedor y dejan que una comunidad entera de investigadores encuentre fallos.

La analogía explícita es el software abierto de los ochenta: que los escépticos quisieron restringir y que hoy sostiene internet, a las grandes tecnológicas y al propio gobierno estadounidense.

OpenAI firmó ese mismo viernes; Google, el sábado. Sam Altman escribió que quiere que EE. UU. gane tanto en modelos abiertos como propietarios. Elon Musk respaldó públicamente a Huang. Anthropic respondió el 27 con su propia posición: nunca ha pedido prohibir los modelos abiertos, dice, pero sí controles más estrictos sobre chips, la destilación industrial y pruebas de seguridad obligatorias.

El 3 de agosto, Alibaba presentó Qwen 3.8, cuyo modelo insignia se perfila como el lanzamiento de pesos abiertos más grande de la historia. Al cierre de esta edición, los pesos aún no aparecían en Hugging Face ni se conocía la licencia.

Lo que la carta realmente revela

La semana dejó una señal más importante que la propia carta: la apertura pasó de ser una postura ideológica de activistas a ser la posición mayoritaria del mercado. Cuando OpenAI y Google, que venderían más si los modelos chinos abiertos desaparecieran, firman a favor de que existan, están reconociendo que el ecosistema abierto les conviene: más desarrolladores construyendo, más competencia empujando precios, más cómputo vendido.

La discusión de seguridad nacional que motivó la carta es legítima, pero no es el tema de este artículo. Lo que importa aquí es lo que quedó demostrado sobre la mesa: nadie en la industria, ni siquiera sus actores más poderosos, cree que la IA de punta pueda volver a ser propiedad exclusiva de quien la entrena.

La evidencia: lo abierto ya alcanzó (casi) a lo cerrado

Esto no es una impresión. El AI Index 2026 de Stanford, la referencia más citada del estado de la tecnología, lo mide con votación humana en el Arena Leaderboard:

• En mayo de 2023, el mejor modelo cerrado (GPT-4) superaba al mejor abierto por 174 puntos ELO, una ventaja de 15.2 %.

• En agosto de 2024 la brecha se cerró a 7 puntos: 0.5 %.

• En marzo de 2026, con modelos cerrados más fuertes, la distancia es de 49 puntos: 3.4 %. Los seis laboratorios líderes caben en 79 puntos, y dos de ellos, Alibaba y DeepSeek, publican sus pesos.

Epoch AI lo confirma desde otro ángulo: en su índice agregado de capacidad, los modelos descargables van a unos cuatro meses de la frontera cerrada. Lo que hoy cuesta cientos de millones entrenar, un trimestre después circula gratis.

Y está el precio. Por un millón de tokens generados, el modelo cerrado más caro cobra 25 dólares; GLM-5.2, abierto y con licencia MIT, cobra 4.40 vía API; DeepSeek V4 Flash cobra 28 centavos. Ochenta y nueve veces de diferencia entre el extremo cerrado y el abierto, por una capacidad que está a 3.4 % de distancia en las mediciones.

Ahora, la dosis de escepticismo que estos números merecen.

• Primera: la brecha se reabrió, de 0.5 % en 2024 a 3.4 % en 2026, y seis de los diez primeros lugares del Arena siguen siendo cerrados; lo abierto alcanza, pero no lidera.

• Segunda: el propio AI Index advierte que los benchmarks públicos se saturan y se pueden entrenar para el examen (encontró tasas de preguntas inválidas de hasta 42 % en evaluaciones populares), así que 3.4 % en Arena no garantiza 3.4 % en tu trabajo real.

• Tercera: “pesos abiertos” no es “código abierto”. Como dice James Landay, de Stanford HAI, puedes descargar el modelo pero no ver con qué se entrenó: es distribución abierta, no transparencia total. Y hay una tensión más: Alibaba y Zhipu han empezado a ofrecer algunos de sus modelos insignia solo como servicio cerrado. La ventana está abierta; nadie garantiza que lo siga para siempre.

La oportunidad mexicana

Durante tres años, la ecuación mexicana era frustrante: talento abundante, acceso escaso. Usar la mejor IA significaba rentarla por API a empresas extranjeras, con los datos saliendo del país, precios en dólares y la hoja de Excel de cualquier PYME temblando a fin de mes. Construir algo propio encima: un producto, no una suscripción, era casi imposible.

Nadie entrena un modelo frontera con presupuesto mexicano.

Los pesos abiertos rompen esa ecuación en cuatro puntos concretos:

• Ya no hay peaje de entrada. Un equipo puede descargar un modelo a 3.4 % de la frontera mundial y trabajar sobre él sin pagar un dólar de licencia (GLM-5.2 y DeepSeek V4 usan licencia MIT, la más permisiva que existe).

• Los datos se quedan en casa. Para una clínica, un despacho fiscal o una fintech mexicana, correr el modelo en infraestructura propia, o rentada en el país, significa que la información sensible deja de viajar a servidores ajenos. Eso no era posible con la IA de punta hasta hace meses.

• Se puede especializar en lo mexicano. Con los pesos disponibles, un equipo puede afinar un modelo con español mexicano real, con legislación local, con catálogos del SAT, con el vocabulario de una industria específica. La IA deja de ser un producto importado con acento neutro y se vuelve materia prima local.

• El precio convierte experimentos en procesos. A 28 centavos por millón de tokens, una pyme puede automatizar un flujo entero: facturas, cotizaciones, atención a clientes. Por lo que hoy paga de comisiones de una tarjeta corporativa. Antes, ese piloto moría en la primera factura.

Una empresa de logística en Monterrey corriendo un Qwen de 27 mil millones de parámetros en su propio servidor para optimizar rutas con sus datos históricos, sin que salgan del país; un despacho contable en la Ciudad de México procesando declaraciones con GLM-5.2 a una sexta parte del costo de su suscripción actual; un laboratorio universitario en la UNAM o el Tec enseñando sobre pesos reales de un modelo de frontera en lugar de diapositivas. Todo eso es técnicamente posible desde este verano.

La banca mexicana, en números

El otro lado de la oportunidad ya existe. México tiene más de 700 mil profesionales de tecnología activos, el mercado de talento más denso de América Latina, según cifras de la AMITI, y egresan más de 130 mil ingenieros cada año. El sector TIC creció 8.4 % en 2025, tres veces más rápido que la economía nacional. Y América Latina sumó 3.2 millones de desarrolladores nuevos a GitHub en un solo año, con Brasil, México y Colombia a la cabeza, impulsados por la contratación remota desde EE. UU. y Europa (Octoverse 2025).

El cuello de botella mexicano nunca fue la gente. Era el acceso a la capacidad de frontera. Ese cuello acaba de ensancharse.

No existen todavía datos públicos sobre cuántas empresas mexicanas están usando modelos de pesos abiertos. Lo anterior es una oportunidad demostrable técnicamente. Esa es exactamente la clase de vacío que este país debería apurarse a llenar.

¿Qué se puede hacer con esto?

Tres movimientos concretos, según dónde estés parado.

Si escribes código: esta semana puedes hacer tres cosas gratis o casi. Descarga un modelo pequeño de la familia Qwen (los de 27 mil millones de parámetros corren en una GPU de consumo) y pruébalo con tus tareas reales. Abre una API de DeepSeek V4 Flash y corre el mismo piloto por centavos. Y construye tu propia evaluación, veinte casos reales de tu trabajo, no benchmarks ajenos, porque la única pregunta útil es qué modelo es suficientemente bueno para tu tarea, a tu precio, con tu tolerancia al error.

Si diriges una empresa o un área: corre un piloto de dos semanas con datos propios comparando tu proveedor actual contra un modelo abierto vía API, y mide costo por tarea completada, no por token. Si manejas datos sensibles, agrega una variable que antes no existía: qué tanto vale que la información no salga de tu infraestructura. La respuesta puede cambiar la decisión aunque el modelo abierto sea un poco peor.

Si estás en una universidad o en política pública: los pesos abiertos son el primer material de enseñanza e investigación de IA de frontera que México puede costear. Laboratorios, tesis y prototipos de servicios públicos en español ya no requieren permiso ni presupuesto de frontera. Requieren decisión.

La pregunta que queda

Durante años, el consuelo mexicano frente a la IA fue decir que tenemos talento. Era cierto e insuficiente: el talento sin acceso a la tecnología de punta produce empleados remotos de empresas ajenas, no productos propios.

Esta semana, 150 empresas, incluidas las más poderosas del planeta, salieron a defender públicamente que la capacidad de frontera siga siendo descargable. La puerta no solo está abierta: la están sujetando desde adentro.

La pregunta que deja no es técnica ni geopolítica. Es mexicana y es incómoda: ahora que la frontera cabe en un disco duro, ¿cuántos equipos en este país van a construir algo propio con ella antes de que la ventana se cierre y cuántos van a seguir rentando la de otros?

La materia prima llegó. Lo que falta es lo que nunca nos ha faltado.

Fuentes

• Research Institute for Tsinghua Scholars / NYU Shanghai — «150+ Companies Sign Open-Weights Letter, Anthropic Doesn’t» (28 de julio de 2026). Cronología de la carta, Kimi K3 y caída del índice de semiconductores.

• Business Insider — «Microsoft, Nvidia, Meta, and Palantir’s Message to DC» (25 de julio de 2026). Firmas de OpenAI y Google; postura de Musk y Altman.

• Forbes — «Nvidia Open Weights Letter Doubled To 50 Without Amazon And Anthropic» (25 de julio de 2026).

• Shelly Palmer — «The Open-Weights Letter: What Happened, and Four Open Questions» (29 de julio de 2026). Posición de Anthropic.

• Stanford HAI — AI Index Report 2026 y PDF del capítulo técnico. Brecha abierto–cerrado, Elo del Arena, advertencias sobre benchmarks.

• Stanford HAI — «Open-Weight Models Aren’t Enough» (James Landay). Distinción entre pesos abiertos y código abierto.

• The Implicator — «Stanford’s 2026 AI Index Puts US Lead Over China at 2.7%» (abril de 2026). Giro parcial de Alibaba y Zhipu hacia modelos cerrados; escalera de precios.

• Gradient — «Everyone’s Watching the Wrong Benchmark» (julio de 2026). Epoch AI: lo abierto a ~4 meses de la frontera.

• Yotta Labs — «Best Open-Source LLMs in 2026» (actualizado el 6 de agosto de 2026). Estado de Qwen 3.8, licencias MIT de GLM-5.2 y DeepSeek, hardware requerido.

• Kingy.ai — «Best Open-Weight AI Models (2026)» (revisado el 28 de julio de 2026). Tabla de precios verificada contra páginas oficiales.

• GitHub — Octoverse 2025 (octubre de 2025). Crecimiento de desarrolladores en América Latina.

• AIT — «Nearshoring 2.0: México en datos» y Aprender21 — «Desarrollo de Software en México 2026». Cifras de talento TI (AMITI/IMSS/INEGI, reportadas por prensa sectorial).

Los precios y benchmarks se citan como snapshots de las fuentes indicadas y pueden cambiar; los datos de talento provienen de la industria (AMITI) vía prensa sectorial y se reportan como tales. Donde no existe evidencia de adopción específica en México, lo señalamos en el texto. Esta publicación no tiene relación comercial con ninguna de las empresas citadas.

El 30 de julio de 2026, Google activó dentro de Google Earth un botón llamado Crear imagen. Con una sola frase, cualquier persona podía superponer una escena inventada, generada por el modelo Nano Banana 2, sobre el mapa satelital real del planeta.

El viernes 31, la función ya estaba suspendida.

En ese lapso, el investigador neerlandés Henk van Ess “plantó” un campamento de refugiados junto a la frontera entre México y Estados Unidos, una planta nuclear en Irán y un hospital bombardeado en Gaza. Otros usuarios fabricaron la Torre Eiffel derrumbada, un socavón tragándose la pirámide de Giza y tanques rusos en Kiev. Las capturas salieron de la plataforma y empezaron a circular por redes como si fueran evidencia.

La historia se contó en el mundo como un tropiezo más de Google: lanza, escándalo, retirada, comunicado. Pero conviene leerla despacio, porque aquí en México el daño potencial puede ser más grande de lo que se piensa.

¿Qué fue lo que pasó?

Los hechos verificados son estos:

• El 30 de julio, Google anunció en su blog la integración de Nano Banana 2 a Google Earth web. La instrucción de la empresa era literal: acércate a un lugar, toca “crear imagen” y escribe lo que quieras ver. Los usos sugeridos iban de visualizar proyectos inmobiliarios a reimaginar espacios vacíos.

• El mismo día, especialistas en verificación y en inteligencia de fuentes abiertas (OSINT) demostraron el riesgo con ejemplos concretos: escenas de desastres, conflictos e instalaciones militares inexistentes, montadas sobre cartografía real.

• Google respondió primero que toda imagen llevaba una marca de agua digital invisible (SynthID), verificable con Gemini o Google Lens, y que sus filtros bloqueaban temas dañinos.

• Ninguna de las dos defensas resistió la prueba. Van Ess generó un hospital con un cráter de bomba en Gaza pese a los filtros. Y cuando Ars Technica fotografió una de las imágenes con la cámara de otro teléfono —como viajan las capturas en la vida real—, el verificador de Google ya no pudo detectar la marca. Gemini, además, limitaba esas verificaciones a unas diez por día.

• El 31 de julio, Google suspendió la función. Su comunicado admite que la gente estaba «compartiendo capturas de imágenes generadas que parecen violar nuestras políticas» y anuncia un regreso «con controles más fuertes». No hay cancelación ni fecha.

  

Hay tres cosas detrás del anuncio que vale la pena separar.

Primero, la marca de agua protege a la empresa, no al público. Las imágenes falsas no llegan como archivos limpios con sus credenciales intactas: viajan como capturas de pantalla, videos grabados a otro monitor, reenvíos de WhatsApp. Una protección que desaparece en el primer reenvío no protege nada, solo le permite a la empresa decir que avisó.

Segundo, el daño mayor es invisible. A partir de ahora, cualquier imagen satelital auténtica e incómoda puede ser descartada con una frase: eso se fabrica con IA, hasta Google tiene la herramienta. Los investigadores lo llaman el dividendo del mentiroso: cuando fabricar evidencia falsa es barato y conocido, la evidencia verdadera pierde valor de cambio.

No hace falta que nadie genere un solo falso de un rancho en Jalisco para que el hallazgo se vuelva discutible, basta con que el público sepa que podría existir.

Tercero, Google no canceló: pausó. La función volverá “con controles más fuertes”, en palabras de la propia empresa. Los expertos que documentaron derechos humanos con Google Earth durante años, el laboratorio humanitario de Yale, la organización WITNESS, pidieron algo distinto: preguntarse si esa herramienta debería existir ahí en absoluto.

Esa pregunta sigue abierta.

¿Por qué esto pega distinto en México?

En México, las imágenes satelitales hacen el trabajo que algunas instituciones no hacen. Cuando el colectivo Guerreros Buscadores de Jalisco localizó en marzo de 2025 el Rancho Izaguirre, en Teuchitlán, un predio vinculado al CJNG con fosas clandestinas y más de 500 indicios, incluidos restos óseos, la reconstrucción de lo ocurrido se hizo, en parte, con el historial de imágenes de Google Earth.

El equipo de CICA documentó cómo el predio pasó de terreno baldío en 2011 a centro de exterminio: construcciones entre 2014 y 2015, actividad vehicular en 2017, modificaciones año con año hasta 2025. Esa cronología visual es hoy parte del expediente público.

Ahora imagina esa misma investigación en 2027, con una herramienta de Google capaz de fabricar “evidencia” satelital en segundos y con un público que ya lo sabe. La labor, que ya opera contra la indiferencia y, a veces, contra las propias autoridades, ganaría un enemigo nuevo: la duda automática.

México ya vivió, este año, lo que pasa cuando las imágenes falsas se mezclan con una crisis real. El 22 de febrero de 2026, durante los operativos en Jalisco que terminaron con la muerte de Nemesio Oseguera “El Mencho” circularon videos fuera de contexto, fotografías antiguas e imágenes creadas con IA que mostraban ciudades fuera de control, incluida la versión falsa de un aeropuerto tomado por hombres armados.

Reuters documentó que los contenidos falsos se compartieron miles de veces; investigadoras como Jane Esberg, de la Universidad de Pensilvania, señalaron un patrón deliberado para proyectar ingobernabilidad. El capítulo mexicano del Digital News Report 2026, elaborado por académicos de la Universidad Panamericana, usa ese día como el ejemplo de cómo el miedo viaja más rápido que la información verificable.

Eso fue con herramientas genéricas de IA. Lo que Google estrenó y retiró en julio era algo peor en un sentido específico: falsos con cartografía real debajo, con la estética de la plataforma que usamos para verificar todo lo demás.

El terreno informativo mexicano amplifica el problema. Según el Digital News Report 2026 del Reuters Institute:

• El 66 % de las personas en México se informa cada semana a través de redes sociales, una proporción estable desde hace una década, mientras la televisión cayó de 65 % a 34 % y la prensa escrita de 51 % a 16 % desde 2017.

• La confianza general en las noticias bajó a 31 %: cinco puntos menos que el año anterior y por debajo del promedio mundial (37 %), que ya es el más bajo desde que existe la medición.

• Globalmente, solo 22 % confía en las noticias que encuentra en redes sociales y 20 % en las respuestas de chatbots de IA: precisamente los dos canales que más crecen como puerta de entrada a la información.

La mayoría del país se entera del mundo en el espacio donde los falsos circulan sin fricción, y ya no confía casi en nada de lo que ve ahí. A ese ecosistema se le suma ahora la posibilidad de fabricar “evidencia geográfica”.

El entorno delictivo también empuja en la misma dirección. Sumsub, una de las plataformas de verificación de identidad más grandes del mundo, reporta que los incidentes de fraude con deepfakes crecieron 255 % en América Latina entre 2023 y 2024, una de las tres regiones con mayor aumento, y que globalmente se multiplicaron por 40 en dos años, con otro salto de 700 % interanual en el primer trimestre de 2025. La fabricación de realidad sintética ya opera como una industria en expansión, y crece más rápido en regiones, como la nuestra, donde la verificación institucional es débil.

El vacío institucional, de cara a 2027

México ya tiene un antecedente electoral con IA: en el proceso de 2024 se documentaron deepfakes, audios manipulados y redes de bots, según el análisis del EON Institute y la Fundación Friedrich Naumann, que concluyó algo incómodo: las instituciones mexicanas carecen de mecanismos efectivos para mitigar estos riesgos.

El avance regulatorio desde entonces es delgado. En septiembre de 2024, la Sala Superior del TEPJF ordenó al INE modificar sus lineamientos para verificar el uso de imágenes generadas con IA en propaganda electoral (el expediente SUP-REC-893/2024, sobre la imagen de un menor creada artificialmente). Un acuerdo publicado en el Diario Oficial en marzo de 2025 reconoce que ese cumplimiento sigue pendiente. Es decir: a diez meses de las elecciones federales de 2027, la regla más concreta que existe sobre IA en campañas es una orden judicial acotada a la protección de la niñez, aún sin ejecutarse por completo.

En marzo de 2026, en una conferencia organizada por el propio INE, el investigador Jorge Francisco Aguirre Sala (UANL) advirtió que, si se mantiene la tendencia, el uso de granjas de bots y contenido automatizado en campañas podría multiplicarse varias veces rumbo a 2027. Es una proyección de un especialista pero apunta en la dirección de todo lo demás que hemos descrito.

Mientras tanto, el actor que estuvo a punto de degradar la evidencia satelital del país tiene nombre propio: la empresa que opera los mapas con los que México trabaja y verifica.

¿Quién gana y quién queda expuesto?

Ganan, a corto plazo, los actores que viven de la duda: campañas sucias, redes de fraude, gobiernos y grupos criminales a los que les conviene que nada sea comprobable. También gana Google en aprendizaje: descubrió, gratis, dónde están los límites de su próximo lanzamiento.

Quedan expuestos los oficios que convierten imágenes en verdad: periodistas de investigación, verificadores, colectivos de búsqueda, organizaciones de derechos humanos y, en última instancia, cualquier ciudadano que quiera comprobar algo con sus propios ojos. Y queda expuesta la autoridad electoral, que llegará a 2027 con un ecosistema informativo más degradado que el de 2024 y con reglas aún incompletas.

¿Qué se puede hacer con esto?

Cuatro movimientos concretos, según dónde estés parado.

Si trabajas en una redacción o en verificación: adopta una regla dura para imágenes satelitales, ninguna se publica a partir de una sola captura. Cruza con fuentes independientes y actualizadas (el programa europeo Copernicus Sentinel-2 es gratuito; Planet ofrece archivo comercial), revisa el historial temporal de la zona y conserva el archivo original con metadatos. Henk van Ess, el mismo que destapó el problema, recomienda exactamente eso: múltiples fuentes, siempre.

Si participas en un colectivo o documentas territorio: descarga y archiva hoy las series históricas de las zonas que investigas, con fecha y fuente anotadas. Cuando la disputa sobre autenticidad llegue, el valor estará en la cadena de custodia del archivo, no en la imagen suelta.

Si solo consumes noticias: una sola pregunta antes de reenviar una imagen satelital alarmante: ¿quién la publicó primero, cuándo y con qué fuente? Si en treinta segundos no encuentras respuesta, no la compartas. Es higiene mínima para un país donde el 66 % se informa por redes.

La pregunta que queda…

Durante décadas, la imagen satelital fue el árbitro silencioso de las disputas sobre el territorio: lo que pasó, dónde y cuándo. En México ese árbitro resolvía desde investigaciones periodísticas hasta búsquedas de personas.

Lo ocurrido a finales de julio deja claro que el árbitro también vende pinceles , y que piensa volver a venderlos con controles más fuertes. Quizá la función regrese blindada y nunca pase nada grave.

Pero la pregunta que deja no es técnica sino institucional: cuando cualquiera pueda fabricar el mapa, ¿quién en México, con qué recursos y con qué autoridad certifica el territorio?

Hoy no hay respuesta. Conviene construirla antes de que haga falta.

Fuentes

• Ars Technica — «Google Earth releases, swiftly retracts AI feature to make fake satellite images» (31 de julio de 2026). Pruebas de SynthID y verificación fallida.

• CBC News — «Experts are slamming a now-suspended AI feature on Google Earth. What’s at stake?» (8 de agosto de 2026). Declaraciones de Nathaniel Raymond (Yale) y Sam Gregory (WITNESS); ejemplos de Henk van Ess.

• Agencia NA — «Google Earth suspendió la función para crear fotos con IA» (10 de agosto de 2026). Catálogo de falsos virales.

• CICA — «Lo que nos dicen las imágenes satelitales sobre la cronología de los eventos en el Rancho Izaguirre de Jalisco» (marzo de 2025). Análisis de imágenes de Google Earth 2011–2025.

• Central Electoral, INE — «Digital News Report 2026: el mundo dejó de confiar en las noticias» (julio de 2026). Cobertura de la muerte de «El Mencho» y cifras de México del DNR 2026.

• Alianza de Medios MX — «Confianza en las noticias en mínimos en México: Digital News Report» (junio de 2026). Series 2017–2026 por canal.

• GIJN — «2026 Reuters Institute Digital News Report» (julio de 2026). Confianza por canal: buscadores, redes sociales, IA.

• Sumsub — Identity Fraud Report 2024 y reportes Q1 2025 / iGaming 2025 (crecimiento de deepfakes por región y salto Q1 2025; vía agregación de FluxForce).

• Fundación Friedrich Naumann / EON Institute — «AI and its influence in Mexico’s 2024 elections» (2025). Desinformación con IA en el proceso electoral 2024.

• TEPJF, Sala Superior — Comunicado 427/2024 (septiembre de 2024) y Acuerdo INE, DOF 11/03/2025. Estado de la regulación sobre IA en propaganda electoral.

• INE, Central Electoral — Conferencia «Inteligencia artificial, participación política y retos para regular su aplicación y uso» (marzo de 2026).

Los datos reportados por empresas (Google, Sumsub) se citan como tales; donde no existe evidencia específica para México, lo señalamos en el texto. Esta publicación no tiene relación comercial con ninguna de las fuentes citadas.

Subscribe now