Qué significa realmente la "IA soberana" y cómo probarla
Qué significa realmente la IA soberana en Australia, qué le falta demostrar a Agentaus 1 de Trellis Data y cómo probaría un modelo soberano como una POC.

Trellis Data lanzó Agentaus 1 la semana pasada y lo describió como un “near-frontier sovereign AI model” (modelo de IA soberana cercano a la frontera) (Trellis Data, 2026e).
Mi primera reacción honesta: depende de la calidad del modelo. Y no sabía lo suficiente como para juzgarlo.
Así que primero pedí que se investigara. Esto es lo que aprendí, lo que todavía no puedo verificar y cómo pondría a prueba un modelo “soberano” antes de mostrárselo a un cliente.
Primero, la definición
“Soberano” se usa como si fuera una sola propiedad. Son al menos tres:
- Dónde viven tus datos. ¿Se almacenan y procesan en el país, y alguna parte sale al extranjero?
- Quién construyó el modelo. ¿Se entrenó desde cero o se adaptó a partir del modelo base de otro? ¿Con qué datos?
- Quién lo opera. ¿Quién maneja la infraestructura, quiénes son los subprocesadores y quién puede auditarlos?
Un proveedor puede ser fuerte en una capa y guardar silencio en otra. La residencia de los datos es lo más fácil de prometer. La procedencia del modelo es lo más difícil de comprobar.
La etiqueta es resbaladiza. En 2025, Maincode, de Melbourne, anunció Matilda como el “first built from scratch, totally sovereign foundational AI model” (primer modelo fundacional de IA construido desde cero y totalmente soberano) de Australia, y para el lanzamiento ya se había distanciado de la etiqueta (Williams, 2025).
El National AI Plan (Plan Nacional de IA) dice que los modelos desarrollados localmente “may provide benefits such as reflecting unique cultural context or language, supporting innovation and mitigating risks around data security” (podrían aportar beneficios como reflejar un contexto cultural o un idioma propios, apoyar la innovación y mitigar riesgos de seguridad de los datos) (Department of Industry, Science and Resources, 2025). Fíjate en el “may” (podrían).
Lo que dice Trellis Data
Trellis Data es una empresa de Canberra, activa desde 2016 (Australian Business Register, n.d.), cuyo equipo de investigación trabaja con la Australian National University (Trellis Data, n.d.-e). Esto es lo que dice:
- Tamaño y puntaje. 220 mil millones de parámetros (Trellis Data, 2026e) y 84,4% en el benchmark MMLU-Pro, lo que “at the time of testing placed it 43rd globally” (al momento de la prueba lo ubicó en el puesto 43 del mundo), en resultados que Trellis busca publicar pronto (David, 2026).
- Un modelo propio. Region Canberra informa que la primera versión de Agentaus, en mayo, adaptaba frameworks de código abierto, pero que Agentaus 1 es el “proprietary 220-billion-parameter core model” (modelo central propietario de 220 mil millones de parámetros) de Trellis (David, 2026). Su fundador, Michael Gately, lo dijo sin rodeos en X: “it’s our own proprietary model, trained in Australia” (es nuestro propio modelo propietario, entrenado en Australia) (Gately, 2026a).
- Los datos se quedan en casa. Agentaus corre en la nube propia de Trellis, en data centers australianos, “not AWS, Azure, or other public hyperscalers” (no en AWS, Azure ni otros hiperescaladores públicos) (Trellis Data, n.d.-c). Los datos de los clientes nunca se usan “to train, improve or fine-tune our underlying AI models” (para entrenar, mejorar o ajustar nuestros modelos de IA subyacentes) (Trellis Data, 2026a).
Además es fácil de probar: hay un plan gratuito y una API que, según Trellis, es compatible con la API de chat completions de OpenAI (Trellis Data, n.d.-a, n.d.-d).
Lo que todavía no pude verificar
Nada de esto significa que las afirmaciones sean incorrectas. Solo que algunas todavía no se pueden comprobar desde afuera.
El modelo en sí. No hay pesos publicados, ni model card, ni informe técnico. En junio, un reseñador señaló que Trellis “will not say which underlying model powers the assistant” (no dice qué modelo subyacente impulsa al asistente) (Adam, 2026). Las preguntas frecuentes de Agentaus, todavía en línea esta semana, dicen que el Protected Mode usa “customised open-source models hosted by Trellis Data” (modelos de código abierto personalizados alojados por Trellis Data) y que Trellis “is also building its own frontier model” (también está construyendo su propio modelo de frontera) (Trellis Data, n.d.-c). Puede que esa página sea anterior al lanzamiento. Vale la pena preguntar.
El benchmark. Agentaus 1 no aparece en los datos públicos detrás del leaderboard de MMLU-Pro de TIGER-Lab, actualizado por última vez en marzo de 2026 (TIGER-Lab, 2026). Eso calza con que Trellis diga que los resultados aún no se publican. Mientras tanto, es un puntaje autodeclarado.
Una coincidencia, nada más. 84,4% es exactamente el puntaje en MMLU-Pro que el equipo Qwen de Alibaba informa para su modelo de pesos abiertos Qwen3-235B-A22B-Thinking-2507 (Qwen Team, n.d.).
¿Qué significa eso? Nada, por ahora. Modelos distintos pueden llegar al mismo número en un benchmark. Trellis dice que su modelo es propio y fue entrenado en Australia.
No es prueba de nada, tampoco de que Agentaus 1 esté construido sobre Qwen. Lo útil es lo mismo que con cualquier puntaje autodeclarado: pedir la configuración de la evaluación y una verificación independiente.
“Nothing ever leaves Australia” (nada sale nunca de Australia). Así lo planteó Gately en X esta semana (Gately, 2026b). Cuando Agentaus se lanzó por primera vez en mayo, Trellis ligó su promesa de no entrenar con datos de clientes a “our Protected Mode” (nuestro Protected Mode) (Trellis Data, 2026c). Los planes actuales, incluido el gratuito, también incluyen un “External Mode” con “global engines, results kept protected” (motores globales, resultados protegidos) y una recarga mensual de “Claude & ChatGPT credit” (crédito para Claude y ChatGPT) (Trellis Data, n.d.-a).
No estoy diciendo que tus datos salgan del país. Estoy diciendo que deberías saber en qué modo está tu gente y si puedes desactivar el External Mode.
El operador. Trellis no revela sus subprocesadores “for security reasons” (por razones de seguridad). Su Essential Eight Maturity Level 2 es una autoevaluación, con una evaluación independiente programada, y la infraestructura evaluada por IRAP está “available on request” (disponible a pedido) (Trellis Data, n.d.-c). Son puntos de partida razonables, no informes de auditoría.
¿Quién lo construye y qué le pone adentro?
Esto es lo que más me preocupa, y no es algo propio de Trellis. ¿Quién está creando el modelo? ¿Le están inyectando sus propios sesgos?
Trellis no ha publicado con qué se entrenó Agentaus 1. Es común en esta industria, pero significa que no puedes leer los valores del modelo en una ficha técnica.
También hay una capa que no ves. La documentación para desarrolladores dice que tu mensaje de sistema “is layered on top of the built-in system prompt” (se superpone al prompt de sistema integrado) y que “there is no way to fully override it” (no hay forma de anularlo por completo) (Trellis Data, n.d.-b). En el propio ejemplo de la documentación, una solicitud que solo dice “Hello” cuenta 2.440 tokens de entrada.
Eso no es siniestro en sí mismo, pero moldea cada respuesta. Y si un modelo se adapta a partir de otra base, puede arrastrar algunos hábitos de esa base, venga de donde venga. Así que prueba temas políticos sensibles de varios países, no de uno solo.
La pregunta de la burbuja
Mi instinto era que un modelo creado principalmente para el mercado australiano, con nuestras leyes y regulaciones, podría estar ciego a lo que pasa fuera de Australia. Una solución burbuja: funciona dentro de la burbuja, pero si le preguntas por otra cosa, puede que no tenga la información. Como un modelo que solo habla inglés.
Honestamente, la investigación sugiere que el riesgo contrario podría ser mayor. Si el 84,4% se confirma, el modelo tiene un conocimiento general amplio, porque MMLU-Pro abarca unas 12.000 preguntas en 14 áreas temáticas, la mayoría sin relación con Australia (Wang et al., 2024). Trellis también dice que funciona “across English, Indonesian, Chinese, Arabic and more” (en inglés, indonesio, chino, árabe y más) y que puede buscar en internet (Trellis Data, n.d.-a, n.d.-c). La brecha real podría ser poco detalle australiano o una fecha de corte de conocimiento antigua.
En cualquier caso, se puede probar. E incluso dentro de Australia tenemos matices de cultura, idioma e ideas.
Pruébalo como cualquier POC de software
Esto no es distinto a hacer una prueba de concepto (POC) de cualquier software. Lo pruebas con datos reales, o parecidos a los reales, y ves cómo reacciona ante las preguntas de soberanía y la ley australiana.
Un detalle: lo primero que pensé fue instalarlo y revisarlo. No se puede. No hay pesos descargables, y el acuerdo de usuario prohíbe copiar, crear obras derivadas y hacer ingeniería inversa, salvo lo que permita la ley (Trellis Data, 2026b). Así que lo pruebas a través de la app y la API, en este orden:
- Primero lo legal. Revisa el acuerdo de usuario y la política de privacidad antes de que alguien se registre con una identidad del trabajo. La OAIC recomienda no ingresar información personal, en especial información sensible, en herramientas de IA generativa de acceso público (Office of the Australian Information Commissioner [OAIC], 2024).
- Pregunta por escrito. ¿Se pueden desactivar el External Mode y la búsqueda web para toda tu organización? ¿Quiénes son los subprocesadores? ¿Hay un informe IRAP del servicio y cuál es su alcance? ¿Cuál es el modelo base?
- Parte con datos casi reales. Usa documentos sintéticos o anonimizados, y pasa a datos reales solo cuando los pasos 1 y 2 estén resueltos.
- Pasa las mismas tareas por otros dos modelos, por ejemplo un modelo de un hiperescalador alojado en Australia y un modelo de pesos abiertos que alojes tú.
- Evalúa con personas, sobre tu trabajo. Los benchmarks no se trasladan limpiamente a las tareas internas. Incluso los puntajes de MMLU-Pro varían alrededor de un 2% según el estilo del prompt (Wang et al., 2024).
- Pon a prueba la burbuja y el sesgo. Arma pares de preguntas sobre la ley y la actualidad de Australia y de otros países, y usa eventos con fecha para encontrar el corte de conocimiento.
Los compradores regulados tienen tarea. Cuando un tercero administra tus activos de información, la CPS 234 de la APRA dice que “must assess the information security capability of that party” (debes evaluar la capacidad de seguridad de la información de ese tercero) (Australian Prudential Regulation Authority [APRA], n.d.). Una página web no es eso.
Por qué igual usaría más de un modelo
Trellis presenta Agentaus 1 como una forma de “reducing the need to access multiple AI models for different tasks” (reducir la necesidad de usar varios modelos de IA para distintas tareas) (Trellis Data, 2026e). Yo lo veo distinto.
Creo que el futuro es multimodelo. Las empresas no usan un solo software para todo. Tienen un enfoque multisoftware o multinube, porque no quieren poner todos los huevos en la misma canasta. Usar distintos proveedores reduce el riesgo, y con la IA es muy parecido. El AI Index de Databricks, basado en más de 10.000 empresas que usan su Unity Gateway, encontró que la proporción que dependía de un solo proveedor de modelos bajó de alrededor de 64% en julio a 28% a comienzos de noviembre de 2026, y que cerca del 71% había usado dos o más proveedores (Databricks, 2026a, 2026b). Es la base de clientes de un proveedor, no el total de las empresas, pero apunta en la misma dirección.
También ayuda con el sesgo. Puedes contrapesar un modelo que podría tener sesgos u opiniones que no conoces con otro que es más abierto sobre ese tema. Y les da a las empresas tiempo para reflexionar, revisar, evaluar y decidir.
La plataforma federal GovAI está pensada para ser “vendor-agnostic” (agnóstica respecto del proveedor), con una opción para elegir el modelo según la necesidad (Department of Finance, n.d.). El propio anuncio de una alianza de Trellis dice que Workato es “model-neutral, so organisations can run sovereign and frontier models side by side” (neutral en cuanto a modelos, para que las organizaciones puedan usar modelos soberanos y de frontera lado a lado) (Trellis Data, 2026d).
He planteado que elegir un modelo se está volviendo una decisión de enrutamiento, no de proveedor (en inglés). Un modelo soberano puede ser una buena ruta para las cargas de trabajo sensibles. Eso no lo convierte en la única ruta.
Lo que le diría a otro profesional
- Pregunta qué capa de soberanía estás comprando. Residencia, procedencia y control operativo son promesas distintas.
- Trata los benchmarks autodeclarados como un punto de partida. Espera resultados independientes, o corre tú mismo un subconjunto del benchmark público MMLU-Pro (Wang et al., 2024).
- Pide evidencia, no adjetivos. Un informe IRAP con su alcance, una evaluación independiente del Essential Eight, una lista de subprocesadores, una model card.
- Mantén al menos dos modelos en juego. Una API compatible con OpenAI debería facilitar el cambio, así que diseña para eso desde el primer día.
Entonces, ¿es soberano?
En residencia de datos, Trellis Data hace promesas claras y específicas, con un modo que merece una mirada más atenta. En procedencia, todavía no lo sabemos. En operación, es un comienzo sensato, con evidencia aún por llegar.
Me encantaría un modelo australiano que esté a la altura. Pero antes de confiar en lo que promete, necesito benchmarks independientes, reseñas independientes, quizás algunos papers. Cada vez más gente va a estar mirando esto, y yo lo voy a seguir de cerca.
¿Confiarías en una etiqueta de “soberano” antes de haber probado lo que hay debajo?
~ Mr. Gómez
Referencias
Adam. (2026, June 23). Agentaus review (2026): Australia’s sovereign AI assistant tested. The AI Directory. https://www.theaidirectory.com.au/review-agentaus-australia-2026/
Australian Business Register. (n.d.). ABN 67 616 516 619: Trellis Data Pty Ltd. Retrieved November 18, 2026, from https://abr.business.gov.au/ABN/View?abn=67616516619
Australian Prudential Regulation Authority. (n.d.). Prudential Standard CPS 234 Information security. Retrieved November 18, 2026, from https://www.apra.gov.au/standards/cps-234
Databricks. (2026a). Databricks AI Index [Interactive dashboard]. Retrieved November 18, 2026, from https://developers.databricks.com/ai-index
Databricks. (2026b, November 16). Introducing the Databricks AI Index: The state of enterprise AI tokenomics [Blog post]. https://www.databricks.com/blog/introducing-databricks-ai-index-state-enterprise-ai-tokenomics
David, D. (2026, November 16). Australia’s own AI powers up to rival global giants. Region Canberra. https://region.com.au/australias-own-ai-powers-up-to-rival-global-giants/1014588/
Department of Finance. (n.d.). About GovAI. Retrieved November 18, 2026, from https://www.govai.gov.au/about
Department of Industry, Science and Resources. (2025). National AI plan. Australian Government. https://www.industry.gov.au/sites/default/files/2025-12/national-ai-plan.pdf
Gately, M. [@MGately_au]. (2026a, November 18). Thanks @chrissamanyy! Small note: it’s our own proprietary model, trained in Australia [Post]. X. https://x.com/MGately_au/status/2122820166446891379
Gately, M. [@MGately_au]. (2026b, November 18). We built Australia’s own AI model, and today it’s open to the world [Post]. X. https://x.com/MGately_au/status/2122780345947017287
Office of the Australian Information Commissioner. (2024, October 21). Guidance on privacy and the use of commercially available AI products. https://www.oaic.gov.au/privacy/privacy-guidance-for-organisations-and-government-agencies/guidance-on-privacy-and-the-use-of-commercially-available-ai-products
Qwen Team. (n.d.). Qwen3-235B-A22B-Thinking-2507 [Model card]. Hugging Face. Retrieved November 18, 2026, from https://huggingface.co/Qwen/Qwen3-235B-A22B-Thinking-2507
TIGER-Lab. (2026). MMLU-Pro leaderboard submission results [Data set]. Hugging Face. https://huggingface.co/datasets/TIGER-Lab/mmlu_pro_leaderboard_submission
Trellis Data. (n.d.-a). Agentaus. Retrieved November 18, 2026, from https://trellisdata.com/agentaus/
Trellis Data. (n.d.-b). Chat completions [Developer documentation]. Agentaus. Retrieved November 18, 2026, from https://agentaus.com.au/eng/docs/developers/chat-completions-api
Trellis Data. (n.d.-c). Frequently asked questions. Agentaus. Retrieved November 18, 2026, from https://agentaus.com.au/eng/docs/faq
Trellis Data. (n.d.-d). Getting started [Developer documentation]. Agentaus. Retrieved November 18, 2026, from https://agentaus.com.au/eng/docs/developers/getting-started
Trellis Data. (n.d.-e). Research. Retrieved November 18, 2026, from https://trellisdata.com/research/
Trellis Data. (2026a). Privacy policy (effective April 28, 2026). https://agentaus.com.au/eng/docs/privacy
Trellis Data. (2026b). User agreement / licence agreement (effective April 28, 2026). https://agentaus.com.au/eng/docs/agreement
Trellis Data. (2026c, May 7). Launch of Agentaus: Australia’s sovereign, high-security AI platform. https://trellisdata.com/newsroom/trellis-data-launches-agentaus/
Trellis Data. (2026d, October 14). Trellis Data’s Agentaus powers sovereign AI model Dukes, now integrating with Workato. https://trellisdata.com/newsroom/agentaus-powers-dukes/
Trellis Data. (2026e, November 10). Trellis Data joins global AI ranks with launch of near-frontier sovereign AI model: Agentaus 1. https://trellisdata.com/newsroom/trellis-data-launches-agentaus-1/
Wang, Y., Ma, X., Zhang, G., Ni, Y., Chandra, A., Guo, S., Ren, W., Arulraj, A., He, X., Jiang, Z., Li, T., Ku, M., Wang, K., Zhuang, A., Fan, R., Yue, X., & Chen, W. (2024). MMLU-Pro: A more robust and challenging multi-task language understanding benchmark (arXiv:2406.01574). arXiv. https://doi.org/10.48550/arXiv.2406.01574
Williams, T. (2025, October 15). Maincode debuts Matilda AI after ditching “sovereign” label. Information Age. https://ia.acs.org.au/article/2025/maincode-debuts-matilda-ai-after-ditching—sovereign—label.html