Destilar un modelo ajeno permite entrenar sistemas competitivos sin repetir el costo de los datos y del cómputo originales, lo que cambia las cuentas de quién puede competir en la carrera por la inteligencia artificial. El problema es que el avance queda atado a lo que otro desarrolló primero: cada salto propio exige que el de afuera ya haya ocurrido. Si esa dependencia se mantiene, el liderazgo no se disputa en el laboratorio sino en el acceso a los modelos de los demás.