Radar El auge invisible de la economía IA y los retos de su supervisión
Investigadores revelan que la economía IA de EE.UU. crece a mil por ciento anual, aunque los indicadores tradicionales lo ocultan; además analizan la complejidad de supervisar sistemas más inteligentes que los humanos y presentan nuevos recursos de datos y proteínas.
Los economistas de la Universidad de Virginia, Anthropic y el Banco de Canadá publicaron un informe que muestra una expansión sin precedentes de la llamada "economía IA" en Estados Unidos. Según sus cálculos, el producto interno bruto atribuible a la inteligencia artificial alcanzaría los 250 000 millones de dólares en 2025, con una tasa de crecimiento anual de cerca del 2 600 por ciento en términos ajustados por calidad. La cifra supera con creces cualquier estimado basado en las estadísticas de PIB tradicionales, que apenas registran un aumento moderado.
Dos factores explican la brecha entre la medida oficial y la realidad subyacente. Primero, la expansión de los centros de datos, aunque significativa, no es suficiente para mover de forma notable el PIB. Segundo, la mayor parte del impacto económico proviene de la inferencia, es decir, del uso de modelos de IA en aplicaciones productivas, donde los precios por unidad disminuyen rápidamente al aumentar la calidad del output. En términos de gasto nominal en cómputo, los Estados Unidos pasaron de 37 mil millones de dólares en 2023 a 90 mil millones en 2024 y a 219 mil millones en 2025. Gracias a la mayor eficiencia de los chips modernos, la capacidad de cómputo creció más del 200 por ciento anual.
Cuando se incorpora el progreso algorítmico –medido a través del coste de inferencia para un mismo nivel de desempeño y la reducción del precio de entrenamiento– la producción de IA ajustada por calidad se disparó, con crecimientos superiores al 2 200 por ciento en 2024 y 2025. Los autores advierten que los planes de tesorería que se basen en datos convencionales subestimarían el riesgo de un shock tributario derivado de la sustitución de trabajo humano por sistemas automatizados. Propusieron tres líneas de acción: crear "cuentas satélite" de IA para complementar las métricas del PIB, generar datos primarios colaborando entre agencias estadísticas, empresas y academia, y incluir estos indicadores en las proyecciones macroeconómicas.
En paralelo, investigadores del UK AI Security Institute analizaron la viabilidad de que sistemas de IA supervisen su propio proceso de alineación. Señalan que los errores generados por agentes automatizados son más difíciles de detectar que los humanos, debido a presiones de optimización orientadas a la aprobación humana, a fallos poco intuitivos y a la alta correlación entre los experimentos. Para mitigar estos problemas proponen varios experimentos: reproducir proyectos completados y evaluar la capacidad de un agente para continuarlos, medir el rendimiento de los agentes en conjuntos de datos de eventos correlacionados y estudiar la composición óptima de equipos humano‑IA en tareas de investigación.
Otro aporte relevante es el Giant Permissive Image Corpus (GPIC), una base de 100 millones de imágenes con captions, liberada por equipos de Stanford, Radical Numerics, la Universidad de Michigan y Salesforce Research. Todas las imágenes están bajo licencias permissivas (CC BY, CC0, dominio público), lo que permite su uso tanto en investigación como en aplicaciones comerciales sin restricciones. El conjunto se aloja en Hugging Face en 8 000 fragmentos, incluye 200 mil imágenes de validación y 1 millón de test, y fue anotado con el modelo multimodal Qwen3‑VL‑4B. Al ofrecer un recurso libre de derechos y filtrado por seguridad, el GPIC reduce la barrera de entrada para startups y laboratorios académicos que necesiten datos masivos y limpios para entrenar modelos generativos.
En el campo de la biología, Biohub –fundada por Priscilla Chan y Mark Zuckerberg– lanzó ESMFold2, una alternativa a AlphaFold que combina un modelo de lenguaje entrenado con 2,8 mil millones de secuencias proteicas (ESMC) y un motor de diseño que genera estructuras atómicas de complejos biomoleculares. Las pruebas indican que ESMFold2 supera a AlphaFold 3 en varios benchmarks y permite diseñar ligandos contra cinco dianas clave en cáncer e inmunología (EGFR, PDGFR‑β, PD‑L1, CTLA‑4 y CD45). Los diseñadores alcanzaron tasas de éxito del 36‑88 por ciento para minibinders y del 15‑29 por ciento para formatos basados en anticuerpos, confirmando la unión en laboratorio. Los autores observan leyes de escala similares a otras áreas de IA: mayor número de parámetros y mayor cómputo de entrenamiento mejoran la precisión, mientras que aumentar el número de muestras de inferencia eleva las tasas de paso en pruebas de anticuerpos y proteínas‑proteínas.
Finalmente, el asistente australiano Andrew Leigh, ministro adjunto de Productividad, denunció la falta de precios adecuados para los riesgos existenciales vinculados a la IA. Argumenta que el crecimiento económico que duplica el PIB también duplica la probabilidad de escenarios catastróficos, y que la extinción no es un choque recuperable sino la pérdida total del futuro. Propone cinco medidas: incorporar la supervivencia en los marcos de política, legitimar la prevención de riesgos de bajo‑probabilidad pero gran escala, gobernar las tecnologías de frontera con vigilancia adelantada, coordinar esfuerzos internacionales y tratar la resiliencia como una forma de capital.
En conjunto, estos trabajos muestran que la IA está remodelando tanto la actividad económica como la investigación científica, pero también plantean desafíos de medición, supervisión y gestión de riesgos que seguirán definiendo la agenda de ejecutivos y responsables de política en los próximos años.
