Hace apenas una década, los centros de inteligencia artificial más avanzados del mundo estaban en las universidades. Stanford, MIT, Berkeley y Cambridge dictaban el ritmo de la innovación. Hoy, el epicentro se ha desplazado a las oficinas de unas pocas corporaciones tecnológicas que controlan los modelos de lenguaje más potentes y los recursos computacionales necesarios para entrenarlos. Esta transformación no es solo un cambio de sede: es una reconfiguración profunda de quién define el futuro de la IA y, por ende, de quién se beneficia de ella.
La metáfora que usa Nika Haghtalab, profesora de ciencias de la computación en UC Berkeley, es reveladora. Ser un académico de IA hoy, dice, es como ser biólogo en un mundo donde las empresas privadas tuvieran el control exclusivo de la herramienta de edición genética CRISPR. Los investigadores externos pueden observar el comportamiento de ChatGPT o Claude, pero no tienen acceso a los detalles de su diseño, a los datos de entrenamiento ni a la capacidad de modificar su arquitectura. Es como estudiar un ecosistema desde la ventana, sin poder entrar al laboratorio.
El factor GPU: la barrera invisible
El primer obstáculo es económico. Entrenar un modelo de frontera cuesta decenas o cientos de millones de dólares en GPUs, electricidad y refrigeración. Una universidad promedio, incluso de primer nivel, no puede competir con los presupuestos de infraestructura de Google, Microsoft o Meta. El resultado es que la investigación académica de punta se ha replegado hacia áreas menos intensivas en cómputo: teoría, ética, seguridad o aplicaciones en dominios específicos donde los modelos abiertos o medianos aún son viables.
Algunos programas, como el Schmidt Sciences AI2050, proporcionan financiamiento para que los académicos compren GPUs. Pero esto es un parche, no una solución estructural. Los investigadores siguen dependiendo de la buena voluntad de fundaciones o de las mismas empresas que controlan el acceso. No hay soberanía académica sobre los recursos críticos.
El modelo cerrado como nuevo estándar
El segundo problema es la opacidad. OpenAI y Anthropic no publican los pesos ni los datasets de sus modelos más avanzados. Tampoco permiten auditorías externas sobre su entrenamiento. Esto rompe con el principio fundamental de la ciencia: la reproducibilidad. Sin acceso a los detalles internos, un académico no puede verificar, replicar ni mejorar los hallazgos de una compañía. La investigación se vuelve un ejercicio de caja negra.
Para los ejecutivos y directores de tecnología en América Latina, esta dinámica tiene consecuencias inmediatas. Si la innovación se concentra en unas pocas manos, la región queda en una posición de consumidor pasivo. Las empresas latinoamericanas dependerán de APIs y licencias cuyos costos, términos y evoluciones deciden en Silicon Valley, no en São Paulo, Bogotá o Ciudad de México.
El riesgo para la formación de talento
Otra arista es la educativa. Si los estudiantes de doctorado solo pueden trabajar con modelos abiertos o con versiones reducidas de los sistemas comerciales, su formación es incompleta. No aprenden a diseñar arquitecturas de frontera ni a lidiar con los problemas de escalamiento real. Se convierten en usuarios sofisticados, no en creadores. Y eso, a largo plazo, erosiona la capacidad de cualquier país para generar innovación autóctona.
De la frontera científica se aleja aún más la academia latinoamericana, que ya enfrenta restricciones presupuestarias severas. No se trata solo de comprar GPUs, sino de tener la libertad de experimentar con los modelos, cuestionar sus sesgos y proponer alternativas. Sin acceso al "código fuente" de la IA, la producción de conocimiento original se estanca.
Un equilibrio necesario
No se trata de demonizar a las empresas. Sin su inversión, muchos de los avances actuales no existirían. Pero el ecosistema de IA necesita un balance. Algunas voces proponen que los gobiernos financien infraestructura compartida de cómputo para universidades, similar a los centros de supercómputo que existen en física o biología. Otros sugieren que las empresas donen acceso controlado a sus modelos para fines de investigación, sin comprometer secretos comerciales.
Para los líderes latinoamericanos, la pregunta abierta es si quieren jugar un papel en esa discusión o resignarse a ser espectadores. Porque la dirección que tome la IA académica en los próximos años definirá no solo qué se investiga, sino quién tiene el poder de decidir hacia dónde va la tecnología. Y, en última instancia, quién se queda con los beneficios.
