El colapso del viejo paradigma y el nacimiento de una nueva geografía del poder
La reunión del G20 en Chapel Hill, Carolina del Norte, reveló con crudeza la fractura que atraviesa el tablero global. Mientras Jensen Huang, CEO de Nvidia, y Elon Musk presionaban para que las normas se limiten a riesgos comprobados y no a escenarios hipotéticos, la administración Trump empujaba una agenda de desregulación que deja a la industria autorregularse. En la misma sala, ministros europeos y la jefa tecnológica de la UE escuchaban a Musk argumentar que "las cosas nuevas deben ser legales por defecto, no ilegales por defecto" —una frase que resume la tensión entre el modelo estadounidense de permiso previo y el europeo de precaución preventiva.
Pero lo ocurrido en Chapel Hill no es solo una disputa regulatoria. Es el síntoma visible de un cambio estructural más profundo: la era de los modelos fundacionales —ese ciclo de 2020 a 2025 donde entrenar modelos cada vez más grandes parecía la única ruta al poder— ha terminado. Los papeles de investigación de Jared Grogan y del equipo de Accenture Research convergen en un diagnóstico compartido: el pre-entrenamiento masivo dejó de ser un foso defensivo durable. Los modelos abiertos han alcanzado paridad de rendimiento en la mayoría de tareas, los costos de inferencia se acercan a cero, y la ventaja marginal de cada dólar invertido en escalar parámetros se ha desplomado.
La economía invertida: del entrenamiento a la inferencia como infraestructura
Los números son elocuentes. GPT-2 costó unos 43.000 dólares en 2019; GPT-3, entre 4 y 5 millones en 2020; GPT-4, entre 60 y 100 millones en 2023; GPT-4.5, alrededor de 500 millones a principios de 2025. La curva de costos subía cuatro a cinco veces al año, mientras la brecha de capacidad sobre las alternativas abiertas se estrechaba. Luego llegó DeepSeek-R1 en enero de 2025: capacidades de razonamiento equivalentes al modelo o1 de OpenAI a un costo reportado de menos de 6 millones de dólares —aproximadamente mil veces menos de lo que los laboratorios de frontera proyectaban para ese nivel de desempeño.
DeepSeek no usó trucos propietarios. Su arquitectura mixture-of-experts activaba solo 37.000 millones de 671.000 millones de parámetros por pasada, entrenaba en precisión FP8 y seguía la ratio óptima de Chinchilla de 20 tokens por parámetro. Todas son técnicas públicas, documentadas, accesibles a cualquier equipo de investigación. Lo que hizo DeepSeek fue demostrar que el foso era una estructura de precios, no un piso técnico: la economía circular de hiperescaladores que financiaba a los laboratorios de frontera creaba incentivos para consumir cómputo, no para optimizarlo. Un gasto de entrenamiento alto inflaba la valoración y justificaba la siguiente ronda de inversión.
Esta inversión tiene consecuencias inmediatas. Como señala Grogan, el entrenamiento es un gasto de capital grande e infrequente; la inferencia es el gasto operativo continuo. AWS ya distingue chips Trainium para entrenamiento e Inferentia para inferencia. El dominio de Nvidia en H100 y B200 para entrenamiento enfrenta un panorama competitivo distinto en inferencia, donde importa el rendimiento por dólar por token. A medida que los pesos de modelo se commoditizan y distribuyen libremente, la inferencia se convierte en el costo primario del despliegue de IA —y en un campo de batalla estratégico diferente.
La divergencia silenciosa: IA comercial vs. IA de seguridad nacional
Esta dimensión menos discutida y más consequencial es la separación permanente entre la IA comercial y una pista de IA de seguridad nacional clasificada. En febrero de 2026, el gobierno de EEUU designó formalmente a Anthropic como riesgo de cadena de suministro bajo autoridades del Departamento de Defensa (10 U.S.C. § 3252) y marcos federales de seguridad de cadena de suministro TIC (41 U.S.C. § 1323), excluyéndola de contratos gubernamentales. La medida no inició el cambio estructural; lo confirmó. La IA para aplicaciones de seguridad nacional no permanecerá bajo el control discrecional de empresas privadas que operan bajo sus propias políticas de uso y restricciones financieras.
Como ocurrió con cada tecnología de doble uso que alteró el cálculo del poder estatal —la energía nuclear, la criptografía, los semiconductores—, la IA está siendo absorbida bajo autoridad gubernamental no por diseño sino por la lógica estructural de lo que es. La pista clasificada se construye sobre datos distintos, se gobierna con reglas distintas y desarrolla capacidades que el ecosistema público no puede ver, medir ni gobernar. Esta bifurcación redefine lo que significa "soberanía" en IA: ya no se trata solo de tener un modelo propio, sino de controlar la cadena completa desde el silicio hasta la inferencia operativa en territorio propio.
Los modelos abiertos como instrumento contraintuitivo de control soberano
Aquí radica la paradoja que Grogan articula con precisión: los modelos de pesos abiertos son, desde la perspectiva de un gobierno que los despliega, la arquitectura más gobernable. Lo que no puede ser retirado por la política de API de un proveedor no puede ser quitado. Un gobierno que posee los pesos manda la capacidad en sus propios términos, sin depender de la continuidad financiera del vendedor, sus cambios de política o los procesos de habilitación de personal. La aparente apertura de los pesos distribuidos es, en la práctica, soberanía operativa.
Esta lógica explica por qué China ha producido múltiples familias de modelos de frontera en instituciones independientes: DeepSeek del laboratorio de High-Flyer Capital, Qwen de Alibaba, GLM de Zhipu AI en Tsinghua. A principios de 2026, los modelos de razonamiento abiertos líderes provienen predominantemente de instituciones chinas, son libremente accesibles para cualquier actor global y se construyeron a costos accesibles para una amplia gama de actores estatales y no estatales. El gobierno estadounidense observaba.
América Latina: complementariedad estratégica, no competencia estéril
En este tablero, el lanzamiento de Latam-GPT —el primer gran modelo de lenguaje abierto diseñado desde América Latina— adquiere su verdadero significado. Entrenado con 18 terabytes por 70 organizaciones de 15 países, presentado por el presidente Boric como hito de soberanía tecnológica, Latam-GPT no compite con ChatGPT, Claude ni Gemini. No puede. OpenAI invierte miles de millones respaldada por Microsoft; Google despliega Gemini sobre la infraestructura de nube más extensa del planeta; Anthropic capta inversiones multimillonarias de Amazon y Google. La asimetría es aplastante.
Pero la asimetría también tiene un hueco medible: los modelos globales apenas contienen un 2-3% de información latinoamericana, pese a que la región representa el 8% de la población mundial. Ese sesgo estructural afecta cómo la IA entiende la cultura, las leyes, las instituciones de la región. Latam-GPT no es un chatbot; es una base de datos regional para desarrollar aplicaciones. La estrategia realista no es competir: es construir complementariedad estratégica. Usar modelos globales para lo general y desarrollar capacidades propias para lo que exige contexto local profundo: legislación, lenguas indígenas, gobernanza, datos públicos. Ahí un modelo entrenado con datos de la región no solo es útil: es indispensable.
Chile lo entiende en el plano regulatorio: su Política Nacional de IA alcanza un 78% de implementación. Pero regular no es pretender controlar a los gigantes desde Santiago o Bogotá —eso es ilusorio. Es definir reglas de uso, protección de datos y estándares éticos para cualquier modelo —importado o local— que opere en el territorio. No se trata de bloquear a nadie, sino de que el despliegue de IA no sea una rendición incondicional. América Latina tiene la oportunidad de no repetir el patrón de las redes sociales: llegar tarde, sin marcos propios, y aceptar condiciones que otros definieron.
Los cuatro pilares de la soberanía y la trampa de la autosuficiencia total
El marco de Accenture Research clarifica el terreno: la soberanía en IA descansa sobre cuatro pilares —datos, cómputo, modelos y normas— y es un continuo, no una condición binaria. La teoría de la interdependencia compleja de Keohane y Nye aplica con fuerza: ninguna nación puede lograr soberanía completa en IA porque las cadenas de valor están globalmente interconectadas. EEUU, líder en desarrollo de IA, obtiene minerales críticos de socios extranjeros para producción de chips. China depende de tecnología de semiconductores de EEUU. La UE confía en proveedores de nube estadounidenses.
Resulta un mito la autosuficiencia total. La fabricación de chips ilustra la soledad del silicio: una planta de 3 nanómetros requiere inversión de decenas de miles de millones, cadenas de suministro que cruzan docenas de países, talento ultra-especializado y años de maduración.
India, con su misión IndiaAI de 10.000 crore de rupias (unos 1.140 millones de dólares), combina inversión estatal en infraestructura de cómputo nacional con desarrollo de herramientas de IA abiertas y multilingües por empresas privadas —Sarvam AI, Bhashini—. Arabia Saudita lanzó HUMAIN, empresa estatal para modelos multimodales en árabe. Los Emiratos Árabes, con Microsoft y Core42, aspiran a ser el primer gobierno nativo en IA para 2027 sobre nube soberana. Todos aceptan dependencias selectivas mientras construyen capacidad en pilares estratégicos.
Según el modelo de planificación de Accenture, la heurística correcta es igualar rendimientos marginales entre los cuatro pilares y fijar el grado de apertura donde los beneficios globales igualen los riesgos de exposición. Soberanía gestionada, no aislamiento.
La trampa regulatoria: entre el "desastre" y el vacío
El debate en Chapel Hill expuso la trampa. David Sacks, ex responsable de IA de Trump, rechazó crear organismos de prueba previos al despliegue —como proponía Demis Hassabis de Google DeepMind— argumentando que regular modelos avanzados con el rigor de aviones o medicamentos "sería un desastre". Bill Gates pedía mecanismos urgentes tras el incidente de OpenAI donde agentes autónomos sin supervisión humana accedieron a internet y vulneraron un sitio web. Michael Kratsios, asesor tecnológico de Trump, proponía concentrarse en normas para situaciones novedosas, no crear regulaciones completamente nuevas.
Esta tensión es real: regular demasiado pronto frena innovación; regular demasiado tarde cede control a actores que no rinden cuentas democráticas. La posición de Huang —normas enfocadas en problemas reales, no riesgos teóricos— suena razonable hasta que se pregunta: ¿quién define qué es un "problema real"? Cuando los agentes autónomos ya están rompiendo sitios web en pruebas, el umbral entre teórico y real se vuelve móvil.
Hoja de ruta: gobernanza multinivel, inversión público-privada y talento
No hay salida binaria. Requiere:
- Gobernanza multinivel: normas locales de uso y datos (como la política chilena), coordinación regional (Latam-GPT como bien público compartido), participación en foros globales (GPAI, G20) para que el Sur Global no sea mero receptor de normas.
- Inversión público-privada acoplada: datos y cómputo como par inseparable. Latam-GPT demuestra que 70 organizaciones en 15 países pueden reunir 18 terabytes; el siguiente paso es infraestructura de inferencia regional —centros de datos, chips de inferencia, energía— para que los pesos abiertos corran en servidores propios.
- Talento y ModelOps: la soberanía no termina en el entrenamiento. Requiere gobernanza del ciclo de vida del modelo (ModelOps), capacidades de fine-tuning continuo con datos operativos locales, y equipos que entiendan tanto la técnica como el contexto jurídico-cultural.
- Normas como activo estratégico: no solo cumplir estándares, sino co-escribirlos. La "emprendeduría de normas" (norm entrepreneurship) en cuerpos de estandarización internacional transforma la dependencia en influencia.
Conclusión: la soberanía se ejerce en la capa de inferencia
En la capa de inferencia se resuelve la triple carrera —regular, fabricar chips, poseer modelos—. Quien controla la infraestructura donde corren los modelos, con qué datos se afinan, bajo qué normas operan y quién puede apagarlos, ejerce soberanía real. Los modelos abiertos son el habilitador: convierten la inteligencia en un bien que puede ser alojado, auditado y adaptado localmente. La era fundacional terminó; la era de la inferencia soberana comienza.
América Latina no necesita construir su propio GPT-5. Necesita asegurar que cuando el próximo modelo fundacional —abierto o cerrado— llegue a la región, haya servidores propios, datos propios, normas propias y talento propio para decidir cómo se usa. Eso no es aislamiento. Es la única forma de no ser colonia digital.
