La reunión del G20 en Chapel Hill dejó al descubierto una fractura que va más allá de lo regulatorio. Mientras Jensen Huang y Elon Musk presionaban para limitar las normas a riesgos comprobados, la administración Trump empujaba una desregulación que deja a la industria autorregularse. En la misma sala, la UE defendía la precaución preventiva. Pero el síntoma visible oculta un cambio estructural: 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 números son elocuentes. GPT-2 costó 43.000 dólares en 2019; GPT-4, entre 60 y 100 millones en 2023; GPT-4.5, alrededor de 500 millones a principios de 2025. La curva subía cuatro a cinco veces al año mientras la brecha sobre las alternativas abiertas se estrechaba. Luego llegó DeepSeek-R1: capacidades equivalentes a o1 de OpenAI a un costo reportado de menos de 6 millones. No usó trucos propietarios: arquitectura mixture-of-experts, precisión FP8, ratio óptima de Chinchilla. Todas son técnicas públicas. Lo que demostró DeepSeek es que el foso era una estructura de precios, no un piso técnico.
Esta inversión tiene consecuencias inmediatas. El entrenamiento es un gasto de capital grande e infrecuente; 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 se commoditizan, la inferencia se convierte en el costo primario del despliegue —y en un campo de batalla estratégico diferente.
La bifurcación silenciosa
Una dimensión menos discutida y más consecuencial es la separación permanente entre la IA comercial y una pista de IA de seguridad nacional clasificada. En febrero de 2026, EE. UU. designó formalmente a Anthropic como riesgo de cadena de suministro bajo autoridades del Departamento de Defensa, excluyéndola de contratos gubernamentales. La medida no inició el cambio; lo confirmó. Como ocurrió con la energía nuclear, la criptografía y los semiconductores, la IA está siendo absorbida bajo autoridad gubernamental 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 la 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.
La paradoja de los pesos abiertos
Aquí radica la paradoja que articulan investigadores como Jared Grogan: 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 ni de sus cambios de política. La aparente apertura es, en la práctica, soberanía operativa.
China lo entendió primero: 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 y se construyeron a costos accesibles para una amplia gama de actores estatales y no estatales.
Complementariedad, no competencia estéril
En este tablero, el lanzamiento de Latam-GPT 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 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.
Chile lo entiende en lo 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 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 y la trampa de la autosuficiencia
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 porque las cadenas de valor están globalmente interconectadas. EE. UU., líder en desarrollo de IA, obtiene minerales críticos de socios extranjeros para producción de chips. China depende de tecnología de semiconductores de EE. UU. La UE confía en proveedores de nube estadounidenses.
Ilustra la soledad del silicio la fabricación de chips: una planta de 3 nanómetros requiere inversión de decenas de miles de millones, cadenas de suministro que cruzan docenas de países, talento ultraespecializado y años de maduración. India, con su misión IndiaAI de 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. Arabia Saudita lanzó HUMAIN para modelos multimodales en árabe. Los Emiratos, 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.
Igualar rendimientos marginales entre los cuatro pilares y fijar el grado de apertura donde los beneficios globales igualen los riesgos de exposición es la heurística correcta. Soberanía gestionada, no aislamiento.
La trampa regulatoria
El debate en Chapel Hill expuso la trampa. David Sacks rechazó crear organismos de prueba previos al despliegue argumentando que regular modelos avanzados con el rigor de aviones o medicamentos "sería un desastre". Bill Gates pedía mecanismos urgentes tras el incidente donde agentes autónomos sin supervisión accedieron a internet y vulneraron un sitio web. 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.
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.
