En las dos primeras semanas de septiembre de 2026, Microsoft, Google DeepMind, Meta y Anthropic dejaron ver una fractura en el debate sobre cuánto debe acelerarse la inteligencia artificial. No hay un frente empresarial unido para pisar el freno: las posiciones siguen de cerca el lugar que ocupa cada compañía en la carrera.
La carrera no tiene un árbitro neutral
Microsoft se ha acercado más que otras grandes tecnológicas a la idea de moderar el avance de los sistemas de frontera. Su borrador de Humanist AI Code of Conduct, abierto a consulta pública, plantea que el control y la seguridad humanos prevalezcan sobre la maximización de capacidades, incluso si eso obliga a renunciar a cierto grado de generalidad o autonomía. Google DeepMind ocupa una posición cercana: Demis Hassabis ha respaldado estándares comunes y un organismo sectorial de evaluación. Ninguna de las dos compañías ha anunciado por ello una reducción de sus inversiones o del ritmo de entrenamiento.
La diferencia entre poner límites y dejar de correr es central. Microsoft y Google tienen negocios de infraestructura y distribución que les permiten ganar dinero aunque la frontera avance algo más despacio; no dependen de que un único modelo desplace a todos los demás. Meta, en cambio, rechaza una ralentización coordinada y sostiene que cada empresa puede moderar su ritmo de forma unilateral si los riesgos lo justifican. Esta postura es coherente con una compañía que compite con modelos abiertos y teme que un acuerdo colectivo consolide las posiciones de los líderes actuales.
Anthropic, con Dario Amodei como su defensor más visible, se sitúa en el polo favorable al pacing: moderar el avance de la frontera, recurrir a evaluadores externos y fijar estándares compartidos. Amazon y Oracle tampoco se han sumado a una pausa coordinada; sus negocios de infraestructura pueden beneficiarse de que continúe la carrera, sea cual sea la empresa que acabe dominando los modelos.
La lectura geopolítica es incómoda. Quien propone una norma puede estar preocupado por la seguridad y, al mismo tiempo, beneficiarse de una regla que sus competidores más pequeños no pueden cumplir. No hace falta atribuir mala fe: los costes de las evaluaciones, el cumplimiento y la seguridad técnica pesan menos sobre una empresa con capital abundante que sobre un rival que intenta alcanzarla. Regular puede reducir riesgos, pero también blindar una ventaja comercial.
Mil millones de dólares y una apuesta que no espera
La infraestructura de IA exige inversiones enormes, y los activos pueden quedar obsoletos con rapidez. Los cinco grandes hiperescalares pasaron de invertir unos 155.000 millones de dólares en infraestructura de IA en 2022 a cerca de 380.000 millones en 2025. Para 2026 se espera casi duplicar esa cifra, mientras Moody’s y Goldman Sachs sitúan el gasto agregado de capital cerca del billón de dólares en 2027.
Esas cifras no prueban que exista una burbuja. Sí plantean una pregunta: ¿de dónde saldrá la productividad necesaria para justificar semejante despliegue? Una estimación citada por Wachter y Wachter sostiene que el sector tendría que multiplicar su productividad por 2,7 en pocos años para que rindiera el capital comprometido. Hasta ahora, el auge aparece con mucha más claridad en los datos de inversión que en los de productividad. La observación de Robert Solow —la tecnología se ve en todas partes salvo en las estadísticas de productividad— vuelve a rondar el debate.
La presión por construir el siguiente modelo responde a una lógica competitiva. Si los sistemas actuales se vuelven más baratos y parecidos, los modelos pueden convertirse en un insumo intercambiable: el valor se desplazaría hacia las empresas capaces de usarlos mejor, no necesariamente hacia quienes pagaron el entrenamiento. Para un inversor, una respuesta posible es acelerar e intentar convertirse en la plataforma dominante antes de que el producto actual se comoditice. Puede ser una decisión racional para cada empresa y, a la vez, excesiva para el conjunto.
Hay tres desenlaces posibles. Un puñado de compañías domina y captura rentas, con una concentración económica y política difícil de ignorar. Los modelos se abaratan y el excedente se reparte entre usuarios y consumidores, un buen resultado para la difusión, pero no tanto para quienes financiaron la apuesta. O las rentas tardan en llegar y los activos pierden valor. Si las pérdidas quedan entre accionistas y capital riesgo, es el mercado haciendo su trabajo. La creciente dependencia del crédito parabancario privado, menos transparente y regulado que el bancario, abre otra posibilidad: pérdidas extendidas y rescates selectivos. Los supervisores no deberían descartarla.
Esperar también puede ser una estrategia de poder
La inversión masiva genera un incentivo contrario: aplazar una nueva ronda de gasto puede tener valor. Según el Financial Times, OpenAI prevé desembolsar unos 750.000 millones de dólares en computación hasta 2030. Retrasar un año esos pagos reduciría su valor presente en casi 100.000 millones. En una industria de esta escala, el tiempo es también un activo financiero.
Existe, además, un coste de oportunidad menos visible que el de los centros de datos. Cada dólar, ingeniero y megavatio dedicado a entrenar el próximo modelo deja de destinarse a integrar los sistemas existentes. Estos superan ampliamente lo que muchas empresas, hospitales, universidades y administraciones han aprendido a aprovechar. Es posible dedicar menos esfuerzo marginal a construir GPT-n+1 y más a lograr que GPT-n funcione en organizaciones reales, con sus procesos, datos, normas y responsabilidades.
Una frontera que avanza más despacio no equivale necesariamente a una tecnología que se difunde más despacio. Durante un periodo, incluso podría ocurrir lo contrario: menos recursos volcados en entrenar sistemas cada vez mayores y más capacidad para convertir los actuales en productividad efectiva. El debate político suele presentar dos opciones —acelerar sin preguntas o frenar la innovación— que no describen bien el dilema.
No todas las compañías pueden permitirse esperar por igual. Una empresa con modelos cerrados, mucho capital y clientes consolidados puede absorber mejor el coste de evaluaciones y controles. Un competidor que busca alcanzar la frontera con modelos abiertos puede interpretar una pausa coordinada como una congelación de la clasificación. Una firma que vende chips o computación tiene motivos para preferir que continúen las inversiones. En la geopolítica de la tecnología, las reglas sobre el ritmo también determinan quién conserva la ventaja.
El problema no es solo la máquina: es quién entiende qué
Los riesgos técnicos no se reducen a escenarios de ciencia ficción. Un estudio Delphi de Saeri y otros, con 272 expertos, señala como preocupantes las situaciones en las que crecen las capacidades mientras la supervisión resulta insuficiente. Uno de los problemas es el alineamiento: conseguir que un sistema persiga el objetivo que realmente queremos, y no una representación imperfecta que pueda maximizar de maneras absurdas o dañinas.
La ley de Goodhart resume la dificultad: cuando una medida se convierte en objetivo, deja de ser una medida fiable. Una institución puede pedir a un sistema que maximice un indicador porque se aproxima a lo que busca; el sistema puede optimizarlo con eficacia y producir algo que nadie quería. No necesita conciencia ni intenciones ocultas. Basta con que la regla aprendida durante el entrenamiento funcione en unas condiciones y falle cuando cambia el entorno.
Markus Brunnermeier añade una cuestión más difícil de gobernar: la comprensión asimétrica. Los modelos, entrenados con enormes cantidades de información, podrían anticipar conductas humanas mejor de lo que quienes los supervisan pueden reconstruir cómo llegan a sus decisiones. No es la típica asimetría informativa entre dos participantes que comparten un mapa conceptual. El sistema puede operar con representaciones que no encajan bien en las categorías de sus supervisores.
En mercados donde los participantes automatizados anticipan la reacción de un banco central con más precisión de la que la autoridad monetaria interpreta sus estrategias, el problema no sería solo económico. También afectaría la capacidad del Estado para entender qué ocurre y responder a tiempo. La comprensión de las tareas cognitivas que se delegan en la IA no viene incluida en esa delegación.
Un Estado que depende de las empresas que debe vigilar para obtener conocimiento técnico, infraestructura y capacidad de evaluación no ejerce plenamente su autoridad. Y si cada gobierno negocia por separado con compañías transnacionales que concentran el talento y la computación, la asimetría de poder tampoco es un detalle administrativo.
Europa necesita capacidad, no una consigna
Europa suele quedar atrapada entre el principio de precaución y la promesa de acelerar para no quedarse atrás. La precaución sin capacidad industrial puede producir normas ambiciosas que otros diseñan, ejecutan y terminan interpretando. La aceleración sin recursos propios puede convertir la autonomía estratégica en una expresión sin respaldo práctico.
La alternativa es construir capacidad técnica para evaluar sistemas, capacidad pública para supervisarlos y capacidad empresarial para adoptar la tecnología y capturar parte de su valor. No basta con aprobar estándares: hacen falta personal que entienda los modelos, acceso a infraestructura, organizaciones preparadas para integrarlos y mecanismos para comprobar qué ocurre una vez desplegados. De lo contrario, los reguladores escribirán obligaciones que solo los proveedores más grandes podrán traducir en prácticas auditables, con el consiguiente riesgo para la competencia.
Un acuerdo internacional para moderar el avance de los modelos más potentes podría reducir ciertos riesgos y dar tiempo a que las instituciones se adapten. Pero el tiempo por sí solo no construye centros de computación, equipos de evaluación ni empresas competitivas. Un pacing internacional sin capacidad europea podría congelar la exclusión de Europa de la frontera. La coordinación tendría que incluir el reparto del acceso a recursos y conocimientos, además de fijar el ritmo que deben aceptar quienes ya tienen ventaja.
El dilema es de acción colectiva. Ningún actor reúne por sí solo el conocimiento técnico, la legitimidad política y los incentivos adecuados para gobernar la frontera. Las empresas conocen sus sistemas, pero compiten por rentas. Los Estados tienen legitimidad, aunque pueden depender de los proveedores para entender aquello que regulan. Los organismos internacionales pueden facilitar acuerdos, pero no sustituyen la capacidad de aplicarlos.
La cuestión es quién decide qué se ralentiza, quién paga el coste y quién aprovecha ese intervalo para desarrollar la tecnología que hoy no tiene. Si el código generado crece un 180% mientras los lanzamientos de producto apenas aumentan un 30%, el cuello de botella empieza a desplazarse hacia la revisión, la integración, la organización y el juicio humano.
