Hace unos días, el laboratorio chino Moonshot AI publicó Kimi K3, un modelo de lenguaje de pesos abiertos que se acerca al nivel de los dos mejores sistemas de Estados Unidos: Fable 5 y GPT-5.6 Sol. Las acciones tecnológicas cayeron, los debates se encendieron y en Washington volvió a discutirse si conviene restringir el uso de modelos chinos.
MIRA: ¿Qué revela el hackeo de OpenAI sobre el futuro de la ciberseguridad?
Detrás del ruido hay algo más interesante. Estamos viendo, en tiempo real, cómo se sientan las bases de una nueva economía. La economía de la inteligencia artificial. Esta es quizás la conversación más importante que podemos tener en inteligencia artificial hoy en día.
En los mercados tradicionales, las materias primas son intercambiables. Un barril de petróleo vale lo mismo que otro barril de petróleo. Una tonelada de cobre es igual a otra tonelada de cobre. Por eso las llamamos commodities.
La inteligencia artificial parecía dirigirse hacia lo mismo. Los modelos generan “tokens”, fragmentos de texto que son su unidad de informacion, y durante un tiempo se pensó que los modelos de IA competirían por el precio del token, como se compite por el precio del crudo.
Pero un token no es un barril. Un token generado por un modelo no vale lo mismo que un token generado por otro, porque pertenecen a cadenas de razonamiento distintas y por lo tanto son el pructo de procesos con diferentes niveles de inteligencia. Es como comparar las horas de trabajo de dos personas pues no cuestan lo mismo si una resuelve el problema con mayor experiencia y conocimiento. Por ejemplo, Kimi K3 cobra menos por token que sus rivales americanos, pero necesita emitir muchos más tokens para llegar a la misma respuesta.
Lo que sí es intercambiable es el resultado, es decir la respuesta correcta, el codigo que funciona, el diagnóstico adecuado, la tarea terminada. La verdadera unidad de esta economía no es el token, sino la inteligencia necesaria para cumplir una tarea.
Existe otro malentendido frecuente, el de creer que los modelos de pesos abiertos son gratuitos. Es cierto que cualquiera puede descargarlos, y eso elimina el costo de investigación y desarrollo, que en los laboratorios de frontera se mide en decenas de millones de dólares. Pero operarlos cuesta, y mucho. Los pesos de Kimi K3 ocupan cerca de 1.5 terabytes de memoria y su despliegue requiere decenas de tarjetas graficas. La electricidad, los chips y los centros de datos no se descargan de internet.
Esto explica una aparente paradoja. Los modelos abiertos amenazan sobre todo a una capa de la industria, la de los laboratorios de frontera que viven de vender acceso a sus modelos. Para casi todos los demás, fabricantes de chips, proveedores de nube, empresas de software, startups y usuarios, más competencia en la capa de los modelos significa inteligencia más barata y más margen para construir encima.
China entendió esto y lo convirtió en estrategia. En economía, dos productos son complementos cuando se consumen juntos, como la impresora y la tinta, el celular y las aplicaciones, el modelo de IA y los robots que lo usan. Cuando el complemento se abarata, la demanda de tu producto crece. Google regaló Android para vender publicidad. Microsoft toleró la piratería de Windows en los noventa para que Office se volviera el estándar. China está liberando los pesos de sus mejores modelos porque su negocio no es vender inteligencia sino el mundo físico que sostiene esa inteligencia, con los robots, los autos eléctricos y las fábricas automatizadas que ya domina. Mientras más barata sea la inteligencia, más valiosas se vuelven las máquinas que las albergas.
La IA depende de un stack de tecnologías que va del hardware a la arquitectura, y del entrenamiento a las aplicaciones. La ventaja americana vive en los extremos, los chips y el capital para entrenar en la frontera. La innovación arquitectural, en cambio, hoy fluye con fuerza desde China, obligada a exprimir eficiencia de cada GPU que los controles de exportación le dejan. Al regalar los pesos, China comoditiza la capa de entrenamiento, la única que los laboratorios americanos monetizan directamente, y valoriza lo que está debajo de todo el stack, la economía física donde esa inteligencia barata se materializará.
La ventana de tiempo en la que un modelo cerrado tiene ventaja sobre el resto se esta acortando rapidamente, y con ella el retorno de invertir miles de millones en el siguiente entrenamiento. Me temo que la economía de la IA se moverá de crear modelos más grandes a servirlos más rápido y construir aplicaciones más inteligentes sobre ellos.
El debate en Estados Unidos revela las tensiones de esta nueva economía. Los laboratorios de frontera denuncian que los chinos “destilan” sus modelos, es decir, los usan como maestros para entrenar a sus propios modelos a una fracción del costo. Probablemente sea cierto. Pero también es cierto que esos mismos laboratorios entrenaron sus modelos destilando el conocimiento de todo el internet, incluyendo libros, artículos y código escritos por millones de personas que jamás fueron consultadas. La frontera entre aprender e imitar nunca ha sido tan difusa, ni tan valiosa.
Mientras tanto, ocurren episodios que parecen sacados de una novela. Cuando la plataforma HuggingFace recientemente sufrió un ciberataque ejecutado por agentes autónomos de IA, sus defensores no pudieron usar los modelos americanos más avanzados porque las restricciones de seguridad de esos sistemas no distinguían entre atacante y defensor. Terminaron analizando el incidente con el modelo abierto chino GLM 5.2, corriendo en sus propios servidores. Defender código americano con inteligencia china. Esa es la ironía de este momento.
Es tentador ver todo esto como una disputa economica entre Washington y Beijing. Sería un error. Las reglas que se están escribiendo hoy definirán quién captura el valor de la próxima década, y nosotros estamos, otra vez, mirando los goles desde la tribuna.
Pero esta vez hay una diferencia. Los modelos de pesos abiertos, vengan de donde vengan, ponen inteligencia de frontera al alcance de cualquier país que tenga algo cada vez más escaso, datos locales y gente que sepa qué hacer con ellos. Descargar un modelo toma minutos. Formar a la persona capaz de adaptarlo a la salud pública de Arequipa, a la justicia de Bogotá o a la agricultura de Sinaloa toma años.
Nuestro mecanismo de defensa, entonces, no es regulatoria ni arancelaria. Es constructiva. Debemos crear una masa crítica de ingenieros, científicos y emprendedores que construyan sobre esta infraestructura, y no solo la consuman. Proyectos como LatamGPT demuestran que la región puede entrenar sus propios modelos de lenguaje. El siguiente paso es multiplicar a quienes pueden convertir esa capacidad en industria.
Para medir este progreso nos toca también cambiar la métrica de éxito. Los países del norte discuten cuántos empleos se desplazan por la inteligencia artificial. La pregunta correcta para nosotros es otra. ¿Cuántos empleos nuevos somos capaces de crear con ella? Propongo un indicador simple para nuestros gobiernos, dividir los trabajos creados por la IA y trabajos desplazados por ella. La velocidad a la cual decrece esta metrica indica si estamos consumiendo el futuro de otros o si estamos construyendo el nuestro.
En cada revolución industrial, América Latina exportó la materia prima e importó el producto terminado. La inteligencia artificial nos ofrece, por primera vez, la materia prima casi gratis como son los datos. Quizás el peor escenario no es llegar tarde, sino llegar solamente como cliente.
Deja una respuesta