Mensajes clave
- El debate sobre la inteligencia artificial (IA) está pasando de poner el foco en acelerar su desarrollo a centrarse en gobernar su ritmo. Pero septiembre de 2026 no revela un consenso de la industria a favor de ralentizar: revela una fractura que se ordena según el modelo de negocio de cada compañía –la primera comprobación empírica de que las preferencias regulatorias son endógenas a la posición competitiva–.
- La economía de la carrera contiene dos incentivos opuestos: la comoditización empuja a acelerar; la intensidad de capital y el mercado sin explotar de los modelos existentes, a ralentizar y monetizar. La coordinación –no la sospecha– es la variable crucial y la gobernanza de la frontera es un dilema de acción colectiva en el que ningún actor reúne simultáneamente conocimiento, legitimidad e incentivos adecuados.
- Una misma norma puede reducir un riesgo y levantar una barrera de entrada: la alarma puede ser sincera, pero sus efectos adversos sobre la competencia también pueden serlo. Un Estado tecnológicamente dependiente de las empresas que debe supervisar no está regulando la IA: está externalizando su poder regulatorio.
- La evidencia apunta a un desplazamiento del cuello de botella: cuando el código crece un 180% y los lanzamientos apenas un 30%, el recurso escaso pasa a ser la revisión, la integración, la organización y el juicio humano. Una ralentización coordinada de la frontera no sería un “frenazo de la IA”, sino un cambio de composición hacia la difusión.
- Europa no debe elegir entre el principio de precaución y el de aceleración: debe desarrollar un principio de capacidad. Un pacing internacional sin capacidad europea no le compraría tiempo a Europa, sólo congelaría su exclusión de la frontera.
Análisis
Una vieja reacción ante una tecnología nueva
La desconfianza hacia las tecnologías del conocimiento es casi tan antigua como el conocimiento mismo. En el relato del Génesis (Biblia de Jerusalén, 2009), la gran transgresión original está asociada al fruto del árbol del conocimiento del bien y del mal. Más tarde, en el Fedro, Platón puso en boca del rey Thamus una advertencia extraordinariamente moderna contra la escritura: externalizar la memoria produciría olvido y daría a los hombres la apariencia de sabiduría sin verdadera comprensión. Sustitúyase “escritura” por “inteligencia artificial” y aparecerá buena parte del debate contemporáneo. Las tecnologías posteriores provocaron reacciones semejantes: la imprenta convivió con licencias, censura previa e índices de libros prohibidos, el cine, la radio y la televisión, con códigos y sistemas de supervisión, e Internet, tras escapar un tiempo al patrón, devolvió el control de los contenidos al centro del debate cuando el fraude y la desinformación se hicieron visibles.
No sería correcto leer esta secuencia como una lucha entre el progreso y el oscurantismo: todas esas tecnologías generaron beneficios extraordinarios y riesgos reales. Platón tenía parcialmente razón: una tecnología que externaliza una capacidad humana puede mejorar nuestros resultados y debilitar simultáneamente la capacidad que sustituye, como la calculadora con el cálculo mental o el GPS con la orientación espacial. La cuestión relevante para la política pública no es si las nuevas tecnologías presentan riesgos –siempre lo hacen–, sino qué riesgos justifican restricciones y cuáles pueden gestionarse sin impedir la difusión de los beneficios. La IA eleva la dificultad de esa decisión porque, a diferencia de sus predecesoras, no solo almacena y transmite conocimiento: empieza a participar en su producción.
Alignment y comprensión asimétrica: los riesgos no son imaginarios
Conviene tomarse en serio las razones del creciente temor. Un estudio Delphi (Saeri et al., 2026) entre 272 expertos sitúa entre los riesgos prioritarios de la IA precisamente los que combinan capacidades crecientes con una supervisión insuficiente.
Uno de los problemas fundamentales es el alineamiento: cómo lograr que un sistema artificial persiga realmente los objetivos que pretendemos asignarle. La dificultad es conocida por los economistas: la variable que especificamos como objetivo es sólo una aproximación imperfecta de lo que queremos, y cuando el indicador se convierte en objetivo el sistema puede maximizarlo sin producir el resultado pretendido. Es la versión tecnológica de la ley de Goodhart[1] (Manheim & Garrabrant, 2018). Otro es que un sistema puede aprender, durante su entrenamiento, una regla que funcione bajo determinadas condiciones y deje de aplicarla cuando cambia el entorno.[2] No hace falta atribuir conciencia ni maldad a la máquina: basta la distancia entre el objetivo humano y la representación efectivamente aprendida.
Markus Brunnermeier (Brunnermeier, 2026) añade un concepto particularmente útil: asymmetric understanding o comprensión asimétrica.[3] La economía lleva décadas estudiando la información asimétrica, pero siempre asumiendo que los participantes en el mercado comparten una representación similar del problema. Con sistemas avanzados de IA puede surgir algo distinto: pueden aparecer modelos cuyas representaciones y reglas de decisión no resultan plenamente traducibles a las categorías de quienes los supervisan. Y la asimetría es direccional: los modelos, entrenados con enormes volúmenes de información, pueden modelar el comportamiento humano mucho mejor de lo que nosotros –los humanos– podemos reconstruir el mecanismo por el que ellos deciden. En pocas palabras: con la IA externalizamos el pensamiento, pero no la comprensión. Un banco central puede enfrentarse a mercados poblados por máquinas que anticipan mejor su función de reacción que él –la autoridad monetaria– interpreta la conducta de esas máquinas. No es un problema menor.
Las dos velocidades
El núcleo de nuestro desasosiego con la IA puede representarse como una carrera entre dos variables: la capacidad de los sistemas artificiales y la capacidad de la sociedad para comprenderlos, utilizarlos y gobernarlos. Si la primera crece persistentemente más deprisa, aumenta la brecha entre la innovación y la comprensión social y, en escenarios extremos, esa brecha puede generar pérdida de control, dependencia y fragilidad institucional. Contener esa brecha no exige elegir una sola variable de ajuste: la distancia entre ambas capacidades puede cerrarse acelerando la capacidad humana e institucional o moderando temporalmente la convergencia hacia la frontera.[4]
La cuestión relevante no es “acelerar o frenar” en abstracto, sino qué combinación de velocidades maximiza la innovación, la seguridad y la difusión. Y esa formulación cambia el problema: la lentitud de los sistemas educativos, legislativos y administrativos no es una constante de la naturaleza, sino una variable de política pública. Tampoco lo es, porque es una decisión privada, el ritmo de inversión para alcanzar la frontera.
De la inversión a la carrera por las rentas: el incentivo a acelerar
La infraestructura de la IA es costosísima y la obsolescencia de parte de esas inversiones puede ser inverosímilmente rápida. La historia muestra que las revoluciones tecnológicas pueden ser extraordinariamente beneficiosas para la sociedad sin remunerar a quienes financiaron sus infraestructuras: el ferrocarril arruinó a muchos de sus primeros inversores y la infraestructura de la burbuja puntocom resultó valiosa después de que buena parte de su capital se perdiera (Ruiz, 2026).
La IA puede repetir el patrón. El escenario más obvio es la comoditización: si los modelos convergen en calidad mientras caen los costes de uso, la IA se convierte en un input abundante e intercambiable y el excedente se desplaza hacia quienes descubren cómo utilizarla –lo que conecta con los análisis del Real Instituto Elcano sobre la cadena de valor: construir el mejor modelo generalista no es la única forma de capturar valor (Arnal, 2024, 2025)–.
La comoditización genera una paradoja: cuanto menor sea la rentabilidad del modelo actual, mayor será el incentivo para construir rápidamente el siguiente. Con rendimientos crecientes, efectos de red y ventajas acumulativas, la recompensa es convertirse en la plataforma dominante y en esa carrera –en la que domina el winner-takes-all–es individualmente racional seguir invirtiendo, aunque la inversión agregada resulte excesiva.
La magnitud de la apuesta actual en IA es histórica: los cinco grandes hiperescalares han elevado su inversión en infraestructura de IA desde unos 155.000 millones de dólares en 2022 hasta cerca de 380.000 millones de dólares en 2025, con una previsión de casi duplicarla en 2026. Moody’s y Goldman Sachs sitúan el capex agregado en torno a un billón de dólares en 2027. Para que ese capital rinda, la productividad del sector tendría que multiplicarse por 2,7 en pocos años (Wachter & Wachter, 2026). Teóricamente, esos datos no demuestran, per se, que haya una burbuja –el salto puede producirse–,[5] pero por el momento el boom sólo está en los datos de inversión y todavía no en los de productividad (Solow, 1987).[6]
En este contexto de incertidumbre –en algunos casos, de escepticismo– caben tres escenarios, y cada uno de ellos da lugar a una legítima preocupación. En el primero, una o un puñado de compañías alcanzan la dominancia y capturan rentas suficientes para remunerar las inversiones, el problema sería entonces la concentración de poder económico y político. En el segundo, la tecnología se comoditiza y el excedente se distribuye entre consumidores y empresas usuarias, probablemente sería el mejor escenario para la productividad, aunque los inversores fundadores perderían –en parte o del todo– su apuesta. En el tercero, las rentas esperadas no aparecen lo suficientemente deprisa y los activos subyacentes deben repreciarse a la baja. Mientras las pérdidas queden en los accionistas y el capital riesgo, se trataría del funcionamiento normal de una economía de mercado. Pero la estructura que se observa en la financiación de la IA –con una creciente dependencia del crédito parabancario privado, menos transparente y regulado que el otorgado por las entidades bancarias– hace recelar de que, como ya ocurrió en 2008, puedan producirse crisis sistémicas y bail-outs selectivos. La mera probabilidad de que existan ya justificaría que los supervisores incorporasen este escenario a sus ejercicios de estrés.
La paradoja financiera del frenazo: correr cuesta y esperar puede crear valor
La misma intensidad de capital que alimenta la carrera genera un incentivo de signo contrario: cuanto más costoso sea construir el siguiente modelo y mayor sea el mercado sin explotar de los existentes, mayor es el valor económico de diferir la nueva ronda de inversión.
En estas magnitudes, el tiempo se convierte en un activo financiero. Financial Times estima que OpenAI prevé gastar unos 750.000 millones de dólares en computación hasta 2030 y que retrasar esos desembolsos un año reduciría su valor presente en casi 100.000 millones de dólares (Foley, 2026). Existe, además, un coste de oportunidad: cada dólar, ingeniero y megavatio dedicado a entrenar el siguiente modelo compite con la explotación económica de los actuales, cuyas capacidades ya superan ampliamente las que las empresas e instituciones han aprendido a utilizar.
Esta distinción es esencial. Un crecimiento temporalmente más lento de la frontera no implica un “frenazo de la IA”: puede representar un cambio de fase –menos recursos marginales para entrenar GPT-n+1 y más para integrar GPT-n en empresas, hospitales, universidades y Administraciones. Hacer avanzar la frontera algo más despacio podría, durante un tiempo, acelerar su impacto en la productividad.
No existe, por tanto, un único “interés de Silicon Valley”: cuál de las dos fuerzas domina depende de la posición que cada compañía ocupa en la carrera, y la heterogeneidad de posturas ante el pacing lo hace claramente visible.
La fractura de la industria: la economía política del pacing
Sería un error interpretar las declaraciones recientes de los líderes tecnológicos como la aparición de un consenso de la industria favorable a la ralentización. Lo que emerge es más interesante: las declaraciones de las compañías se ajustan con notable precisión a la posición de cada una en la cadena de valor. En términos más técnicos, las preferencias regulatorias de cada empresa son endógenas a su posición competitiva.
La razón es simple: un desarrollador de frontera, con capital abundante y modelo cerrado,[7] soporta mejor los costes fijos de evaluación y cumplimiento que quien intenta alcanzarlo con modelos abiertos y estructuras ligeras. Por otra parte, una plataforma de infraestructura que sirve a múltiples proveedores no requiere un único ganador. Finalmente, quien vende el insumo escaso que todos necesitan –los chips– tiene incentivos evidentes para que la carrera continúe.
Un somero análisis de lo declarado por los CEOS a lo largo de estas dos primeras semanas de septiembre de 2026 se ajusta milimétricamente a esta predicción.
Entre los hiperescalares, Microsoft es quien más se ha aproximado al pace the frontier: su borrador de Humanist AI Code of Conduct, (Microsoft, 2026), en consulta pública, hace prevalecer el control y la seguridad humanos sobre la maximización de capacidades y contempla renunciar a grados de generalidad o autonomía en caso de conflicto.[8] No compromete menos entrenamiento ni menos inversión, pero convierte la seguridad en restricción potencial y no en mera aspiración. Google DeepMind (Hassabis, 2026a, 2026b) ocupa una posición próxima: Hassabis respalda la dirección de Amodei y defiende estándares comunes y un organismo sectorial de evaluación, sin una reducción anunciada del ritmo de entrenamiento. Ambas son posiciones intermedias reveladoras: compiten en modelos, pero sus enormes negocios de infraestructura y distribución les permiten capturar valor, aunque la frontera avance más despacio.
Meta (Huamani & Chan, 2026, Zuckerberg, 2026) acepta que cada empresa avance solo al ritmo compatible con entrenar de forma segura, pero rechaza una ralentización coordinada: los incentivos comerciales, legales y reputacionales bastarían para que cada empresa modere unilateralmente su ritmo. La distinción importa: una cosa es que la seguridad determine la velocidad óptima de cada empresa y otra acordarla colectivamente, y es coherente con quien disputa la frontera con modelos abiertos y desconfía de una coordinación que congele posiciones. Amazon (Amazon, 2026) y Oracle tampoco se han sumado: sus estrategias siguen siendo expansivas, coherentes con negocios de infraestructura que no necesitan un monopolista de la IA para capturar valor.[9]
Entre las empresas de la IA, Anthropic (Amodei, 2026) es el polo más favorable al pacing: la propuesta de Amodei no es detener el entrenamiento, sino moderar el desplazamiento de la frontera, con evaluadores externos permanentes, estándares comunes y, eventualmente, coordinación internacional, la compañía ha dado el paso más concreto al abrir unilateralmente el acceso a evaluadores independientes. OpenAI (Altman, 2026) se ha aproximado: Altman respalda el principio y los evaluadores externos, y su científico jefe, Jakub Pachocki (Pachocki, 2026), ha planteado que ningún laboratorio ha resuelto todavía el alignment y la supervisión con robustez suficiente para escalar indefinidamente a máxima velocidad, lo que abre la puerta a ralentizaciones voluntarias. El apoyo de xAI (Musk, 2026) es menos institucional: Musk respalda la dirección sin un compromiso verificable por parte de la compañía. Y en el polo opuesto esta Nvidia, (Bloomberg, 2026, Cnbc, 2026, TechCrunch, 2026): Huang rechaza la desaceleración coordinada –aunque acepta las auditorías externas– y defiende que cada empresa gestione sus riesgos. Es difícil encontrar un mejor mapa de la economía política de la carrera: mientras las empresas de la IA discuten cuánto cuesta permanecer en la frontera, el fabricante de los “picos y palas” de esta fiebre del oro obtiene sus ingresos de la propia carrera.
El resumen de las posiciones es muy simple: Amodei quiere coordinar el frenazo, Zuckerberg y Huang, internalizarlo en cada empresa, Trump, que lo determine la competencia con China, y OpenAI intenta asegurar financiación suficiente para mantener abiertas todas las opciones. La posición de cada empresa ante el pacing es parcialmente endógena a tres variables: su lugar en la cadena de valor –que explica el corte entre categorías–, la solidez de su balance y el horizonte temporal de sus inversores que explican las diferencias dentro de cada categoría: quien dispone de financiación paciente puede permitirse acompasar, pero quien depende de rondas sucesivas lo tiene más difícil.
Nada de esto demuestra que unas preocupaciones sean interesadas ni otras irresponsables: lo relevante es que las motivaciones pueden ser coincidentes y que los disensos se explican por lo que cabría esperar de los modelos de negocio. Septiembre de 2026 no produce unanimidad: hace visible la economía política de Silicon Valley.
Queda, sin embargo, un participante que altera todo el equilibrio: el perseguidor geopolítico. La pregunta ya no es quién quiere frenar, sino quién puede permitirse hacerlo si China no lo hace también.
Del “frenar o correr” al problema de quién lidera
Esa pregunta está en el corazón de la reacción política en EEUU y genera dos respuestas aparentemente opuestas: una reclama pausas, prohibiciones o la ralentización de la frontera, y la otra, representada por la Administración Trump, teme que cualquier freno permita a China ganar la carrera. Una regulación que ralentice la frontera puede reducir riesgos genuinos y, simultáneamente, elevar los costes de entrada, favorecer los modelos cerrados y consolidar a quienes ya disponen del capital, el cómputo y el talento para cumplirla.
La alarma puede ser sincera y sus efectos anticompetitivos también: las dos cosas no son incompatibles y aceptarlo permite abandonar las teorías conspirativas, porque la economía política no exige escoger una sola motivación.
El problema fundamental no consiste en decidir si creemos a Silicon Valley o a sus críticos, sino en construir instituciones públicas capaces de no tener que creer a ninguno. Porque, como señala Sachs, (Sachs, 2026), un Estado tecnológicamente dependiente de las empresas que debe supervisar no está regulando la IA: está externalizando su poder regulatorio.
Hay, además, una asimetría en el debate: si el riesgo de seguir a quienes piden pausas indefinidas es institucionalizar la propia lentitud, el problema de dar prioridad a quienes sostienen que la única opción real para evitar la asfixia de la innovación es desregular es que todos acabemos confundiendo velocidad con estrategia. Correr no basta: si China forma ingenieros, construye capacidad estatal y coordina energía, industria e IA mientras Estados Unidos (EEUU) simplemente desregula, que se vaya muy deprisa no garantiza el liderazgo estratégico.
De la carrera nacional al dilema de acción colectiva
Existe un problema que ningún regulador nacional puede resolver por sí solo. La carrera se desarrolla simultáneamente entre empresas y entre Estados, y en ambos planos el principal enemigo económico del frenazo es el perseguidor: si el líder reduce unilateralmente el ritmo, concede tiempo a los modelos de peso abierto y a China para cerrar la brecha. Los incentivos son asimétricos –el líder gana difiriendo inversión y prolongando las rentas de sus modelos, sus inversores, por el menor valor presente del capex, los usuarios y la sociedad, por la difusión y el tiempo de adaptación–, pero el perseguidor gana aún más: recibe gratis la oportunidad de recortar distancia.
El resultado tiene la estructura clásica de un dilema de acción colectiva: todos pueden ganar con una carrera algo más lenta y todos pueden perder si son los únicos que levantan el pie del acelerador.
La cuestión deja de ser cuánto debe avanzar la IA y pasa a ser quién acepta avanzar más despacio, durante cuánto tiempo, bajo qué verificación y a cambio de qué reciprocidad. De ahí que la gobernanza internacional esté pasando de los principios éticos a las capacidades, la verificación y la reciprocidad.
La cuestión no es un regulador mundial de la IA, políticamente improbable, sino identificar un conjunto limitado de riesgos en los que la cooperación sea compatible con la rivalidad estratégica: ciberseguridad, capacidades biológicas y químicas, incidentes graves en sistemas autónomos, evaluaciones de modelos de frontera y canales de comunicación ante comportamientos inesperados. Evaluaciones externas comparables, estándares comunes y verificación recíproca dejarían de ser instrumentos de seguridad para convertirse en las reglas e instituciones necesarias para sostener un equilibrio competitivo menos inestable. En todo caso, conviene ser honestos sobre la dificultad: la verificación técnica de los entrenamientos de frontera es hoy un problema abierto[10] (Klein & Patrick, 2024; Leicht & Singer, 2026; Patrick et al., 2026).
Naciones Unidas puede aportar legitimidad y universalidad, pero difícilmente el conocimiento, el acceso al cómputo y la capacidad de verificación necesarios. Los gobiernos poseen legitimidad, pero dependen de las empresas para comprender la frontera, las empresas poseen el conocimiento, pero tienen conflictos de interés y EEUU y China concentran las capacidades, pero compiten por el liderazgo. El problema de gobernanza de la IA consiste precisamente en que ningún actor reúne simultáneamente conocimiento, legitimidad e incentivos adecuados.
Figura 1. El triángulo de la gobernanza de la IA
La respuesta razonable no es esperar que un único actor resuelva el problema, sino adoptar una arquitectura multinivel con empresas, un supervisor nacional, la coordinación entre EEUU y China, y las instituciones multilaterales.
Y aquí aparece una consecuencia geopolítica para Europa: en la carrera estrictamente tecnológica, EEUU y China tienen ventaja, en la construcción de mecanismos de gobernanza internacional, Europa puede tener bastante más peso relativo, pero sólo si combina su capacidad normativa con una capacidad técnica real. Sin esa condición, el resultado sería un nuevo episodio de melancolía europea: regular una tecnología que otros desarrollan y que sólo comprendemos a través de la información que nos proporcionan quienes la producen.
De producir inteligencia a absorberla: los humanos como restricción vinculante
La evidencia más reciente surge fuera del debate regulatorio y apunta a que el cuello de botella está cambiando de lugar. Una investigación sobre más de 100.000 desarrolladores muestra que las sucesivas generaciones de herramientas de IA aumentaron la producción de código hasta un 180% acumulado, pero esas ganancias se desvanecen al ascender por la cadena de producción, hasta quedarse en apenas un 30% más de productos lanzados. (Demirer et al., 2026).
Cuando escribir código deja de ser el cuello de botella, aparecen otros: revisar, integrar, comprobar, coordinar equipos, decidir qué construir. El código generado por IA y el juicio humano son complementos, no sustitutos: más código multiplica la demanda de revisión y validación. La importancia económica es enorme: la productividad agregada de una tecnología de propósito general no depende sólo de la tecnología, sino también de la reorganización complementaria de empresas, trabajadores e instituciones. La electrificación es el precedente: sustituir la máquina de vapor por un motor eléctrico no bastó, hubo que reorganizar físicamente las fábricas.
La IA plantea el mismo problema a escala cognitiva y aporta la pieza que faltaba al argumento financiero: disponemos de una enorme reserva de productividad sin explotar en la tecnología que ya poseemos. En una tecnología de propósito general, la difusión y la reorganización también son innovaciones.
Producir más no significa aprender más
El problema reaparece a nivel individual. Un experimento de campo dirigido por David Autor (Autor et al., 2026) siguió durante tres meses a 133 abogados de patentes de 11 firmas estadounidenses, de los cuales la mitad tuvo acceso a una herramienta de IA. La IA elevó la calidad del trabajo y los jóvenes obtuvieron las mayores mejoras inmediatas, pero, medidos después sin asistencia, los avances persistentes se concentraron en los profesionales experimentados. La interpretación exige cautela, pero la cuestión es fundamental: el conocimiento previo puede ser precisamente lo que permite usar la IA como instrumento de aprendizaje y no como sustituto del esfuerzo cognitivo.
No debe confundirse el rendimiento asistido con el aprendizaje: una sociedad puede multiplicar su capacidad para producir respuestas mientras deteriora su capacidad para comprender cómo se producen. El eco de la advertencia de Platón, 2400 años después.
Los últimos resultados educativos vuelven la cuestión más urgente: las capacidades de lectura y matemáticas de los jóvenes de los países miembros de la Organización para Cooperación y el Desarrollo Económicos (OCDE) llevan años deteriorándose (OECD, 2026a, 2026b). La tendencia es anterior a la IA generativa y, precisamente por eso, preocupa: mientras las máquinas mejoran a una velocidad extraordinaria, retroceden algunas capacidades cognitivas básicas de quienes deberán utilizarlas.
La respuesta no puede preservar artificialmente un mundo anterior a la IA, sino rediseñar la educación para un mundo en el que generar una respuesta es barato y verificarla, contextualizarla y comprenderla es lo valioso. La abundancia de la IA puede aumentar, no disminuir, el rendimiento de la inteligencia humana. Pero sólo si continuamos produciéndola.
Europa: del principio de precaución al principio de capacidad
EEUU y China dominan la carrera tecnológica, mientras que la UE ha construido buena parte de su estrategia en torno a su capacidad regulatoria. El Real Instituto Elcano ha señalado la oportunidad de un marco basado en riesgos, así como sus límites: el problema europeo no radica tanto en la existencia de la regulación como en su implementación y en sus efectos sobre la innovación.
La cuestión de fondo es que la capacidad regulatoria no sustituye a la capacidad tecnológica. Europa necesita simultáneamente modelos y aplicaciones competitivas, infraestructura de computación y de energía, mercados de capitales que financien la innovación, datos de calidad y una población capaz de usar productivamente la tecnología.
Sobre todo, necesita mejores reguladores. En sistemas que evolucionan deprisa, la normativa detallada ex ante queda obsoleta antes de implementarse. La alternativa es una supervisión dinámica –evaluaciones continuas, pruebas de resistencia, responsabilidad por daños, auditorías independientes, capacidad técnica dentro del Estado–, como la que ya se aplica a los bancos.
Europa debería aspirar a que sus reguladores corran aproximadamente a la misma velocidad que aquello que regulan.
Además, hay una advertencia realista que este análisis no debe eludir. Una eventual ralentización coordinada de la frontera sólo beneficia a quien la utiliza: para Europa, un pacing internacional sin capacidad propia no compraría tiempo, congelaría las posiciones relativas justo donde están, es decir, consolidaría el duopolio tecnológico y la exclusión europea de la frontera.
Apoyar la coordinación internacional sólo es una estrategia si va acompañada de la construcción acelerada de capacidad propia. Esperar no es una estrategia, difundir, aprender y reorganizar sí pueden serlo.
Europa no debe elegir entre el principio de precaución y el de aceleración: debe desarrollar un principio de capacidad para desarrollar modelos, energética y de cómputo, educativa, empresarial para absorberlos, financiera para distinguir inversión productiva de carrera por rentas, competitiva para que las exigencias de seguridad no consoliden un oligopolio y, crucialmente, pública e independiente para evaluar los modelos que otros desarrollan.
Conclusiones: comprar tiempo para comprar capacidad
La historia de las tecnologías del conocimiento muestra una regularidad incómoda: cada gran ampliación de la capacidad humana genera entusiasmo, perturbación y una demanda de control. Algunas demandas estaban justificadas, otras protegían instituciones, rentas o jerarquías amenazadas. La IA nos devuelve a ese dilema con dos novedades: nunca fue tan costoso permanecer en la frontera ni creció tan deprisa la brecha entre las capacidades disponibles y nuestra capacidad para absorberlas.
El error sería negar los riesgos, el alignment, la comprensión asimétrica, la dependencia, la concentración y los posibles riesgos financieros son reales. Pero existe otro riesgo menos visible: responder a la aceleración tecnológica institucionalizando nuestra propia lentitud.
Septiembre de 2026 deja una lección empírica: no existe un único “interés de Silicon Valley”. La fractura ante el pacing se ordena según los modelos de negocio y muestra que seguridad, rentabilidad financiera y necesidad social de adaptación pueden empezar a alinearse parcialmente, una alineación real pero inestable, porque el líder que frena en solitario regala tiempo a sus perseguidores y la rivalidad entre EEUU y China convierte el problema empresarial en un dilema de acción colectiva que sólo la coordinación, la verificación y la reciprocidad pueden estabilizar.
De ahí la conclusión institucional del análisis: no se trata de creer a los tecnólogos o a sus críticos, sino de construir instituciones públicas capaces de no tener que creer a ninguno.
Al mismo tiempo, la restricción vinculante se desplaza: el recurso escaso de los primeros años –modelos, chips, datos, cómputo– puede dejar paso a nuestra capacidad de absorción. Producir un 180% más de código y lanzar apenas un 30% más de productos resume el problema y el que el rendimiento asistido no equivalga a aprendizaje lo agrava. Conviene, además, no edulcorar la conclusión: nada garantiza que la capacidad social pueda acelerarse al ritmo requerido. La propia evidencia de este análisis, de PISA a los cuellos de botella organizativos, muestra que rara vez lo hace.
El principio de capacidad no es una profecía optimista, sino un programa exigente; su única ventaja frente a las alternativas es que no delega el resultado en la buena voluntad de otros.
En la IA se corren hoy al menos cuatro carreras: entre empresas, por la frontera y las rentas winner-takes-most, entre EEUU y China, por el liderazgo tecnológico y la seguridad nacional, entre las máquinas y la capacidad humana, en la que intervienen la educación, las empresas, los reguladores y las instituciones, y entre la innovación y la gobernanza internacional, por construir reglas comunes antes de que la frontera las vuelva irrelevantes.
El desafío no consiste en ganar una de estas carreras frenando las demás, sino en lograr que nuestra capacidad humana, institucional e internacional avance aproximadamente a la misma velocidad que la tecnología que estamos creando. La humanidad lleva milenios desconfiando del árbol del conocimiento y esta vez hay buenas razones para la prudencia, pero la prudencia y la petición de prórroga no son lo mismo y comprar tiempo no basta si no se convierte en capacidad. Antes de exigir que las máquinas aprendan más despacio, Europa debería preguntarse por qué acepta que sus instituciones y sus ciudadanos puedan permitirse aprender tan despacio.
[1] Goodhart (1975) advertía que toda regularidad estadística tiende a desestabilizarse en cuanto es utilizada como objetivo de control; la formulación popular –“cuando una medida se convierte en objetivo, deja de ser una buena medida”– se atribuye a Strathern (1997) y el fenómeno es análogo a la crítica de Lucas (1976) y a la ley de Campbell (1979). Su traslación a la IA es directa: la función objetivo de un modelo es sólo una aproximación medible de lo que realmente queremos y el sistema puede optimizarla explotando esa distancia (specification gaming o reward hacking; Manheim y Garrabrant, 2018).
[2] Entre 2009 y 2021 las principales economías avanzadas operaron con tipos de interés cercanos a cero –o negativos–, un régimen sin precedente. Los modelos calibrados con datos de ese periodo fueran econométricos, de riesgo o de aprendizaje automático, incorporaron como regularidades estadísticas rasgos propios del régimen (correlación bono-acción, sensibilidades a la duración, impagos comprimidos) que el endurecimiento monetario de 2022-2023 alteró simultáneamente. Es el fenómeno que la literatura denomina distributional shift: la crítica de Lucas aplicada a las máquinas, con una diferencia inquietante de escala y opacidad –en un modelo con miles de millones de parámetros–, saber qué regularidades del régimen anterior interiorizó el sistema es precisamente el problema de interpretabilidad.
[3] Brunnermeier, M. K. (2026, 27 de agosto), “Artificial intelligence and the brave new world in finance” [ponencia]. Jackson Hole Economic Policy Symposium, Federal Reserve Bank of Kansas City. https://www.kansascityfed.org/documents/18595/brunnermeier.pdf
[4] Conviene distinguir el nivel de la brecha de su tasa de variación. Si ambas capacidades crecen al mismo ritmo, la brecha no se cierra: se estabiliza en un nivel que puede ser ya excesivo. Converger exige que la capacidad social crezca persistentemente más deprisa que la tecnológica durante un periodo cuya duración depende del tamaño de la brecha inicial. La aspiración de que los reguladores “corran a la misma velocidad que aquello que regulan” es, por tanto, una condición de no divergencia, no de convergencia: evita que el problema empeore, pero no lo resuelve.
[5] De producirse ese salto, la IA explicaría entre 5 y 58 puntos porcentuales de crecimiento acumulado del PIB estadounidense hasta 2030, con un peso en la economía de entre el 8% y el 39% (Wachter y Wachter, 2026).
[6] Solow, R. M. (1987, 12 de julio), “We’d better watch out”, The New York Times Book Review, p. 36; “You can see the computer age everywhere but in the productivity statistics”; Hubo que esperar a 1995-2004 para contabilizar aquella revolución; la pregunta es si los mercados tendrán la paciencia que tuvo entonces la economía real.
[7] Un modelo “cerrado” se ofrece como un servicio: el desarrollador conserva los parámetros del sistema (los “pesos” que resultan del entrenamiento) y los usuarios acceden a él a distancia, previo pago y bajo las condiciones que el propietario establece. Es el caso de los principales modelos de Anthropic, OpenAI o Google. Un modelo “abierto” (en rigor, de “pesos abiertos”, open weights) publica esos parámetros, de modo que cualquiera puede descargarlos, ejecutarlos en su propia infraestructura, modificarlos y redistribuirlos. Es la estrategia de la familia Llama de Meta o de buena parte de los modelos chinos, como los de DeepSeek. La distinción importa por tres razones. Económica: el modelo cerrado monetiza directamente el acceso y puede financiar así elevados costes fijos de seguridad y cumplimiento, mientras que el abierto monetiza indirectamente –ecosistema, talento, servicios, erosión de las rentas del rival– y compite precisamente en ligereza de estructura. Por eso una misma exigencia regulatoria pesa de forma muy distinta sobre cada uno. Regulatoria: las obligaciones de evaluación y control destinadas a quien opera un servicio resultan difíciles de aplicar a un modelo cuyas copias circulan fuera del control de su creador. Por lo mismo, un compromiso de ralentización es verificable sólo en un puñado de empresas tech con sistemas cerrados y resulta inaplicable a aquellas que usan pesos abiertos ya publicados. Finalmente hay una razón competitiva: los modelos abiertos son el mecanismo por el que los perseguidores –incluida China– comprimen la distancia con la frontera, lo que explica tanto la desconfianza de sus promotores hacia una coordinación que congelaría posiciones como el temor del líder a que un frenazo unilateral se la regale.
[8] La versión revisada del Código se indica que guiará el desarrollo de los modelos MAI a partir de 2027.
[9] A fecha de cierre no consta pronunciamiento de Amazon ni de Oracle a favor de mecanismos de ralentización coordinada, mientras ambas mantienen estrategias expansivas de infraestructura (carta anual a los accionistas de Amazon, abril de 2026; expansión de OCI de Oracle).
[10] Klein y Patrick anticipan que la gobernanza global de la IA no descansará en una única institución, sino en un regime complex de instituciones universales, coaliciones reducidas y mecanismos especializados.
