En 1964, Stanley Kubrick estrenó Dr.Strangelove, una comedia negra sobre la posibilidad de que una combinación de miedo, automatización, secretos y errores humanos provocara una guerra nuclear. Sesenta años después, parte de la conversación sobre inteligencia artificial (IA) vuelve a considerar escenarios de catástrofe: sistemas fuera de control, armas autónomas o inteligencias superiores a las humanas. Ese riesgo es real, aunque la posibilidad de que una tecnología amplifique nuestra capacidad de destrucción no empezó con la IA. Tal vez la pregunta más útil sea qué podemos hacer para disminuir esos riesgos, sin asumir que su origen está exclusivamente en los algoritmos o en caprichos de quienes los diseñan.
Una parte del problema está en la competencia entre grandes potencias. Estados Unidos no conoce con precisión qué capacidades tendrá China dentro de algunos años ni cómo podría utilizarlas. China enfrenta la misma incertidumbre respecto de Estados Unidos. En este escenario, la IA hace especialmente difícil separar usos civiles y militares. Un sistema capaz de descubrir medicamentos también puede identificar vulnerabilidades informáticas; uno que automatiza tareas empresariales puede utilizarse para vigilancia o planificación militar. Incluso cuando una potencia desarrolla capacidades para sentirse más segura, la otra puede interpretarlas como una amenaza y acelerar sus propios esfuerzos.
En las relaciones internacionales, esta dinámica se conoce como dilema de seguridad. Es una situación estructural de un sistema internacional en el que no existe una autoridad superior que garantice la supervivencia. Como ningún Estado conoce las intenciones de los demás, las medidas que uno adopta para protegerse generan inseguridad en otros, lo cual deriva en una carrera armamentista. La IA no crea este dilema, pero lo intensifica de varias maneras. Por ejemplo, puede hacer más difícil identificar a los responsables de un ciberataque, facilitando acusaciones y represalias equivocadas. También puede acelerar las decisiones militares y dejar menos tiempo para comprobar si una amenaza es real. Este dilema nos involucra a todos, porque la carrera depende de recursos distribuidos por todo el mundo.
UNA TORTA DE CINCO CAPAS
Jensen Huang, director ejecutivo de Nvidia (actualmente la empresa más valiosa del mundo), dice que «la IA es una torta de cinco capas». En la base está la energía; después vienen los chips, la infraestructura, los modelos y, finalmente, las aplicaciones. ChatGPT, Claude o DeepSeek pertenecen apenas a una de ellas. Por debajo hay centrales eléctricas, fábricas de semiconductores, centros de datos y conectividad. Por encima aparecen usos en medicina, educación, fábricas, vehículos o defensa.
La comparación de Huang entre Estados Unidos y China permite alejarse de la idea de una única carrera. China dispone, según Huang, de más del doble de capacidad de generación eléctrica y construye infraestructura más rápido. Estados Unidos mantiene ventaja al controlar indirectamente la producción de chips avanzados. En modelos de frontera, se estima una ventaja estadounidense de unos pocos «meses»; en modelos abiertos, Huang describía a China como «muy por delante». Para la última capa, advierte que difundir rápidamente las aplicaciones puede importar tanto como desarrollar primero el mejor modelo.
La división en capas también permite ver dónde se concentra el poder. Si bien Estados Unidos y China son claramente los líderes, ninguno es autosuficiente: ambos dependen de recursos de otros países. Pero no hace falta dominar toda la cadena para ejercer influencia: algunas empresas son indispensables para mantener ventajas. Esto no quiere decir que el desarrollo depende de empresas privadas. Sus decisiones no son independientes de los intereses de las potencias. Los intereses de seguridad de las potencias triunfan sobre los intereses particulares de sus empresas. Desde el plano internacional, las relaciones comerciales que permiten desarrollar y difundir la IA son convertibles en fuentes de dependencia y coerción.
Henry Farrell y Abraham Newman mostraron en 2019 cómo las redes globales crean dependencias asimétricas. Un Estado que controla nodos centrales puede aprovecharlos para obtener información o restringir el acceso de otros. Llamaron a esa capacidad interdependencia armada (weaponized interdependence). Los autores mencionan cómo las revelaciones de Edward Snowden en 2013 explicitaron otro aspecto del problema: las autoridades pueden exigir secretamente cooperación a sus empresas. Las plataformas son privadas y globales sin estar separadas de su potencia de origen.
La IA también puede ser weaponizada. Los modelos se conectan con nubes, centros de datos, chips, cuentas de usuarios y datos personales. Adoptarlos supone decidir qué infraestructura utilizar, quién puede acceder a ella y qué riesgos tomamos.
ABIERTOS, CERRADOS Y QUIÉN PONE LAS COMPUTADORAS
En un modelo cerrado, como los sistemas más avanzados de OpenAI, Anthropic o Google, el usuario accede al servicio sin recibir el modelo. Hace consultas mediante una aplicación o una interfaz para desarrolladores y las respuestas se generan en la infraestructura del proveedor o sus socios de nube. No necesita construir un centro de datos ni comprar procesadores especializados: paga por el uso, mientras el proveedor mantiene y actualiza el sistema.
La comodidad trae dependencia. El proveedor puede modificar precios, características y condiciones de acceso, o suspender el servicio. También se necesita confiar en sus mecanismos de protección de datos. A la vez, centralizar el modelo permite actualizar medidas de seguridad y limitar ciertos usos peligrosos. Hay ventajas de seguridad, pero también una gran concentración de decisiones. Además, aunque el proveedor prometa proteger la información, el usuario no puede verificar por sí mismo todos los procesos que ocurren detrás de la interfaz.
Con los modelos de pesos abiertos, el desarrollador publica los parámetros aprendidos durante el entrenamiento. Otros pueden descargarlos y ejecutar el modelo en servidores propios o alquilados, adaptarlo y mantener sus datos bajo mayor control. La autonomía cuesta: requiere procesadores, infraestructura, personal especializado y sistemas propios de seguridad. Para una organización pequeña, pagar por un servicio cerrado puede ser bastante más económico que operar localmente un modelo avanzado. Y, una vez distribuidos los pesos, resulta mucho más difícil impedir usos peligrosos. Tampoco es una división absoluta: existen modelos parcialmente abiertos y servicios cerrados instalados en entornos privados. Los pesos abiertos1 tampoco implican, necesariamente, conocer los datos de entrenamiento o todos los métodos utilizados para construir un modelo.
Las principales empresas estadounidenses crecieron sobre todo con el primer esquema. ChatGPT, Claude y Gemini se popularizaron como servicios ofrecidos desde grandes infraestructuras de empresas estadounidenses. Microsoft, Amazon y Google construyeron redes mundiales de centros de datos. Así, Estados Unidos puede proveer no solo modelos, sino buena parte del conjunto: chips diseñados por sus empresas, nube y aplicaciones.
China ha seguido una trayectoria distinta. Alibaba, con Qwen, y otras empresas, como DeepSeek y Moonshot, publican sus modelos más capaces con pesos abiertos. Eso permite que una universidad brasileña o una empresa india los ejecute sin enviar necesariamente sus datos a China. La estrategia acompaña un discurso sobre soberanía tecnológica, acceso para países en desarrollo y mayor multilateralismo en la gobernanza de la IA.
También existe una razón material. China tiene menor acceso a chips avanzados y menos capacidad de cómputo que los principales proveedores estadounidenses. Ofrecer servicios cerrados a cientos de millones de usuarios extranjeros exigiría procesar todas esas consultas en infraestructura propia. Al publicar los pesos, gobiernos, empresas y usuarios de otros países pueden aportar las computadoras. Los modelos chinos se difunden sin que China deba alojar cada uso, aunque sus desarrolladores pierden control sobre lo que se hace con ellos y sobre los posibles ingresos.
LA DEMANDA DE SOBERANÍA
Mientras estas diferencias se hacían visibles, gobiernos y empresas de terceros países comenzaron a demandar mayor control sobre datos, infraestructura y modelos. Soberanía puede significar operar centros de datos propios, mantener información sensible dentro del territorio, ejecutar modelos sin conexión externa o poder cambiar de proveedor. No significa producirlo todo localmente. La demanda aparece tanto entre aliados de Estados Unidos como entre países que buscan mantener relaciones tecnológicas con ambas potencias.
Algunas grandes empresas estadounidenses adoptaron este vocabulario antes que su gobierno. Amazon anunció en 2023 una nube europea soberana y Microsoft desarrolló ofertas similares. Los hiperescaladores percibieron que podían perder clientes si sus redes globales no respondían a las demandas de control local. Buscaron, entonces, proponer soberanía sin prescindir de tecnología estadounidense. Esas ofertas combinan infraestructura local y restricciones técnicas al acceso a los datos.
Nvidia y Palantir extendieron esta lógica a la IA. En 2026 presentaron una arquitectura que combina chips de Nvidia, modelos abiertos y herramientas de Palantir, con la posibilidad de mantener datos y sistemas bajo control del cliente. Alex Karp, director de Palantir, describió el riesgo de enviar conocimiento interno a proveedores de modelos con una acusación provocadora: «Están robando el alfa» de las empresas. El alfa es aquello que distingue a una organización: sus datos, procesos, experiencia y conocimiento acumulado.
Si bien Karp reconoce que su denuncia también responde a intereses comerciales (es una forma de intentar diferenciarse de Anthropic y OpenAI), la frase expresa una preocupación generalizada: depender de infraestructura ajena para actividades centrales reduce el control sobre sus propios procesos. Palantir, al igual que varias empresas de IA, tiene un interés comercial en ofrecer alternativas a la dependencia.
El gobierno estadounidense incorporó después ese lenguaje. Antes, en julio de 2025 impulsaba la exportación del stack estadounidense: chips, centros de datos, nube, modelos y aplicaciones. El objetivo era ampliar su adopción mundial y posicionar a sus empresas globales. Sin embargo, en febrero de 2026, durante una cumbre en India, expuso su oferta en términos de «adopción, soberanía y exportaciones». Ante la demanda de terceros países, Estados Unidos comenzó a presentar sus propias tecnologías como un medio para obtener mayor autonomía.
La competencia no se reduce, por eso, a elegir entre depender de Estados Unidos o de China. Un país puede combinar chips estadounidenses, modelos abiertos chinos, infraestructura local y programas de distintos orígenes. Puede reservar sus datos más sensibles y utilizar servicios globales en otras tareas. La soberanía puede consistir en conservar conocimientos y alternativas suficientes para que una dependencia no sea irreversible.
Para Uruguay, una respuesta ya conocida es impulsar la educación, tanto la formación técnica como un abordaje más amplio de la IA y sus consecuencias. No se trata solamente de formar personas capaces de desarrollar y auditar modelos, sino también de comprender sus usos, riesgos e implicaciones sociales. Disciplinas como la filosofía y las ciencias sociales contribuyen a discutir sobre la delegación de tareas y decisiones a estas tecnologías. La cooperación internacional para compartir investigación e infraestructura también fortalece esas capacidades.
NOSOTROS ANTE LA COMPETENCIA
El derecho internacional también forma parte de la competencia entre potencias. La Organización de las Naciones Unidas surgió de una guerra hegemónica. Las potencias vencedoras tuvieron un papel central en su diseño, como todavía lo refleja el derecho de veto de los cinco miembros permanentes del Consejo de Seguridad. Al igual que la IA, las normas internacionales pueden favorecer el desarrollo y ampliar la autonomía de los países, pero también consolidar dependencias. No es lo mismo establecer mecanismos para compartir conocimientos y evaluar riesgos que adoptar estándares cuyo cumplimiento dependa de tecnologías centralizadas. Por eso, al posicionarnos frente a la gobernanza internacional de la IA, deberíamos ser más específicos sobre qué reglas proponemos, quiénes participan en su elaboración y cómo afectan las capacidades de distintos actores.
El dilema de seguridad permite ver por qué la competencia entre Estados Unidos y China no responde simplemente a las ambiciones de unos pocos dirigentes de empresas. Buena parte de esa competencia ocurre en secreto. Hacer públicas las capacidades de ciberataque, por ejemplo, permitiría al rival prepararse para neutralizarlas. Los organismos de inteligencia de las potencias reúnen información a la que ni siquiera los empleados de las grandes empresas tecnológicas tienen acceso, aunque tampoco conocen completamente las capacidades del rival. El secreto no es nuevo: el proyecto Manhattan, que desarrolló la primera bomba atómica, se llevó adelante de manera clandestina. Esta falta de información agrava el dilema de seguridad: limitar unilateralmente ciertas capacidades puede parecer peligroso, mientras continuar desarrollándolas aumenta la desconfianza del rival. De esta manera, la competencia se intensifica sin que ninguna de las partes busque una confrontación.
Esto no significa que nosotros seamos espectadores. Podemos contribuir a modificar la competencia entre potencias, especialmente si logramos que estas compitan por ofrecer mejores condiciones de acceso, infraestructura y capacidades tecnológicas. La demanda de IA soberana muestra parte de ese potencial. Sin embargo, para influir necesitamos comprender los intereses de las potencias, identificar oportunidades de cooperación y construir alternativas. Nuestra capacidad de acción no depende solamente de reclamar mayor respeto al derecho internacional, sino de reconocer cómo podemos aprovechar o modificar los incentivos de quienes concentran mayores capacidades.
Tampoco alcanza con reclamar mayor soberanía tecnológica sin discutir qué significa en cada caso. ¿En qué capas nos estamos enfocando en cada debate? ¿Qué actividades necesitan infraestructura propia y para cuáles es mejor utilizar servicios extranjeros? Un hospital puede beneficiarse de modelos avanzados ofrecidos desde la nube, pero debe considerar la privacidad de los pacientes, la continuidad del servicio y la posibilidad de auditar sus resultados. Un banco enfrenta decisiones similares, aunque sus riesgos sean diferentes. Mantener infraestructura local puede aumentar el control, pero también implica mayores costos y asumir responsabilidades de seguridad. Las respuestas requieren evaluar estas ventajas y desventajas en cada sector.
Esta evaluación supone combinar una mirada general sobre la distribución internacional de capacidades con el estudio de sus usos concretos. La concentración de poder en pocas empresas merece atención, pero limitar la discusión a la economía política deja mucho por fuera. Los debates sobre la distribución de la riqueza, la regulación doméstica y el papel del Estado no permiten, por sí solos, comprender la competencia entre potencias. El estudio de las relaciones internacionales y la economía política internacional atiende directamente cómo las decisiones entre potencias afectan a otros países, y qué márgenes hay para responder.
No sé hasta qué punto la IA representa un desafío sin precedentes, incluso con potencial de provocar una catástrofe para la humanidad, pero creo que para abordar estas preguntas deberíamos conocer más sobre la historia de las relaciones internacionales. La competencia entre potencias y el temor a las capacidades del rival son anteriores a esta tecnología. Las transiciones de poder pueden ser un punto de partida para ver cómo cambian las dinámicas y sus efectos sobre terceros países. El siglo XX, a pesar de su relevancia en varios aspectos, no tuvo ninguna transición de poder. La IA introduce capacidades y riesgos nuevos, pero comprender cuánto se diferencia de desafíos anteriores requiere estudiar tanto la tecnología como las transiciones que han marcado el sistema internacional.
- Los pesos son los valores numéricos que un modelo de IA aprende durante su entrenamiento y que determinan cómo procesa información y genera respuestas. Que sean abiertos significa que se publican para que otros puedan descargarlos, ejecutar el modelo en sus propias computadoras y adaptarlo, aunque no necesariamente se divulguen los datos usados para entrenarlo. ↩︎
