La inversión privada en inteligencia artificial dista de estar distribuida de forma equitativa. Se encuentra profundamente concentrada en un puñado de actores, una asimetría que responde a factores estructurales. Según el AI Index Report 2026 publicado por el Human-Centered Artificial Intelligence Institute de Stanford, Estados Unidos captó US$ 285.880 Millones de dólares en inversión privada en IA durante 2025 (Stanford University HAI, 2026). Esta cifra supera ampliamente la suma combinada de los cuatro países que le siguen en la clasificación: China (US$ 12.410Mill), Reino Unido (US$ 5.900Mill), Francia (US$ 4,360Mill) y Canadá (US$ 4.280Mill).
Tales métricas trascienden la mera capacidad de atracción de capital; evidencian la estrecha correlación entre la inversión privada, la infraestructura tecnológica disponible y la madurez de los ecosistemas de innovación.
Esta infraestructura, la que sostiene la inteligencia artificial y la economía digital, presenta la misma asimetría que la inversión. De los 11.800 centros de datos identificados globalmente, Estados Unidos alberga 5.381, casi la mitad del total. Mientras que las cifras para otros países se encuentran muy lejos: Alemania (521), Reino Unido (514), China (449), Canadá (336), Francia (315) y Países Bajos (297).
Esta distribución desigual entraña implicaciones que trascienden el alojamiento de servicios. Determina la capacidad para entrenar modelos de IA a gran escala, la soberanía y resiliencia digital de los Estados, la competitividad tecnológica, la atracción de inversiones y el desarrollo de ecosistemas de innovación. En consecuencia, el debate sobre la inteligencia artificial no debe circunscribirse al software o los algoritmos; la ventaja estratégica reside en el control de la infraestructura física que posibilita la computación a gran escala.
La consecuencia directa es que las naciones que lideran la captación de fondos son aquellas que concentran centros de datos de alta capacidad, redes de computación acelerada por unidades de procesamiento gráfico (GPU), proveedores de servicios en la nube a escala global y un suministro energético capaz de sostener el entrenamiento de modelos de creciente complejidad. A esta base técnica se añade la liquidez de los mercados de capitales, la abundancia de fondos de venture capital, marcos regulatorios predecibles y una articulación fluida entre la academia, el sector privado y el Estado.
Por su parte, las políticas públicas desempeñan un rol facilitador clave. Los gobiernos que identifican la IA como un activo estratégico articulan incentivos fiscales, financiamiento para investigación aplicada y programas de atracción de talento. No obstante, la inversión pública por sí sola resulta insuficiente para suplir la escala de los grandes volúmenes de capital privado.
Bajo estas condiciones, los modelos de frontera más avanzados se desarrollan, casi sin excepción, en estas geografías. Organizaciones como OpenAI, Anthropic, Google DeepMind, Meta y xAI operan sobre arquitecturas masivas cuyo despliegue resulta imposible de asumir para ecosistemas con menor disponibilidad de capital y capacidad de cómputo.
Ante este panorama, el desafío para América Latina excede la simple adopción de herramientas tecnológicas: radica en cómo estructurar las condiciones para participar activamente en su desarrollo. Incluso en economías con un liderazgo digital destacado en la región, como Chile o Uruguay, los centros de datos más modernos resultan marginales ante los requerimientos de la industria global. Un único centro de datos local carece de la escala necesaria para albergar o entrenar de forma íntegra modelos fundacionales como ChatGPT, Gemini o Claude.
Los modelos de frontera no se ejecutan sobre clústeres interconectados de decenas de miles de GPU de última generación. En Uruguay, por ejemplo, la principal infraestructura de supercomputación científica del país, el ClusterUY (Centro Nacional de Supercomputación), opera con nodos interconectados mediante redes clásicas denominadas Ethernet de 10 Gbps (ClusterUY, s. f.). Si bien los 10 Gbps satisface las demandas de la computación científica tradicional y proyectos de IA de menor escala, la tecnología dominante detrás de la IA es en realidad son las redes denominadas InfiniBand, la cual ofrece anchos de banda de entre 200 y 800 Gb/s y latencias significativamente menores, situándose como la arquitectura de referencia para supercomputación a escala global.
Aun si se instalara una topología de red InfiniBand en un centro de datos latinoamericano, la brecha persistiría. Se requerirían simultáneamente miles de aceleradores gráficos, decenas de megavatios de potencia eléctrica continua, sistemas de refrigeración líquida de alta eficiencia, almacenamiento distribuido de ultrabaja latencia e inversiones del orden de cientos o miles de millones de dólares.
La competencia global en inteligencia artificial ya no se define únicamente por el talento técnico o la calidad de la investigación académica. Se define, de manera determinante, por la capacidad de construir y sostener la infraestructura crítica para entrenar, desplegar y escalar los modelos más potentes del mercado. Mientras eso no sea posible, seguiremos siendo usuarios de esta tecnología o pequeños experimentos locales con modelos menores.
Mauro D. Ríos
