La ruta de la IA que conviene a América Latina: del juego de la escala al juego del razonamiento

1. Introducción

En este documento proponemos que el crecimiento de las economías latinoamericanas, la competitividad, la generación de riqueza y el bienestar para la población pueden lograrse mediante una estrategia de inteligencia artificial (IA) adaptada lo máximo posible a las condiciones y necesidades propias de la región. Es decir, en lugar de competir en la carrera global de la IA, dominada por grandes potencias y conglomerados tecnológicos, proponemos una ruta alternativa basada en una IA frugal y explicable, centrada en el razonamiento complejo, la integración de conocimiento, el uso eficiente de recursos y la prospectiva, entendida como visión estratégica o anticipación.

Esta estrategia busca maximizar los impactos nacionales en términos de productividad, seguridad, resiliencia institucional, reducción de la dependencia tecnológica, disminución de la huella ambiental y mitigación de vulnerabilidades geopolíticas. Además, se enfoca en aplicaciones prioritarias como defensa y seguridad, sanidad, educación, regulación y sostenibilidad energética, sectores claves para el desarrollo económico y social de la región.

2. España y una IA adaptada para el crecimiento latinoamericano

La relación entre España y América Latina en el ámbito de la IA se está reconfigurando hacia un modelo de cooperación estratégica que busca superar la dependencia de los grandes modelos de lenguaje (LLM) desarrollados por los principales laboratorios e hiperescaladores estadounidenses y chinos — con un fuerte sesgo hacia infraestructuras, datos y mercados globales dominados por el inglés—, priorizando la soberanía digital en español y el razonamiento, o IA aplicada, sobre la mera capacidad de escala.

La estrategia española, englobada en la Estrategia Nacional de Inteligencia Artificial 2024 y en España Digital 2026, ofrece un puente hacia América Latina en un escenario internacional dominado por dos potencias principales, Estados Unidos y China, que se han enfocado en la creación de modelos base masivos de lenguaje (LLM). Estos modelos se caracterizan por un elevado consumo de energía y datos, y están diseñados para maximizar la capacidad de generalización.

Sin embargo, este enfoque implica altos costes y una dependencia tecnológica que no siempre favorece a regiones con recursos limitados. España no abandona la apuesta por la escala —la Estrategia de Inteligencia Artificial 2024 refuerza la supercomputación con MareNostrum 5, prevé centros de procesamiento de datos sostenibles y desarrolla modelos de lenguaje propios—, pero la combina con una orientación hacia el razonamiento, la infraestructura pública abierta y la aplicación práctica de la IA, impulsando modelos abiertos como la familia ALIA. Destaca especialmente el modelo ALIA 40B Instruido, desarrollado en el Barcelona Supercomputing Center (BSC-CNS), cuyo objetivo es crear inteligencia artificial especializada en castellano y en las lenguas cooficiales de España (catalán/valenciano, euskera y gallego), con adaptación a las características socioculturales españolas. Su carácter abierto le confiere, además, un potencial estratégico iberoamericano: podría servir como base o referencia para futuras adaptaciones específicas a los contextos locales de América Latina, en

 la medida en que se construyan corpus, evaluaciones y ajustes específicos por país y por variante lingüística.

Esta estrategia prioriza el aprovechamiento de la amplia cantidad de datos disponibles en español, lo que puede mejorar la cobertura lingüística de los modelos. La adaptación efectiva a América Latina requerirá, no obstante, corpus, evaluación y ajuste específicos por país, sector y variante lingüística, con el fin de evitar la dependencia de traducciones o de modelos sesgados que no respondan a las necesidades reales de la región.

España, como ya ocurre en el ámbito de las inversiones, puede posicionarse como hub tecnológico entre Europa y América Latina, apoyándose en capacidades como el BSC-CNS, ALIA y los programas de conexión empresarial con la región. El BSC-CNS, uno de los centros más potentes de Europa, ofrece servicios de computación esenciales para el desarrollo y despliegue de inteligencia artificial.

Además, España promueve la cooperación regulatoria, buscando alinear las políticas de IA con América Latina bajo la visión europea de una «IA de confianza», segura y ética. En el plano interno, esa visión es supervisada por la Agencia Española de Supervisión de Inteligencia Artificial (AESIA) — encargada de supervisar el cumplimiento de la normativa europea y nacional por parte de entidades públicas y privadas, con potestad inspectora y sancionadora, así como con un marco voluntario de certificación, y de actuar como referente en foros internacionales de gobernanza de la IA—, cuya experiencia puede servir de referencia en los diálogos con la región.

El fomento del ecosistema de startups es otro pilar estratégico. Programas como España-Latam Scale-up facilitan la llegada de scale-ups latinoamericanas al ecosistema español como puerta de entrada al mercado europeo, incluidas empresas tecnológicas y de IA, aunque su alcance no se limita exclusivamente a inteligencia artificial.

2.1. Principales ejes de la cooperación España–América Latina en inteligencia artificial

España mantiene una estrategia activa de cooperación con América Latina centrada en el desarrollo de una inteligencia artificial ética, la promoción de la soberanía tecnológica y el fortalecimiento del intercambio de talento. La colaboración entre ambas regiones se enfoca en construir un marco común que favorezca el crecimiento conjunto, permitiendo a los países latinoamericanos participar como protagonistas en el diseño y aplicación de tecnologías emergentes, evitando así la dependencia de grandes potencias tecnológicas.

2.2. Soberanía lingüística, digital y convergencia regulatoria

Una posible agenda de cooperación España–América Latina en 2026 podría orientarse de forma prioritaria hacia la consolidación de la soberanía lingüística y digital, así como hacia la convergencia regulatoria. Este último aspecto constituye uno de los principales retos a afrontar para reforzar la cooperación entre España y América Latina, con el objetivo de establecer un marco común y sólido en materia de inteligencia artificial. Dicho debate es crucial para garantizar que el desarrollo de la IA

responda a los valores y necesidades de ambos lados del Atlántico, fomentando una utilización ética y responsable de la tecnología.

En definitiva, la cooperación impulsada por España no se limita a la mera adopción tecnológica por parte de Latinoamérica. Se persigue que la región participe activamente tanto en la creación como en la regulación de tecnologías, con especial énfasis en la promoción del idioma español y en la defensa de principios éticos en el ámbito de la inteligencia artificial. Así, se pretende construir un ecosistema innovador y autónomo, en el que la IA sea una herramienta de desarrollo adaptada a los intereses y realidades de las sociedades latinoamericanas y españolas.

3. Beneficios para América Latina y la situación global de la IA

Según estimaciones del Foro Económico Mundial y McKinsey, el avance de la adopción de IA en América Latina podría aumentar la productividad regional entre un 1,9 % y un 2,3 % anual y generar entre 1,1 y 1,7 billones de dólares de valor económico adicional al año. España puede contribuir a esa agenda como socio tecnológico, regulatorio y lingüístico, sin que la cifra deba atribuirse directamente a una «ruta española». Este incremento favorece el desarrollo económico y la modernización de sectores clave; en términos de soberanía tecnológica, la cooperación con España permite a los países latinoamericanos reducir la dependencia de proveedores extranjeros, asegurando que la tecnología aplicada se ajuste a sus marcos normativos y culturales propios.

Con todo ello se potencia la especialización sectorial, priorizando la IA aplicada a áreas clave como el sector agroalimentario, la salud, la educación y la administración pública, superando así la fase de adopción generalista y promoviendo soluciones adaptadas a las necesidades reales de la región.

En cuanto a la inversión, la Estrategia de Inteligencia Artificial 2024 de España, aprobada en mayo de 2024 y desplegada en los ejercicios 2024 y 2025, fue dotada con 1.500 millones de euros adicionales

—procedentes fundamentalmente del Plan de Recuperación, Transformación y Resiliencia y de su adenda—, que se sumaron a los 600 millones ya movilizados. Este compromiso refleja la apuesta del país por el desarrollo tecnológico y la colaboración internacional, en la que España puede actuar como socio estratégico en infraestructura, supercomputación, talento y regulación, sin que el reto consista en competir en el alto coste de entrenar modelos base gigantescos, sino en liderar la aplicación ética y la personalización de la inteligencia artificial.

4. Hoja de ruta para la implementación de una IA frugal adaptable: eficiencia y transparencia

La hoja de ruta que sugerimos incluye medidas como la creación de infraestructura pública de conocimiento, la inversión selectiva en capacidades críticas, la transparencia en la gobernanza de la IA y la construcción de colaboraciones regionales para reducir la dependencia tecnológica y fomentar la cooperación. Estas acciones están diseñadas para ser ejecutables dentro de las limitaciones presupuestarias y estructurales de los países latinoamericanos, promoviendo el aumento de la soberanía efectiva y de la resiliencia institucional, lo que contribuye al bienestar de la población.

La propuesta de IA frugal adaptable parte de la capacidad de crear valor económico y social utilizando la menor cantidad de recursos posibles, adaptándose a contextos de alta complejidad, restricciones presupuestarias y elevada informalidad laboral.

Para América Latina, la innovación destinada a crear sistemas de IA Frugal o IA Explicable (XAI, por sus siglas en inglés) busca un equilibrio entre eficiencia y transparencia. La IA frugal abarca un abanico amplio de técnicas para hacer más eficientes los sistemas: modelos pequeños o especializados, cuantización, destilación, podado, optimización de la inferencia, edge computing y arquitecturas ligeras como TinyML, todas orientadas a operar con menos datos y menos energía y, por tanto, idóneas para entornos con conectividad limitada o dispositivos de bajo coste. Por su parte, la IA explicable resulta esencial para asegurar que las decisiones automatizadas sean comprensibles, éticas y confiables, lo que aumenta la adopción tecnológica y mitiga sesgos.

Los principios de una IA latinoamericana coinciden, en varios aspectos clave, con los de los asistentes conversacionales basados en grandes modelos de lenguaje, tomando aquí a ChatGPT solo como analogía funcional ampliamente conocida:

• Adaptación a las necesidades regionales: al igual que ChatGPT, que puede ser adaptado para responder en español y abordar temas específicos de la región, la propuesta de una IA latinoamericana busca desarrollar soluciones que respondan a las realidades locales, como la conectividad limitada, la infraestructura digital y los datos sensibles.
• Enfoque en el razonamiento complejo: la idea propuesta prioriza el razonamiento complejo y la integración de conocimiento estructurado, lo que coincide con la capacidad de ChatGPT para procesar y generar respuestas basadas en información contextual y estructurada.
• Uso eficiente de recursos: la idea frugal busca operar con menos datos y menor dependencia de infraestructuras costosas. Conviene precisar, sin embargo, que la IA frugal se materializa en un conjunto amplio de soluciones —modelos pequeños o especializados, cuantización, destilación, podado, optimización de la inferencia, despliegues edge y arquitecturas ligeras como TinyML—: un asistente conversacional accesible desde dispositivos de bajo coste cuya inferencia se ejecuta en infraestructura remota no constituye, por sí mismo, un ejemplo de ejecución local o descentralizada.
• Promoción de la soberanía tecnológica: la propuesta fomenta el desarrollo de capacidades propias en la región. A diferencia de ChatGPT como producto —cuya inferencia se ejecuta en infraestructura propietaria de OpenAI—, la soberanía tecnológica exige asistentes conversacionales basados en modelos abiertos o desplegables localmente, que puedan ser adaptados y gestionados por instituciones públicas, empresas o comunidades de la región, reduciendo la dependencia de tecnologías y proveedores externos.
• Énfasis en la aplicabilidad y la transparencia: las soluciones basadas en modelos generativos como ChatGPT pueden incorporar mecanismos externos de trazabilidad, auditoría y evaluación, pero no deben confundirse con sistemas de IA explicable en sentido estricto (XAI), que requieren componentes específicos de explicabilidad —reglas, grafos, ontologías o trazabilidad semántica—. La IA propuesta para América Latina sí está pensada con esa explicabilidad estructural como condición de legitimidad en sectores como la administración pública, la educación, la sanidad y la justicia.

En resumen, la propuesta de una IA latinoamericana comparte principios fundamentales con sistemas como ChatGPT, pero adaptada a las necesidades y desafíos específicos de la región, promoviendo un desarrollo tecnológico sostenible, equitativo y soberano.

5. Rol de las grandes empresas en la dinamización de la IA

Es necesario reflexionar también sobre cómo las grandes empresas pueden actuar como dinamizadoras de la IA y trasladarla al conjunto del tejido empresarial latinoamericano en toda su dimensión y, principalmente, a las pequeñas y medianas empresas (Pymes).

Las grandes empresas pueden y deben desempeñar un papel clave como dinamizadoras de la IA en el tejido empresarial a través de las siguientes estrategias:

• Transferencia de tecnología: las grandes empresas pueden desarrollar soluciones y compartirlas con las Pymes, que las adaptarían a sus necesidades específicas. Esto incluye herramientas de análisis de datos, automatización de procesos y plataformas de IA accesibles y fáciles de implementar.
• Capacitación y formación: las grandes empresas pueden ofrecer programas de capacitación y talleres —incluyendo apoyos y colaboraciones con el sector público— para que las Pymes adquieran habilidades en su uso. Esto incluye la formación en el manejo de herramientas, la interpretación de datos y la integración de la IA en sus procesos de negocio.
• Creación de ecosistemas colaborativos: las grandes empresas pueden liderar la creación de redes y asociaciones entre empresas de diferentes tamaños, fomentando la colaboración y el intercambio de conocimientos sobre la IA. Esto puede incluir la creación de hubs tecnológicos, incubadoras y aceleradoras.
• Acceso a infraestructura tecnológica: las grandes empresas pueden facilitar el acceso a la infraestructura tecnológica avanzada, como servicios en la nube, plataformas de cómputo y herramientas de desarrollo de IA, a precios accesibles para las Pymes.
• Fomento de la innovación: las grandes empresas pueden actuar como catalizadoras de la innovación, promoviendo la investigación y el desarrollo en IA, y apoyando a las Pymes en la creación de productos y servicios innovadores basados en esta tecnología.
• Inversión y financiación: las grandes empresas pueden invertir en startups y Pymes que desarrollen soluciones de IA, proporcionando capital y recursos para su crecimiento y expansión.
• Promoción de estándares y buenas prácticas: las grandes empresas pueden liderar la adopción de estándares éticos en el uso de la IA, asegurando que las Pymes implementen soluciones responsables y sostenibles.

Al actuar como facilitadoras y colaboradoras, las grandes empresas pueden ayudar a las Pymes a aprovechar el potencial de la IA, impulsando la competitividad, la innovación y el crecimiento económico en toda la región.

5.1. Impacto y acciones concretas para las Pymes

En cuanto al impacto y la incorporación de la IA a las pequeñas y medianas empresas, estas pueden hacerlo de manera concreta y práctica en sus procesos y negocios mediante las siguientes acciones:

• Automatización de procesos: implementar herramientas de automatización para tareas repetitivas, como la gestión de inventarios, la facturación, la atención al cliente y el seguimiento de pedidos. Utilizar chatbots para responder preguntas y mejorar la experiencia del cliente.
  • Análisis de datos: utilizar herramientas de IA para analizar datos de ventas, clientes y operaciones, lo que permite identificar patrones, tendencias y oportunidades de mejora. Implementar sistemas de predicción de demanda para optimizar la producción y el inventario.
  • Marketing personalizado: utilizar algoritmos de IA para segmentar clientes y personalizar campañas de marketing, ofreciendo productos y servicios adaptados a sus necesidades. Implementar herramientas de IA de análisis de redes sociales para entender mejor las preferencias de los clientes.
  • Optimización de la producción: incorporar sistemas de IA para monitorear y optimizar procesos industriales, reduciendo desperdicios y mejorando la eficiencia. Utilizar sensores y dispositivos IoT conectados a sistemas de IA para supervisar el rendimiento de la maquinaria y prever fallos.
  • Gestión de recursos humanos: implementar sistemas de IA para la selección de personal, evaluando currículums y realizando análisis predictivo sobre el desempeño de los candidatos. Emplear herramientas de IA para gestionar horarios, productividad y bienestar de los empleados.
  • Mejora de la atención al cliente: incorporar asistentes virtuales y chatbots para responder consultas de clientes de manera rápida y eficiente. Aplicar sistemas de IA para analizar el feedback de los clientes y mejorar los productos o servicios.
  • Acceso a herramientas asequibles: adoptar soluciones de IA en la nube, que son más accesibles y no requieren grandes inversiones en infraestructuras. Utilizar plataformas de software como servicio (SaaS) que ofrecen herramientas de IA listas para usar.
  • Formación del personal: capacitar a los empleados en el uso de herramientas de IA para que puedan integrarlas en sus tareas diarias. Fomentar la cultura de innovación y el aprendizaje continuo en la empresa.
  • Adopción de soluciones específicas: implementar software de gestión empresarial con capacidades de IA, como ERP (Enterprise Resource Planning) o CRM (Customer Relationship

Management). Incorporar herramientas de IA de visión por ordenador para el control de calidad en la producción.

En definitiva, al adoptar la IA, las Pymes pueden mejorar su eficiencia, reducir costes, optimizar procesos y ofrecer mejores productos y servicios, aumentando su productividad y competitividad en los mercados nacional e internacional.

6. Estrategias de implementación propuestas

En cuanto a las estrategias propuestas para implementar la IA en América Latina, se plantean las siguientes:

• Definir una estrategia de IA soberana: priorizar la capacidad institucional de razonamiento y toma de decisiones, con estándares semánticos, trazabilidad, gobernanza de datos y despliegues en el borde, para adaptarse a las limitaciones de conectividad y garantizar la equidad.
• Crear infraestructuras públicas de conocimiento: desarrollar ontologías nacionales por sectores (salud, educación, defensa, compras públicas), grafos de conocimiento interoperables y mecanismos de actualización continua para una IA explicable y auditada.
• Establecer una política de cómputo suficiente: planificar inversiones selectivas en capacidades críticas, priorizando despliegues híbridos y en dispositivo, y utilizando técnicas de eficiencia como cuantización, destilación y podado para reducir la dependencia de la nube.
• Institucionalizar transparencia y rendición de cuentas: implementar registros de algoritmos, métricas de impacto y requisitos de divulgación en compras públicas, incluyendo aspectos como energía, agua y emisiones.
• Orientar el gasto público hacia pilotos de alto valor: priorizar proyectos en sectores claves, como defensa, salud, educación, justicia y regulación, con énfasis en retornos rápidos y acumulación de capacidades internas.
• Coaliciones regionales: fomentar la cooperación técnica, la creación de estándares compartidos, las compras coordinadas y los espacios de gobernanza alineados con enfoques éticos internacionales.

Estas estrategias buscan maximizar el impacto de la IA en la región teniendo en cuenta las limitaciones presupuestarias, de infraestructura y de talento, con el propósito de promover un desarrollo tecnológico sostenible y equitativo.

7. Impacto esperado en el desarrollo económico y social

La economía de los países latinoamericanos, en sus distintos niveles de desarrollo, podrá verse favorecida en su crecimiento con este proceso de adaptación e incorporación de la IA, tanto en lo referido a la administración central, regional y local como a las empresas privadas y públicas, grandes y Pymes, así como en los sectores más importantes (defensa, sanidad, educación, infraestructura, telecomunicaciones, finanzas, seguros y transporte, entre otros). En definitiva, un uso de la IA bien gobernado y acompañado de inversión sostenida, capacitación, adopción empresarial y mecanismos de evaluación de impacto podría contribuir a elevar la calidad de vida y el bienestar de la ciudadanía.

8. El dilema estratégico latinoamericano ante la inteligencia artificial

La conversación global sobre inteligencia artificial se ha vuelto binaria, de modo que o se compite en la liga del mainstream, monopolizada por modelos cada vez más grandes, entrenados con volúmenes masivos de datos y ejecutados sobre infraestructuras de cómputo intensivo, o se asume un rol de adopción pasiva como consumidor de tecnologías externas.

Pero esa dicotomía es engañosa. Afirmamos que existe una tercera vía, orientada a construir capacidades de IA a partir de enfoques menos intensivos en datos, más centrados en razonamiento, causalidad, conocimiento estructurado, y en arquitecturas que puedan operar con restricciones reales de conectividad, presupuesto, energía y soberanía tecnológica.

Para decisores públicos de alto nivel en América Latina, el problema no es si la IA llegará o no. Nadie duda de que ya está aquí y la región incluso muestra un uso elevado de soluciones de IA cuando se mide por tráfico web a las herramientas más populares: alrededor del 14 % de las visitas globales a soluciones de IA frente al 11 % de participación regional en usuarios de internet, según estimaciones de CEPAL. Conviene subrayar que este indicador mide tráfico a sitios de IA y no equivale, por sí mismo, a adopción empresarial, productividad o capacidad productiva instalada¹. El problema estratégico es qué tipo de IA conviene acelerar con recursos públicos escasos y bajo presión social. ¿Queremos una apuesta por replicar la carrera de escala dominada por grandes potencias y por conglomerados tecnológicos globales? ¿O confiamos en una ruta alternativa que maximice retornos nacionales en forma de incremento de productividad, seguridad, resiliencia institucional y reducción de dependencia, huella ambiental y vulnerabilidades geopolíticas?

Este ensayo sostiene una hipótesis de trabajo clara para América Latina. Nuestra convicción es que intentar el juego de la escala como estrategia principal —grandes centros de cómputo, acceso masivo a datos, consumo energético creciente y dependencia de hardware o servicios externos— tiende a convertirse en un lastre financiero, ambiental y soberano, más que en un atajo hacia la competitividad. La alternativa no es renunciar a la IA, sino replantear la hoja de ruta, priorizando una IA frugal y explicable, con énfasis en razonamiento complejo, integración de conocimiento y evidencia, y despliegues que funcionen en contextos de datos escasos o sensibles, típicos de la administración pública (defensa, sanidad, justicia, educación, regulación) en la región.

9. La economía política del enfoque mainstream: datos, cómputo y externalidades

El enfoque dominante de la IA contemporánea se apoya en tres pilares estrechamente acoplados:

• Grandes volúmenes de datos de entrenamiento.
• Cómputo acelerado (principalmente GPU y hardware especializado).
• Centros de datos capaces de abastecerse de potencia eléctrica, refrigeración y conectividad a gran escala.

En la práctica, esto empuja a un ciclo de inversión que favorece economías con abundancia de capital, redes energéticas robustas y control —directo o por mercado— sobre cadenas de suministro de semiconductores y servicios en la nube.

La evidencia reciente confirma el carácter intensivo en energía de esta trayectoria. La Agencia Internacional de la Energía estima que los centros de datos consumieron alrededor del 1,5 % de la electricidad global en 2024, y que los centros a hiperescala con foco en IA pueden alcanzar 100 MW o más, con consumos anuales comparables a los de decenas de miles de hogares². En proyecciones base, la AIE anticipa que la electricidad global consumida por centros de datos podría duplicarse hasta 945 TWh en 2030, creciendo alrededor de un 15 % anual³. Este crecimiento no es lineal en su impacto político: la AIE subraya que los centros de datos tienden a concentrarse geográficamente, lo que genera cuellos de botella locales en redes y capacidad eléctrica incluso si, en promedio global, el porcentaje parece manejable.

Las externalidades no se limitan a la electricidad. El Programa de las Naciones Unidas para el Medio Ambiente describe impactos crecientes sobre agua, residuos electrónicos y minerales críticos asociados a la expansión de infraestructura digital para la IA, destacando que el diseño y la localización de los centros, así como sus tecnologías de refrigeración, determinan riesgos para la disponibilidad de agua, especialmente en regiones cálidas o con estrés hídrico⁴. En paralelo, la UNESCO advierte que la IA generativa se vuelve más capaz pero también más intensiva en recursos de cómputo, electricidad y agua potable para refrigeración, vinculando la sostenibilidad con una pregunta distributiva central:

¿quién se beneficia y quién queda fuera?⁵

A esta presión material se suma un déficit de transparencia que complica la tarea de regulación y planificación estatal. La Universidad de Stanford, a través de su índice de transparencia de modelos fundacionales, informa de un descenso de la transparencia promedio en empresas de IA y señala que gran parte del sector comparte poca o ninguna información sobre los impactos ambientales (energía, emisiones, agua) de construir y desplegar modelos fundacionales⁶. En otras palabras, se exige a estados y sociedades gestionar riesgos energéticos, hídricos, laborales y cognitivos, mientras la industria que impulsa la expansión permanece estructuralmente opaca en variables críticas para la gobernanza pública.

La consecuencia política es directa: si un país intenta construir soberanía de IA copiando el enfoque de escala, sin poder financiar la infraestructura completa —cómputo, energía, modelos, talento, seguridad—, termina atrapado en una posición intermedia, pagando costes en forma de energía, dependencia contractual, presión sobre redes, riesgos reputacionales y captura de datos, sin disfrutar plenamente de los beneficios como propiedad intelectual, cadena de valor o autonomía tecnológica. Esta asimetría se agrava en mercados digitales altamente concentrados, donde unos pocos actores controlan nubes, chips, plataformas y datos.

10. Por qué la carrera por la escala es una apuesta asimétrica para la región

La región parte de condiciones estructurales distintas a las de las economías que lideran la carrera de escala. El Índice Latinoamericano de Inteligencia Artificial (ILIA 2025⁷), una medición regional que evalúa preparación, adopción y gobernanza, describe una realidad heterogénea y advierte sobre brechas persistentes en infraestructura digital, talento avanzado, investigación e innovación.

En infraestructura y acceso, ILIA resume un dato políticamente sensible: el promedio regional de hogares con acceso a internet ronda el 64 %, pero hay países donde el acceso no supera un tercio, y el promedio regional de hogares con un ordenador personal es del 38,7 %, con varios países por debajo de ese umbral. Esto significa que, en sectores como educación y servicios sociales, un enfoque de IA que presupone conectividad permanente y uso intensivo de nube no solo es costoso, sino que puede reproducir desigualdad en la provisión de bienes públicos y en la capacidad de ejercer derechos.

La asimetría se vuelve aún más evidente al mirar el cómputo. ILIA indica que Brasil concentra más del 90 % de la capacidad regional de cómputo de alto rendimiento o high performance computing (HPC), y cita cifras superiores a 121.000 teraflops por segundo, con gran distancia frente a otros países. Para una estrategia regional basada en el entrenamiento de grandes modelos, esta concentración implica que muchos estados quedarían estructuralmente en desventaja, obligados a comprar capacidad en la nube y a aceptar dependencias tecnológicas y contractuales.

El patrón de adopción actual refuerza el diagnóstico. Partiendo de los datos del Observatorio de Desarrollo Digital de la CEPAL⁸ se comprueba que el uso de IA medido por tráfico está concentrado en seis países —México, Colombia, Perú, Argentina, Chile y Brasil—, que sumarían alrededor del 86 % del total regional de visitas. El mismo análisis advierte de que predomina el consumo de soluciones listas para usuario final, con fuerte peso de la IA generativa, mientras que la adopción de tecnologías habilitantes más avanzadas, como el código abierto, las plataformas de desarrollo y el uso de modelos y APIs, es menor que la media global, indicando una posición de consumidor más que de productor.

El salto de la adopción pasiva a la capacidad productiva depende, en última instancia, del tejido empresarial. En América Latina y el Caribe, las pymes constituyen la inmensa mayoría de empresas y desafíos una fracción sustantiva del empleo formal, por lo que una estrategia de IA que no incorpore instrumentos específicos para ellas corre el riesgo de quedarse en consumo individual y pilotos aislados. Implicar al sector privado requiere políticas de demanda inteligente y de reducción de fricciones: programas de extensionismo digital y bonos de adopción para pymes; laboratorios y sandboxes sectoriales (salud, agro, logística, finanzas, energía) con datos gobernados; infraestructuras compartidas ligeras (estándares semánticos, espacios de datos, repositorios de modelos y componentes reutilizables); y compras públicas orientadas a resultados que den tracción a proveedores locales. Este enfoque encaja con la IA frugal: más que financiar una carrera de entrenamiento masivo, se trata de multiplicar soluciones de alto impacto basadas en conocimiento, edge y modelos especializados que eleven la productividad sin exigir hiperinfraestructura.

La brecha financiera completa el triángulo. ILIA 2025 subraya que América Latina y el Caribe representaría el 6,6 % del PIB mundial, pero recibiría apenas el 1,12 % de la inversión global en IA, lo que restringe la capacidad de escalar iniciativas productivas, tecnológicas e innovadoras. En este marco, incluso anuncios ambiciosos como el plan brasileño de inversión en IA por 23.000 millones de reales para 2024-2028, con componentes de infraestructura, formación y aplicaciones públicas, deben leerse como una excepción relativa, no como la norma replicable para toda la región.

La dimensión ambiental aporta otra capa de asimetría. ILIA 2025 proyecta que el mercado latinoamericano de centros de datos podría duplicar su valor en pocos años, desde entre 5.000 y 7.000 millones de dólares a cerca de 10.000 millones en 2028, y advierte de los riesgos asociados en emisiones y presión hídrica si el auge se apoya en matrices eléctricas con fuerte componente fósil. Además, el informe evidencia que solo un 35 % de los centros de datos en la región operaría con energía 100 % renovable, mientras destaca casos puntuales como Uruguay con una matriz eléctrica descrita como 98 % limpia. Dicho de otro modo, expandir infraestructuras para IA sin una estrategia energética y de sostenibilidad coherente puede colocar a los gobiernos ante un dilema de legitimidad derivado de crecer digitalmente a costa de objetivos climáticos, agua y tarifas eléctricas que organismos internacionales ya están visibilizando en el debate sobre centros de datos y sostenibilidad.

Incluso iniciativas regionales con vocación pública y ética, orientadas a crear modelos de lenguaje propios, muestran la tensión entre ambición tecnológica y viabilidad operativa. En este marco, Latam-GPT —coordinado por el Centro Nacional de Inteligencia Artificial (CENIA) de Chile, construido de forma colaborativa con más de 60 instituciones y cerca de 200 especialistas de 15 países, y presentado oficialmente el 10 de febrero de 2026— ilustra el valor estratégico de contar con modelos abiertos entrenados con datos y contextos latinoamericanos, pero también la complejidad operacional de sostener entrenamientos de gran escala. ILIA describe entrenamientos apoyados en nube y GPU avanzadas, mencionando específicamente entornos provistos por Amazon Web Services y hardware de NVIDIA, y reconoce la complejidad operativa y de gobernanza de datos necesaria para sostener proyectos de esa escala.

Además, este tipo de experiencias —ya en marcha— merece ser observado en clave estratégica porque, más allá del resultado técnico, el aprendizaje relevante es institucional: gobernanza de datos, acuerdos de propiedad intelectual, sostenibilidad del cómputo y mecanismos de participación pública. Todo ello no invalida el valor de la iniciativa; al contrario, puede hacerla especialmente valiosa si se conecta con el «juego del razonamiento»: el desarrollo de modelos y agentes especializados, evaluados por impacto y auditabilidad, y reutilizables por gobiernos y empresas, evitando que el objetivo principal sea competir en escala por sí misma. En definitiva, el caso refuerza la pregunta central: si es sensato que la región haga del entrenamiento masivo su apuesta principal o si, por el contrario, conviene desplazar el centro de gravedad hacia sistemas que razonan y pueden operar con menos datos y menor dependencia infraestructural.

11. Más allá de los datos masivos: un mapa de enfoques alternativos y su madurez

El debate público suele presentar el paradigma actual como si fuese la IA en singular, aunque, en realidad, la IA es un ecosistema plural. Hay escuelas históricas, enfoques híbridos y líneas emergentes que no requieren el mismo tipo de infraestructura ni inducen los mismos riesgos. Reconocer esta pluralidad es el primer acto de soberanía intelectual en política tecnológica.

En perspectiva histórica, los sistemas basados en el conocimiento, con elementos como reglas, ontologías o representaciones explícitas, fueron centrales durante décadas. La literatura sobre IA explicable recuerda que la preocupación por el «cómo» y el «por qué» de las decisiones automatizadas se originó en buena medida cuando los sistemas eran principalmente expertos, es decir, apoyados en conocimiento formalizado, y se ha reactivado hoy por demandas de confianza, seguridad y control en ámbitos como la conducción autónoma, el diagnóstico médico o las finanzas. Esta tradición no es un museo: más bien debe ser vista como una caja de herramientas útil para el estado, porque permite construir IA auditables, con trazabilidad y gobernanza más directa que muchos enfoques de caja negra.

En el presente, una de las rutas más prometedoras es la IA neuro-simbólica, que busca combinar aprendizaje estadístico con componentes simbólicos (lógica, reglas, estructuras) para mejorar la explicabilidad y las capacidades de razonamiento. Un estudio reciente en IJCAI⁹ (International Joint Conference on Artificial Intelligence) describe este campo como la respuesta a limitaciones de generalización semántica y practicidad en dominios complejos, y organiza la investigación en familias de tareas donde lo simbólico actúa como mecanismo de estructuración, regularización y razonamiento. En paralelo, el razonamiento sobre grafos de conocimiento ha evolucionado hacia enfoques híbridos. Otro estudio en KDD¹⁰ (Knowledge Discovery in Data) explica que integrar razonamiento simbólico y neuronal busca aprovechar interpretabilidad y robustez, destacando la relevancia de los grafos como repositorios estructurados de conocimiento que habilitan inferencias a partir de hechos y relaciones.

Otra familia clave —especialmente relevante para políticas públicas— es la IA basada en causalidad, frente a la predicción puramente correlacional. Felin y Holweg¹¹ argumentan que la predicción basada en datos del enfoque dominante es distinta del razonamiento causal humano y que la cognición humana se entiende mejor como razonamiento causal orientado hacia el futuro. Su tesis subraya el valor de modelos que permitan intervenir, experimentar y explicar, particularmente bajo incertidumbre¹². Para un gobierno significa que, en políticas de salud, seguridad o educación, la cuestión decisiva no es solo «qué tiende a ocurrir», sino «qué pasará si cambiamos X», algo que encaja mejor con el diseño de intervención basada en evidencia.

Existen también arquitecturas de agentes y sistemas cognitivos diseñadas explícitamente para operar en entornos dinámicos, con restricciones de tiempo y recursos, sin depender de grandes entrenamientos. En sistemas BDI (Belief-Desire-Intention), por ejemplo, la arquitectura separa creencias, objetivos e intenciones para guiar el comportamiento racional de agentes en contextos complejos. El trabajo clásico de Rao y Georgeff conecta lógica, sistemas y aplicaciones del mundo real, y sitúa estos enfoques precisamente en dominios donde se requiere rendimiento en tiempo real y razonamiento simbólico. Este tipo de arquitectura es especialmente pertinente para defensa, ciberseguridad, gestión de crisis y coordinación interinstitucional, ámbitos donde la disponibilidad de datos puede ser limitada, sensible o rápidamente cambiante, y donde la trazabilidad de decisiones es crítica.

A nivel de despliegue, hay una hoja de ruta complementaria que mueve parte de la inteligencia desde la nube hacia el borde (edge) y el dispositivo, reduciendo latencia, dependencia de conectividad y necesidad de centralizar datos. Un estudio sobre modelos en dispositivos¹³ en ACM Computing Surveys insiste en que el consumo energético es una consideración crítica en móviles e internet de las cosas, y revisa técnicas prácticas (podado, cuantización, destilación) para reducir costes computacionales y de memoria con impacto directo en viabilidad operacional. Para lo público, esto habilita escenarios donde escuelas rurales, hospitales periféricos, puestos fronterizos o municipios con conectividad irregular pueden usar IA de manera robusta sin depender por completo del envío continuo de datos hacia centros de procesamiento centralizados.

Finalmente, en un horizonte futuro, cada vez más cercano, la computación neuromórfica y las redes neuronales de disparos (spiking neural networks) prometen reducir el consumo energético y trasladar el cómputo a arquitecturas más cercanas al paradigma biológico. Un estudio sobre arquitecturas neuromórficas subraya que estos sistemas buscan mejorar el rendimiento con menor consumo, apoyándose en paralelismo, asincronía y dispersión (sparsity). Además, identifica mecanismos como la computación en memoria y la transmisión de información por eventos como fuentes de eficiencia. Publicaciones como Nature Communications anticipan avances hacia plataformas convencionales en ciertos escenarios experimentales, reforzando la idea de que la innovación de hardware puede cambiar el equilibrio entre capacidad y huella energética.

El punto estratégico para América Latina es que este mapa de alternativas permite diseñar una política industrial y estatal de IA que no dependa de ganar una carrera de escala contra actores con cientos de miles de millones en capitalización, control de nubes, chips y plataformas. El objetivo no es competir en todo, sino capturar valor donde el estado tiene jurisdicción, mandato, ventaja, competencia normativa y conocimiento institucional.

12. Hacia una IA bioneurocognitiva para el razonamiento complejo

El giro conceptual que necesita la región puede sintetizarse en una transición desde la IA como consumo de modelos a la IA como capacidad estratégica de razonamiento para gobernar sistemas complejos. Ese giro conecta con una línea de trabajo propia, desarrollada desde el ecosistema de los autores y divulgada en el blog Daneel Olivaw¹⁴, centrada en lo que aquí denominamos IA bioneurocognitiva orientada al razonamiento complejo. Conviene precisar que esta noción es una propuesta arquitectónica de los autores, todavía no una categoría académica consolidada al mismo nivel que la IA neuro-simbólica, la inferencia causal, las arquitecturas BDI, la IA en el borde o la computación neuromórfica, con las que comparte familia conceptual y a las que pretende complementar. Desde esa óptica, el valor diferencial no se encuentra en más parámetros o más tokens, sino en arquitecturas que integren:

• Evidencia y datos con incertidumbre.
• Conocimiento estructurado (explícito y tácito).
• Una capa metacognitiva para juzgar cursos de acción, con trazabilidad y rendición de cuentas.

En gran medida se contrapone el mito del big data con una IA cognitiva que fusiona información, conocimiento y sabiduría para crear sistemas de razonamiento complejo aplicados a la decisión.

En la práctica, el enfoque se concreta en tres decisiones de diseño que son especialmente relevantes para gobiernos latinoamericanos:

• Captación selectiva y progresiva de información frente a captura masiva. Un sistema de razonamiento analítico no invasivo debe resolver dilemas de privacidad y sesgo mediante estrategias de recolección incremental y focalizada, en contextos donde los datos son escasos o moralmente sensibles. Esta idea conversa con la realidad administrativa en sanidad, justicia o defensa, donde el acceso a datos masivos no solo es improbable, sino que puede ser indeseable por razones legales y éticas. Por ello, diseñar una IA que funcione con pocos datos bien gobernados es una ventaja estratégica.

• Ontologías, taxonomías y semántica como infraestructura pública ligera. Se recomienda la construcción incremental de modelos a partir de clasificaciones ontológicas y taxonómicas de conductas, así como aplicar mecanismos para proponer nuevos modelos cuando aparecen datos que no encajan en categorías existentes. Esto está alineado con la tendencia académica de usar grafos de conocimiento y razonamiento híbrido para conectar información dispersa, inferir y explicar. La diferencia clave es la intencionalidad pública: ontologías y grafos pueden convertirse en bienes públicos (estándares semánticos nacionales) sin exigir una hiperinfraestructura.

• Trazabilidad y explicabilidad como condición de legitimidad institucional. La trazabilidad del proceso de análisis debe ser auditable por la propia naturaleza del sistema semántico propuesto, lo que conecta con las exigencias contemporáneas de IA confiable en el sector público (transparencia, explicabilidad y responsabilidad), tal como recomiendan organismos multilaterales y marcos de uso responsable.

Las reasoning boxes —propuesta arquitectónica desarrollada desde Binomial CD— concebidas como sistemas de agentes para apoyar a decisores con inteligencia y operaciones en tiempo real en escenarios multidominio, se inscriben en el linaje de las arquitecturas de agentes BDI, diseñadas para control y gestión en entornos complejos y dinámicos, donde el razonamiento y la estructura de intenciones importan tanto como el aprendizaje estadístico.

La credibilidad de una ruta alternativa no depende de proclamar «cero datos» de manera literal, sino de demostrar dónde el dato masivo no es condición necesaria y cómo se reemplaza con estructura (conocimiento), causalidad (intervención) y diseño de sistemas (arquitecturas cognitivas). La tesis de Felin y Holweg, al destacar los límites del enfoque de predicción retrospectiva y el valor del razonamiento causal orientado a la intervención, funciona aquí como soporte conceptual externo. Para decisiones bajo incertidumbre —el tipo de decisiones que toman presidentes, ministros y reguladores— el valor no está solo en correlaciones pasadas, sino en comprender mecanismos, escenarios what if y consecuencias de cursos de acción.

13. Aplicaciones prioritarias y una hoja de ruta para gobiernos latinoamericanos

Una estrategia regional de IA basada en enfoques alternativos debe empezar por una pregunta de estado: ¿qué capacidades de IA aumentan la soberanía efectiva y la resiliencia institucional sin exigir una carrera de escala imposible? ILIA 2025 señala que muchos países han producido estrategias, pero con frecuencia carecen de presupuesto, mecanismos de implementación y evaluación. Además, detecta mucho plan y poca acción. La hoja de ruta que se propone a continuación está pensada para ser ejecutable en un contexto donde la infraestructura es desigual, el talento avanzado es un cuello de botella y la inversión es estructuralmente baja en proporción al peso económico regional.

Una condición adicional para que esta hoja de ruta sea algo más que un catálogo de buenas intenciones es la institucionalidad. En algunos países, la IA se ha elevado a arquitectura de Estado mediante figuras de rango ministerial o autoridades centrales con mandato, presupuesto y capacidad de coordinación y compra (por ejemplo, los Emiratos Árabes Unidos crearon en 2017 un ministro de Estado para Inteligencia Artificial; Arabia Saudí consolidó en 2019 una autoridad nacional de datos e

IA, SDAIA). En América Latina, en cambio, la responsabilidad suele distribuirse entre ministerios sectoriales o agendas digitales sin una unidad ejecutora fuerte, lo que ayuda a explicar el patrón de estrategias con débil implementación señalado por ILIA. La implicación práctica no es replicar modelos ajenos, sino asegurar un centro de gravedad de ejecución: una oficina o agencia nacional de IA (o un mandato equivalente) capaz de alinear prioridades, normativa, compras públicas, talento y evaluación de impacto con continuidad política y rendición de cuentas.

En defensa y seguridad, el retorno político de corto plazo suele venir de sistemas de apoyo a la decisión que integren señales dispersas, incertidumbre y trazabilidad. En lugar de priorizar el entrenamiento de modelos gigantes, una arquitectura de agentes de razonamiento —inspirada en BDI y en sistemas de razonamiento complejo— permite construir centros de superioridad analítica con captura selectiva de información, modelos semánticos y cadenas de explicación auditables. En la práctica, esto se traduce en capacidades como alerta temprana, análisis de intenciones, evaluación de vulnerabilidades y coordinación interagencial, sin necesidad de centralizar todo el dato en un macrocentro, algo crítico cuando la región enfrenta brechas de infraestructura y riesgos de dependencia.

En sanidad, la prioridad debería ser combinar IA con evidencia y causalidad para mejorar la toma de decisiones clínicas y de política pública bajo restricciones de datos sensibles. La OMS define la toma de decisiones informada por evidencia como un proceso de identificar, evaluar y movilizar la mejor evidencia disponible para políticas y programas seguros y efectivos¹⁵. La IA frugal aquí significa modelos más pequeños desplegados localmente en hospitales y dispositivos, técnicas de privacidad —por ejemplo, aprendizaje federado donde aplique— y, sobre todo, marcos causales y de evaluación que respondan a intervenciones. Este diseño es coherente con la recomendación ética de la UNESCO, que advierte que la IA puede reproducir sesgos y afectar derechos humanos y clima si no se gobierna responsablemente.

En educación, el objetivo público no debe ser la fascinación por tutores basados en modelos gigantes, sino ampliar capacidades pedagógicas de forma equitativa, siendo conscientes de la brecha digital. Si ILIA sitúa la urgencia de acortar brechas digitales y muestra niveles de acceso todavía insuficientes, entonces la IA educativa debe diseñarse para operar con conectividad limitada contemplando soluciones en dispositivos, contenidos semánticamente estructurados, sistemas de apoyo docente con trazabilidad y enfoque de competencias. En paralelo, ILIA subraya que el talento humano especializado es un cuello de botella —la alfabetización crece más que la formación avanzada— por lo que la educación debe incluir una política deliberada de capacidades con nuevos currículos, formación a los docentes y rutas de especialización.

En regulación, justicia y control del gasto, la oportunidad es inmediata, utilizando sistemas de IA explicable y auditable para priorizar inspecciones, detectar anomalías, elevar la transparencia y reforzar la rendición de cuentas. La OCDE propone marcos para uso responsable de IA en el sector público que distinguen habilitadores y salvaguardas, y enfatizan gobernanza, capacidades (datos, infraestructura, talento) y mecanismos de supervisión¹⁶. Estos marcos encajan naturalmente con enfoques basados en conocimiento, grafos y razonamiento, permitiendo registrar «por qué» se señaló un caso, qué evidencia se usó y cómo se llegó a una recomendación, reduciendo arbitrariedad y mejorando legitimidad institucional.

En el plano laboral, conviene evitar un falso dilema entre modernización y empleo. La evidencia reciente sugiere que la IA generativa tiende a automatizar tareas dentro de ocupaciones, más que a sustituir roles completos, lo que abre un margen real para políticas de mejora del trabajo: asistentes para redacción y análisis, copilotos de atención ciudadana, apoyo a inspección y auditoría, y herramientas de apoyo clínico o docente que liberan tiempo humano para interacción y juicio experto. El riesgo de desplazamiento existe —especialmente en funciones administrativas rutinarias—, pero su magnitud y distribución dependen del rediseño organizativo, la formación y la negociación social. Por ello, una hoja de ruta responsable debería incorporar desde el inicio cláusulas de transición: planes de capacitación y certificación rápida, rediseño de procesos con human-in-the-loop, medición de productividad y calidad del servicio, y compras públicas que exijan estrategias de adopción centradas en aumento de capacidades del personal, no en reducción mecánica de plantillas.

A nivel energético y ambiental, el estado debe tratar la infraestructura digital como política pública integral —no como subproducto del mercado— porque la trayectoria de escala presiona redes eléctricas y recursos hídricos. El PNUMA (Programa de las Naciones Unidas para el Medio Ambiente) recomienda eficiencia y contratación pública sostenible como palancas rápidas para reducir impactos y costes, y la Agencia Internacional de la Energía advierte que los plazos de despliegue de centros de datos pueden ser más rápidos que los plazos de expansión del sistema energético, creando tensiones de planificación. En América Latina, ILIA sugiere que la sostenibilidad de centros de datos aún presenta brechas y que políticas específicas, como planes nacionales, pueden cambiar incentivos.

De este análisis se deriva una hoja de ruta de política pública en seis movimientos, pensada para maximizar el impacto con realismo presupuestario:

• Definir una estrategia de IA soberana que no se mida por el tamaño de los modelos, sino por la capacidad institucional de razonar y decidir, contemplando estándares semánticos, trazabilidad, gobernanza de datos y despliegues en el borde cuando la conectividad y la equidad lo exijan.
• Crear infraestructura pública de conocimiento como ontologías nacionales por sector (salud, educación, defensa, compras públicas), grafos de conocimiento interoperables y mecanismos de actualización continua, como base para una IA explicable y auditada.
• Establecer una política de cómputo suficiente en lugar de cómputo máximo: planificar una inversión selectiva en capacidades críticas, apostando por HPC donde sea estratégico, pero sobre todo por despliegues híbridos y en dispositivo, acompañada de técnicas de eficiencia (cuantización, destilación, podado) para reducir dependencias de la nube y de los hiperescaladores.

• Institucionalizar transparencia y rendición de cuentas mediante registros de algoritmos, métricas de impacto y requisitos de divulgación en compras públicas —incluyendo energía, agua y emisiones cuando corresponda—, especialmente relevante ante la opacidad identificada por los índices de transparencia de modelos fundacionales.
• Orientar el gasto público hacia pilotos de alto valor estatal en ámbitos como la defensa, la salud, la educación o la justicia y la regulación, que demuestren retornos rápidos y acumulen capacidades internas. ILIA advierte que hay estrategias sin ejecución, por lo que la clave es la gobernanza en la implementación, el presupuesto y la evaluación.
• Construir coaliciones regionales para reducir concentración y dependencia, fomentando la cooperación técnica, los estándares compartidos, las compras coordinadas y los espacios de gobernanza alineados con enfoques éticos internacionales. La UNESCO promueve metodologías de evaluación de preparación ética en la IA y espacios regionales de diálogo. Estos instrumentos pueden convertirse en plataformas para una IA regional más equitativa.

Bajo esta hoja de ruta, el papel de los asesores de alto nivel cambia. Ya no se trata de vender tecnología, sino de traducir la pluralidad de enfoques de IA en decisiones ejecutables —diseño institucional, arquitectura de referencia, gobernanza, contratación, medición de impacto— con sensibilidad a la realidad latinoamericana. ILIA 2025 muestra que la región no necesita copiar mecánicamente modelos de desarrollo ajenos, pudiendo crear valor con innovación contextual, cooperación y políticas de talento. América Latina debe hacerlo sin quedar atrapada en un enfoque único que intensifique la dependencia y las externalidades.

14. Conclusiones, ni definitivas ni cerradas

Las reflexiones expuestas en este documento no pretenden ser un punto de llegada, sino un punto de partida abierto al debate y a la deliberación pública. Hemos defendido que América Latina dispone de una tercera vía entre la imitación de la carrera global de escala y la mera adopción pasiva de tecnologías externas: una ruta de IA frugal, explicable y orientada al razonamiento, capaz de operar con datos escasos, infraestructura limitada y exigencias de soberanía propias de la región.

Esta vía exige articular cuatro dimensiones que en este documento se han tratado de forma complementaria. En primer lugar, una dimensión económica y de cooperación, en la que España puede actuar como socio estratégico —lingüístico, regulatorio y de infraestructura— para acompañar a América Latina en una IA aplicada y sectorial. En segundo lugar, una dimensión empresarial, donde las grandes corporaciones asumen un rol dinamizador y las pymes encuentran instrumentos concretos para incorporar la IA a sus procesos sin requerir hiperinfraestructuras. En tercer lugar, una dimensión técnica y científica, que reivindica la pluralidad de la IA —enfoques neuro-simbólicos, causales, basados en agentes, en edge y en arquitecturas neuromórficas—, frente al falso monopolio del paradigma de los grandes modelos de lenguaje. Y, en cuarto lugar, una dimensión institucional y de política pública, que exige unidades ejecutoras fuertes, gobernanza de datos, transparencia algorítmica y coaliciones regionales.

La conclusión central es que el éxito de la región no se medirá por el tamaño de los modelos que entrene, sino por la capacidad institucional de razonar, decidir y rendir cuentas con apoyo de la IA. Esa capacidad se construye con ontologías nacionales, grafos de conocimiento, reasoning boxes, despliegues frugales y, sobre todo, con un proyecto político y económico capaz de sostenerlos en el tiempo. El reto no es competir en escala, sino capturar valor donde el Estado tiene jurisdicción, ventaja comparativa y legitimidad democrática.

Quedan abiertas, no obstante, preguntas de fondo que esta agenda deberá responder en los próximos años: cómo financiar de manera estable la infraestructura pública de conocimiento; cómo articular la cooperación iberoamericana sin reproducir asimetrías; cómo formar y retener talento avanzado; cómo medir, con estándares comunes, el impacto social, económico y ambiental de la IA en cada país; y cómo asegurar que las pymes y los territorios menos conectados no queden al margen. Por todo ello, estas conclusiones son explícitamente abiertas: invitan a continuar el diálogo entre decisores públicos, academia, sector privado y sociedad civil para construir, paso a paso, una IA latinoamericana al servicio del crecimiento, la equidad y la soberanía.

1. https://desarrollodigital.cepal.org/es/datos-y-hechos/uso-de-soluciones-de-ia-en-america-latina-y-el-caribe-2025 ↩︎
2. https://www.iea.org/reports/energy-and-ai/understanding-the-energy-ai-nexus ↩︎
3. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai ↩︎
4. https://www.unep.org/technical-highlight/how-make-ai-data-centres-more-sustainable ↩︎
5. https://www.unesco.org/en/en/green-digital-transformation ↩︎
6. https://news.stanford.edu/stories/2025/12/foundation-model-transparency-index-ai-companies-information ↩︎
7. https://indicelatam.cl/wp-content/uploads/2025/10/Documento_ILIA_2025.pdf
   ↩︎
8. https://www.cepal.org/es/comunicados/america-latina-caribe-acelera-la-adopcion-la-inteligencia-artificial-aunque-desafios ↩︎
9. https://www.ijcai.org/proceedings/2025/1157.pdf ↩︎
10. https://www.kdd.org/exploration_files/p124-Neural_Symbolic_KGR_survey.pdf ↩︎
11. Teppo Felin y Matthias Holweg, académicos de Oxford, conocidos por sus investigaciones sobre estrategia, toma de decisiones y el impacto de la inteligencia artificial en la cognición humana y organizacional. ↩︎
12. https://www.bu.edu/dbi/files/2024/08/FelinHolwegAug2024_SSRN.pdf ↩︎
13. https://arxiv.org/pdf/2503.06027 ↩︎
14. https://www.daneelolivaw.com/ ↩︎
15. https://www.who.int/publications/i/item/9789240039872 ↩︎
16. https://www.oecd.org/content/dam/oecd/en/publications/reports/2024/06/governing-with-artificial-intelligence_f0e316f5/26324bc2-en.pdf ↩︎