Modelos de IA, inversiones y control
La ventaja competitiva entre modelos de IA para atraer inversiones no depende solo de tener el mejor algoritmo, sino de disponer de un ecosistema completo capaz de entrenar, desplegar, actualizar y servir dicho algoritmo a cuantos más millones de usuarios mejor. Dentro de un ecosistema de IA, quizá el capítulo más importante sea el de la infraestructura de la computación, que incluye: centros de datos, decenas de miles de GPU, redes de altísima velocidad y baja latencia —es decir, datos disponibles en tiempo real con acceso a memoria remota (RDMA)— como InfiBand o Ethernet de última generación, almacenamiento masivo y sistemas de refrigeración y de suministro eléctrico.
Un gran modelo puede requerir decenas de miles de GPUs funcionando durante semanas o meses. Pero aquí no se trata de cualquier modelo de IA. Hay que distinguir entre modelos específicos, creados con fines determinados, por ejemplo, para gestionar datos médicos de un hospital o estrategias de venta de una empresa, etc., de otros modelos, mucho más potentes —son los que aquí interesan—, los denominados “modelos fundacionales” (foundation models) o “modelos frontera” (frontier models), que persiguen objetivos mucho más amplios, manejan todo tipo de datos, imágenes, texto y, cada vez más, vídeos y audios, y sirven de soporte de otros muchos modelos que se generen a su amparo. Estos grandes modelos de IA actualmente aparecen bajo marcas como Open-AI, Google DeepMind (Gemini), Anthropic (Claude), Meta (Llama) o xAI (Grok). Todos ellos —incluidos los de empresas chinas—, además de manejar todo tipo de datos y orientarse a propósitos más generales, contienen cientos de miles de millones de parámetros (según arquitectura y versión) y se entrenan con enormes volúmenes de datos procedentes de internet (libros, código, imágenes y otras fuentes).
La segunda característica que condiciona las ingentes inversiones en IA es la gran cantidad de información que estos modelos exigen (libros, artículos, código, imágenes, vídeos, bases de datos, datos sintéticos), que requiere invertir en recopilación, limpieza de datos, clasificación, etiquetado y licencias. Todas estas capacidades difieren en cada modelo y son más o menos eficientes. Pues un algoritmo, por bueno que sea, sin datos fiables, produce malos resultados.
Por otra parte, la IA requiere también de software de infraestructura, es decir, no basta disponer de máquinas, de GPUs, hay que desarrollar software capaces de repartir entrenamiento, sincronizar miles de procesadores, gestionar memoria, detectar fallos, recuperar procesos, distribuir tareas u optimizar comunicaciones. Curiosamente, gran parte de la innovación en IA se encuentra aquí, en el software que hace posible la infraestructura para que ruede el modelo.
Sin duda, el elemento más famoso es el algoritmo y, aunque menos lucida, es importante la arquitectura del modelo. La IA, siempre en evolución, requiere de puesta a punto y renovación de nuevas arquitecturas, de mecanismos de atención, de optimización, de razonamiento, de memoria, de aprendizaje por refuerzo, de comprensión. Podríamos decir que el algoritmo es la esencia de la IA, aunque no es la parte que mayor inversión requiere. Por ejemplo, una mejora algorítmica puede realizarse por un pequeño equipo de investigadores y entrenar el modelo cuesta cientos de millones de dólares, pero construir la infraestructura que lo soporta una cantidad mucho mayor, astronómica.
Una vez entrenado el modelo, aún hay que construirlo, es decir, introducir la ingeniería en el producto con miles de ingenieros trabajando. Pues un modelo IA entrenado no constituye por sí mismo un servicio. Para que pueda ser utilizado por personas o por aplicaciones, es necesario integrarlo en una plataforma tecnológica que proporcione interfaces de usuario, APIs de comunicación entre programas, mecanismos de autentificación y seguridad, monitorización, control de versiones e integración con otros sistemas de información. La plataforma es la arquitectura que hace operativa y socialmente accesible la IA.
La competencia económica no depende solo del algoritmo, sino que más bien se desplaza hacia quién ofrece un control integrado de toda la arquitectura
Por último, si cara es la infraestructura y caro es el entrenamiento, aún más caro puede resultar el coste diario de mantener la respuesta y la satisfacción de la demanda de cientos de millones de usuarios. Pues nada más que en el uso simple, cada conversación consume: GPU (Graphics Processing Unit), memoria, ancho de banda y electricidad. Por eso las empresas invierten enormes cantidades en optimizar lo que se denomina “inferencia”, esto es, la fase en la que un modelo ya entrenado utiliza el conocimiento aprendido para producir una respuesta ante una nueva entrada. El modelo ya existe, recibe una nueva cuestión o demanda, debe responder, según el modelo entrenado, infiere y aporta el resultado. En esta secuencia, cada respuesta supone un gasto alto de recursos.
Así, en los grandes modelos de IA, aunque constituyen el núcleo cognitivo del sistema, la competencia económica no depende solo del algoritmo, sino que más bien se desplaza hacia quién ofrece un control integrado de toda la arquitectura: chips, centros de datos, cloud, plataformas, datos, APIs y aplicaciones. Se trata, por tanto, de quién ofrece una mayor capacidad de convertir esa infraestructura cognitiva en un ecosistema tecnológico capaz de atraer usuarios, desarrolladores y empresas. Lo que buscan los inversores es identificar qué empresa tiene más probabilidades de convertirse en la infraestructura cognitiva de la economía digital, al igual que hace años se buscaba la infraestructura de internet o el comercio electrónico.
En lo que concierne a lo público, vemos aquí la ingente tarea que se presenta a los Estados ante el reto tecnológico (administraciones, servicios, educación, sanidad, etc.), y las capas de profundización que deben atravesar para conseguir que la norma y la ley se ajusten a todos esos niveles, desde los cuales pueden producirse filtraciones, ilegalidades, atentados contra la intimidad, etc. Las ingentes inversiones en IA no son estatales, proceden de capitales privados y, por tanto, llegado a un montante crítico, pueden subvertir la norma que afecta a todos para favorecer a unos pocos.
La regulación europea, el Reglamento de Inteligencia Artificial de la Unión Europea (AI Act), pretende regular estos procesos, mientras que las Big Tech USA reclaman libertad. Europa tiene la iniciativa normativa y eso es importante, ética y políticamente. Pero no se basa en un sistema de licencias para toda la IA, su complejidad sería inoperante. Esta ley protege frente a riesgos derivados del funcionamiento y uso de la IA como sistema de decisión. Así, hay sistemas de “riesgo inaceptable” que están prohibidos, de “alto riesgo”, fuertemente regulados, de “riesgo limitado”, con obligaciones de transparencia, y de “riesgo mínimo”, sin prácticamente intervención.
Tampoco el Reglamento de Servicios Digitales (DSA) se basa en licencias, protege frente a los riesgos derivados del funcionamiento de las plataformas digitales y sus algoritmos de recomendación y moderación de contenidos. Así, se orienta a detectar riesgos sistémicos, evaluar cómo los algoritmos pueden amplificar contenidos ilegales o dañinos y adoptar medidas para mitigarlos, cooperar con las autoridades y actuar con diligencia frente a contenidos ilícitos. Por tanto, lo que se hace es clasificar los sistemas según su nivel de riesgo. Pero, si uno revisa las sanciones efectivas, observa que apenas existen sobre los grandes proveedores y las grandes plataformas.
Históricamente y hasta ahora, los Estados regulaban objetos o actividades (actividades industriales, carreteras, escuelas, hospitales, bancos, instalaciones productoras de energía, etc.). La IA está modificando esto, pues ha introducido un nuevo “objeto” mucho más complejo de regular: el “proceso de decisión”. Una máquina no basta para supervisar una máquina. Hay que supervisar cómo aprende, cómo razona, qué datos utiliza, cómo llega a una conclusión o cuándo se le puede permitir actuar automáticamente. Son horizontes ético-normativos lastrados enormemente por la evolución vertiginosa de la tecnología. Y los poderes públicos se enfrentan en desigualdad de condiciones.
Naturalmente, debieran estar dotados de medios humanos y materiales eficaces para tales tareas, pues se requiere, según los especialistas, una arquitectura regulatoria que abarque todo el ciclo de la vida del sistema: desde la infraestructura y los datos utilizados para su entrenamiento, pasando por el desarrollo y la comercialización, hasta la supervisión continua de su funcionamiento y la responsabilidad de sus decisiones y efectos.
Si atendemos a las distintas capas de internet, cuanto más se asciende en la arquitectura digital desde la infraestructura física hacia las plataformas y la IA, menos eficaz resulta el control basado en autorizaciones administrativas y más necesario se hace un sistema de auditoría, trazabilidad, transparencia y supervisión algorítmica. Ya no se trata de regular un objeto, sino de poner límites a un sistema capaz de generar decisiones autónomas o semiautónomas. Y esto exige mecanismos de control continuado, además de los controles previos al acceso al mercado.
Los Estados no pueden imponer directamente una “auditoría permanente” dentro del algoritmo, pero sí obligar legalmente a que los sistemas IA incorporen mecanismos que hagan posible esa auditoría externa y esa supervisión. Tal como recomienda Moody’s, la eficiencia futura de la regulación de la IA dependerá menos de la capacidad de los Estados para autorizar previamente los sistemas y más de su capacidad para imponer estándares comunes de diseño, documentación, interoperabilidad, auditoría y supervisión continua (Norma ISO 5 también va en este sentido), verificables por autoridades independientes y coordinadas internacionalmente. Esperemos que los gobiernos europeos estén a la altura. La rapidez en el desarrollo y la competencia en la IA es de vértigo.
________________
Sergio Hinojosa es licenciado en Filosofía por la Universidad de Granada y profesor de instituto.
