Mensajes clave
- Para que la Unión Europea pueda posicionarse adecuadamente en la batalla global y geopolítica de la inteligencia artificial generativa, es fundamental conocer bien los elementos de la cadena de valor, a saber: (a) infraestructura tecnológica (semiconductores, nube y centros de datos); (b) datos de entrenamiento; (c) entrenamiento de modelos; (d) desarrollo de aplicaciones; y (e) elementos transversales críticos (financiación, talento especializado, marco regulatorio y de gobernanza, ecosistema de investigación y transferencia tecnológica e infraestructura energética).
- En abril de 2025, la Comisión Europea presentó el AI Continent Action Plan, que consta de cinco pilares: (1) infraestructura computacional; (2) estrategia de datos; (3) adopción sectorial; (4) desarrollo de talento y competencias; y (5) marco regulatorio. Esta estrategia presenta aciertos, pendientes de una buena ejecución, especialmente en el ámbito de los datos, la promesa de la simplificación regulatoria y el talento. No obstante, también adolece de elementos cuestionables, especialmente la apuesta por las gigafactorías, que plantea el riesgo de consumir una cantidad desproporcionada de recursos financieros para no poder llegar hasta 2028 ni siquiera al nivel de inversión de empresas individuales estadounidenses. También destacan omisiones en el plan, en particular: (a) la falta de estrategia específica para entrenamiento eficiente; (b) la ausencia de apoyo financiero al desarrollo por startups de modelos especializados, (c) la falta de mecanismos específicos de transferencia tecnológica; y (d) la ausencia de referencias a la infraestructura energética.
- El AI Continent Action Plan refleja una tensión no resuelta entre dos visiones: competir frontalmente replicando modelos existentes versus desarrollar un enfoque europeo diferenciado. Este análisis propone que la Unión opte por desarrollar su propio enfoque para la IA, basado en seis pilares: (1) mercados competitivos y abiertos, pero regulados; (2) poder de demanda como ventaja estratégica; (3) especialización inteligente en ventajas competitivas; (4) protección ciudadana mediante enforcement del marco regulatorio; (5) creación de zonas de excelencia energética; y (6) ecosistema financiero adaptado a la financiación de los proyectos de inteligencia artificial.
- La batalla geopolítica por la inteligencia artificial generativa no se ganará necesariamente replicando las estrategias de Silicon Valley o Shenzhen. La Unión llega tarde a la carrera de la infraestructura bruta, pero puede liderar la siguiente fase: la de la inteligencia artificial inteligente, ética y especializada.
Análisis
1. Punto de partida: una batalla geopolítica en la que la UE debe encontrar su hueco
Por mucho que nos duela admitirlo, la Unión Europea (UE) se ha quedado rezagada en la carrera por la inteligencia artificial (IA) generativa. Si bien China, gracias a la aplicación de su plan Made in China 2025, ha conseguido situarse como líder mundial en tecnologías como los paneles solares, las baterías de litio y los vehículos eléctricos, los drones civiles y militares, los trenes de alta velocidad y el grafeno, sigue claramente por detrás de Estados Unidos (EEUU) en materia de IA.
Pero esto no quiere decir que China no vaya a dar la batalla por la IA. De hecho, la presentación pública del modelo DeepSeek en enero de 2025, coincidiendo con la toma de posesión de Donald Trump y el lanzamiento de la iniciativa Stargate (500.000 millones de dólares de inversión privada liderada por OpenAI, SoftBank y Oracle para construir centros de datos de última generación en EEUU), marca un punto de inflexión en la pugna tecnológica entre ambas potencias.
En efecto, con Deepseek, China lanzó un claro mensaje geopolítico a EEUU: a pesar de las restricciones impuestas por el gobierno de EEUU a las exportaciones a China de los semiconductores más avanzados y de los elevados recursos financieros de las grandes tecnológicas estadounidenses, una startup china había sido capaz de producir un gran modelo de lenguaje (LLM, por sus siglas en inglés) de manera más eficiente desde el punto de vista tecnológico (empleo de ~2.000 GPU H800, una versión limitada frente a las H100), energético (consumo computacional de ~2,8 millones de GPU-horas, apenas un 10% del requerido por modelos comparables) y financiero (coste total de entrenamiento en torno a 5-6 millones de dólares, frente a los ~100 millones estimados para GPT‑4). Además, el hecho de que Deepseek sea un modelo de IA de código abierto contribuyó a reforzar el mensaje geopolítico, mostrando al mundo la voluntad colaboradora de China, de poner su tecnología a disposición del mundo y a su vez, beneficiarse de posibles mejoras.
Ahora bien, estas cifras deben interpretarse con cautela: aunque DeepSeek ha reivindicado una mayor eficiencia tecnológica, energética y financiera, no existe aún consenso sobre si su rendimiento es comparable al de modelos punteros como GPT‑4 o Claude 3 Opus, ni certeza plena sobre la solidez metodológica de las estimaciones divulgadas por la empresa. También hay que tener en cuenta que, a pesar de haberse autocalificado como modelo de código abierto, los datos para el entrenamiento, la documentación y la infraestructura de despliegue de Deepseek están controlados de manera centralizada, reflejando una gobernanza que responde a los intereses de China.
Sea como fuere, está claro que China quiere dar la batalla por la IA frente a EEUU. Y la pregunta inmediata es ¿está la UE adoptando las medidas adecuadas en este escenario? Para responder a esta pregunta, resulta imprescindible entender en primer lugar cómo funciona la cadena de valor de la IA generativa y dónde puede la Unión competir eficazmente sin intentar replicar las estrategias de sus competidores.
1. Entendiendo la cadena de valor de la IA generativa
La cadena de valor de la IA generativa se articula en torno a cinco componentes fundamentales, tal y como se refleja en la Figura 1 y se explica a continuación.
Figura 1. Cadena de valor de la IA generativa
2.1. Infraestructura tecnológica
Este eslabón comprende tres componentes críticos: semiconductores especializados (principalmente unidades de procesamiento gráfico (GPU) diseñadas para procesamiento paralelo masivo), infraestructura de computación en la nube y centros de datos de alta capacidad con sistemas de refrigeración y suministro energético específicos para cargas de IA.
El dominio estadounidense en este segmento es abrumador. NVIDIA controla aproximadamente el 90% del mercado de diseño de chips para IA con sus arquitecturas CUDA, mientras que AMD e Intel luchan por ganar cuota. Los procesos de fabricación más avanzados (3-5 nanómetros) están limitados a TSMC en Taiwán y Samsung en Corea del Sur, pero el diseño de chips y las herramientas de software siguen siendo predominantemente estadounidenses.
DeepSeek demostró que la eficiencia algorítmica puede compensar parcialmente las restricciones de hardware, pero esta optimización tiene límites. La ventaja competitiva fundamental de EEUU en semiconductores, construida durante décadas, permanece estructuralmente sólida. También lo hace en materia de computación en la nube, con tres empresas de origen estadounidense controlando casi el 70% de la cuota mundial.
2.2. Datos de entrenamiento
Los modelos de IA requieren volúmenes masivos de datos curados, diversos y de alta calidad. Los desafíos incluyen no solo el volumen, sino la calidad, representatividad, diversidad geográfica y lingüística, y acceso legal a bases de datos específicas. Los datos más valiosos suelen ser aquellos más específicos y difíciles de obtener: historiales médicos longitudinales, datos industriales propietarios, información regulatoria sectorial y contenido en idiomas menos representados globalmente.
2.3. Entrenamiento de modelos
Esta fase comprende el proceso computacionalmente intensivo de entrenar modelos de IA utilizando grandes bases de datos y recursos de computación masivos. Tradicionalmente, el entrenamiento de modelos de frontera requería inversiones de cientos de millones de dólares y el uso de decenas de miles de GPU durante meses.
Sin embargo, esta fase está experimentando una revolución en eficiencia impulsada por innovaciones técnicas como:
- Técnicas de precisión mixta: reducir el tamaño de los datos numéricos (de 32 a 8-16 bits) para disminuir significativamente el uso de memoria sin pérdida sustancial de calidad.
- Mixture of Experts (MoE): arquitecturas que activan selectivamente sólo los parámetros relevantes para cada consulta, evitando usar toda la capacidad del modelo.
- Transfer learning y fine-tuning: adaptar modelos preentrenados a dominios específicos mediante entrenamiento adicional con datos sectoriales.
- Optimizaciones de infraestructura: mejoras en la coordinación entre procesadores y distribución eficiente de cargas computacionales.
El caso DeepSeek ilustra esta transformación: logró capacidades comparables a GPT-4 con un gasto de seis millones frente a los estimados 100 millones de dólares del modelo de OpenAI, usando técnicas de entrenamiento más eficientes y una décima parte del poder computacional.
2.4. Desarrollo de aplicaciones
Esta fase final transforma los modelos entrenados en productos y servicios comerciales que resuelven problemas específicos de usuarios finales. Incluye el desarrollo de interfaces de usuario, la integración con sistemas existentes, la optimización para casos de uso particulares y la implementación de medidas de seguridad y cumplimiento regulatorio.
El desarrollo de aplicaciones puede seguir dos enfoques principales:
- Aplicaciones generalistas: herramientas como ChatGPT, Claude o Gemini que abordan una amplia gama de tareas.
- Aplicaciones especializadas: soluciones verticales para sectores específicos como salud (diagnóstico médico), finanzas (análisis de riesgo), legal (revisión de contratos) y manufactura (mantenimiento predictivo).
Los modelos especializados, típicamente de 7-70B parámetros, pueden ofrecer ventajas significativas: mayor precisión en su dominio específico, menores costes de operación, mejor cumplimiento regulatorio sectorial y capacidad de funcionar con infraestructura más modesta. Por ejemplo, un modelo especializado en radiología entrenado con historiales médicos específicos puede superar a GPT-4 en diagnósticos por imagen, mientras que requiere una fracción de los recursos computacionales para su desarrollo y operación.
2.5. Elementos transversales críticos
Hay otra serie de elementos transversales a la cadena de valor, que son fundamentales para su buen funcionamiento, como la financiación, el talento especializado, el marco regulatorio y la gobernanza, el ecosistema de investigación y transferencia tecnológica, y la infraestructura energética.
2.5.1. Financiación e inversión
El desarrollo de IA requiere inversiones masivas con horizontes temporales largos. Incluye capital riesgo para startups, financiación de I+D para investigación básica y grandes inversiones institucionales para infraestructura. La disponibilidad de capital paciente, que tolere periodos de desarrollo sin retornos inmediatos, es crítica para competir con las Big Tech que pueden autofinanciar desarrollos durante años.
2.5.2. Talento especializado
La IA requiere perfiles híbridos escasos: científicos de datos, ingenieros de machine learning, especialistas en infraestructura computacional y expertos en ética de IA. La competencia global por este talento es intensa. Incluye también la necesidad de programas de formación continua, dado que las tecnologías evolucionan constantemente.
2.5.3. Marco regulatorio y gobernanza
Las regulaciones determinan qué es posible desarrollar, cómo se puede usar la IA y bajo qué condiciones. Incluye normativas específicas de IA y de protección de datos, regulaciones sectoriales específicas (farmacéutica, financiera) y marcos éticos. Un marco regulatorio bien diseñado puede generar ventaja competitiva al crear certidumbre jurídica y confianza.
2.5.4. Ecosistema de investigación y transferencia tecnológica
La conexión entre investigación básica (universidades, centros de investigación) y aplicación comercial es fundamental. Incluye mecanismos de transferencia tecnológica, colaboraciones público-privadas, y políticas de propiedad intelectual que incentiven tanto la investigación como la aplicación comercial.
2.5.5. Infraestructura energética
Los centros de datos de IA consumen enormes cantidades de energía. La disponibilidad de energía estable, renovable y a precio competitivo se está convirtiendo en factor diferenciador. Incluye también políticas de sostenibilidad que pueden influir en la localización de infraestructuras críticas.
3. La respuesta europea: el AI Continent Action Plan
En abril de 2025, la Comisión Europea presentó el AI Continent Action Plan, su estrategia para convertir la UE en líder global de IA. Esta iniciativa, lanzada por la presidenta Ursula von der Leyen en la Cumbre de IA de París, representa la respuesta europea a la intensificación de la competencia geopolítica en IA, movilizando hasta 200.000 millones de euros en inversiones públicas y privadas.
El plan se estructura en torno a cinco pilares fundamentales.
3.1. Infraestructura computacional: de factorías IA a gigafactorías
El componente más visible del plan es la creación de una red de infraestructura de computación de alta capacidad. En una primera fase, la UE establecerá 13 factorías IA distribuidas en 17 Estados miembros, utilizando la red de supercomputación EuroHPC. Estas instalaciones, que estarán operativas a finales de 2025, conectarán centros de supercomputación, universidades, pymes e industria.
La fase más ambiciosa contempla la construcción de hasta cinco gigafactorías IA equipadas con aproximadamente 100.000 procesadores de IA cada una –cuatro veces superior a las instalaciones actuales más avanzadas–. Estas mega instalaciones, financiadas a través de la iniciativa InvestAI con 20.000 millones de euros, están diseñadas para el desarrollo y entrenamiento de modelos de IA de próxima generación con cientos de billones de parámetros. La respuesta ha sido abrumadora: 76 expresiones de interés de 16 Estados miembros para 60 ubicaciones diferentes, previéndose la adquisición de al menos tres millones de procesadores especializados.
En definitiva, la parte más visible del Plan de IA de la UE se centra en el primer eslabón de la cadena de valor de la IA generativa, las infraestructuras. Para ello, a diferencia de lo que ocurre en EEUU, no sólo se emplearán fondos privados, sino también recursos del contribuyente.
3.2. Estrategia de datos: hacia una Unión de Datos
El plan reconoce los datos como activo estratégico crítico. La iniciativa incluye la creación de laboratorios de datos que integrarán grandes volúmenes de datos curados de diferentes fuentes en las factorías IA. Una Estrategia de Unión de Datos, cuya consulta pública se lanzó en mayo de 2025 (cerrada el 18 de julio), buscará crear un verdadero mercado interno de datos que permita escalar soluciones de IA.
La estrategia afronta un desafío complejo: simplificar la fragmentación regulatoria existente entre el Reglamento General de Protección de Datos (GDPR, por sus siglas en inglés), la Data Act, la Data Governance Act, la Open Data Directive y la AI Act, que actualmente genera cargas administrativas pesadas tanto para empresas como administraciones públicas. La consulta ha puesto de manifiesto la tensión fundamental entre las estrictas protecciones de datos del GDPR y las necesidades de acceso a datos para el desarrollo de IA, especialmente problemática para startups y pymes que luchan por acceder a bases de datos de calidad.
Paralelamente, se desarrollarán Espacios Europeos Comunes de Datos sectoriales para garantizar que más datos estén disponibles para entrenar sistemas de IA, respetando los marcos de protección existentes. Sin embargo, persiste la incertidumbre sobre cómo la estrategia podrá navegar las complejidades asociadas al manejo de bases de datos mixtos (personales y no personales) y si conseguirá evitar los problemas de implementación que han afectado a iniciativas anteriores como Gaia-X. A pesar de llevar más de cuatro años desde su lanzamie
