Latam-GPT, presentado en febrero como apuesta de soberanía, está construido sobre Llama 3.1, de Meta, y se entrenó con infraestructura de Amazon. Ocho meses después, el Banco Mundial recomienda no entrar en la carrera por los modelos de frontera. La dependencia de la tecnología base ya está dada. Lo que decide quién captura valor es qué tan bien usa cada empresa la IA, y eso depende de personas y de gestión.
Un informe con respuestas incompletas
El Panorama económico de América Latina y el Caribe, que el Banco Mundial presentó el 6 de octubre, es explícito: la región «no necesita entrar en la carrera por construir modelos de IA de frontera que cuestan miles de millones de dólares» para captar la mayoría de los beneficios. Su restricción fundamental, según el informe, es la capacidad de absorción, que exige invertir en capital humano, infraestructura digital y prácticas de gestión.
El Informe sobre el Desarrollo Mundial 2026, publicado en agosto, reconoce el costo de esa recomendación. Advierte que un puñado de empresas en pocas economías controla los modelos más avanzados y los chips de los que dependen, y que esa concentración crea riesgos de dependencia. Su respuesta es que los sistemas nacionales puedan trabajar con varios proveedores a la vez. Es una buena respuesta para un Estado con equipos técnicos, y una incompleta para la empresa que todavía no logra escalar ni siquiera una herramienta.
Construir tampoco elimina la dependencia
La alternativa de construir no escapa de ese patrón. Según CENIA, Latam-GPT se desarrolló sobre la arquitectura de Llama 3.1, con 70.000 millones de parámetros, y se le sumaron más de 300.000 millones de tokens de texto regional mediante preentrenamiento continuo. La infraestructura de AWS redujo el entrenamiento de 25 a 9 días. La propia página del proyecto reconoce que su primera versión rinde por debajo de otros modelos en algunas pruebas.
Nada de eso le resta mérito al proyecto, pero muestra que la soberanía en IA se negocia por capas: el modelo base viene de Meta, la nube de Amazon, y lo propio es el corpus y el conocimiento de quienes lo ajustaron. Lo mismo vale para IFX, que anunció cerca de USD 169 millones en Colombia para 2026 y 2027 en centros de datos y conectividad. Más capacidad física en el país no cambia quién fabrica los chips ni quién entrena los modelos.
Adaptar tampoco elimina la dependencia. La nota conceptual del Informe sobre el Desarrollo Mundial considera que disponer de modelos base abiertos, desarrollados en economías avanzadas, es un requisito para adaptar la IA al contexto local. Es la lógica que describí en «La IA que trabaja no cruza la frontera», con una diferencia, porque allí la dependencia venía de esperar el turno de otro, y aquí viene incluida en cualquiera de los dos caminos.
Donde sí se decide el valor
El propio informe recuerda que una manufacturera mediana de São Paulo puede acceder por la nube a los mismos modelos que una empresa de Silicon Valley. Aun así, en el embudo de su muestra de empresas brasileñas que ya adoptan IA, el 60% al menos experimentó, solo el 37% llegó a la fase piloto o más allá y apenas el 28% está escalando su uso. Con las mismas herramientas disponibles, más de la mitad se queda en la prueba.
La diferencia con las economías avanzadas está en la organización. Entre esas empresas, el 38% capacita a sus empleados en IA, frente a cerca del 75% en el G7, y solo el 17% creó un equipo dedicado o un cargo de alta gerencia para la IA, frente a cerca del 50% en el G7. Para el informe, el cuello de botella es pasar de usar herramientas genéricas a adaptar los modelos a los datos y flujos de trabajo de cada empresa.
El argumento de construir primero
Quienes defienden construir primero tienen argumentos sólidos. Sin energía, conectividad y cómputo no hay escala posible, y un modelo regional abierto le da a Latam algo que ningún proveedor puede retirarle. Concedo las dos cosas: hay un techo físico, y Latam-GPT dejó capacidades que antes no existían. Pero esas capacidades viven en más de 60 instituciones, y las empresas brasileñas ya están por debajo del techo actual. La infraestructura y el modelo propio son condiciones necesarias, y ninguna de las dos forma a la gente ni cambia la gestión que la absorción exige.
El obstáculo es de conocimiento antes que de dinero. En Costa Rica, el 63% de las empresas que no usan IA señala la falta de conocimiento especializado interno como su principal barrera, frente al 29% que menciona los costos. El informe encuentra el mismo patrón en Argentina y México. Chile es la excepción, donde el financiamiento encabeza la lista (42%), seguido de cerca por las habilidades del personal (36%).
Es la brecha de diseño y supervisión que analicé en «Adoptamos más IA que el mundo. ¿Por qué no se nota?», ahora con respaldo multilateral. El Banco Mundial advierte que actuar tarde afianzaría el dualismo estructural de la región, además de posponer las ganancias de productividad.
La región va a seguir comprando la capa base, sea en licencias o en modelos ajustados sobre arquitecturas ajenas. La decisión que sí le pertenece es cuánto invierte en que sus empresas sepan usarla. Si en dos años sumamos centros de datos y el embudo de Brasil sigue igual, habremos financiado capacidad que nadie aprendió a absorber, y la dependencia será doble: de quien fabrica la tecnología y de quien sabe usarla.
Fuentes: Banco Mundial, Panorama económico de América Latina y el Caribe: Aprovechando la transición de la IA (octubre de 2026), Informe sobre el Desarrollo Mundial 2026 y su nota conceptual; CENIA y LatamGPT.org; Portafolio (IFX).
