H

oy en día, el desarrollo de la inteligencia artificial está controlado por un pequeño grupo de empresas. Compañías como OpenAI, Alphabet, Amazon, Meta y Microsoft dominan el mercado gracias a sus vastos recursos computacionales, sus enormes bases de datos propias, su gran cantidad de talento técnico, sus prácticas de extracción de datos, su mano de obra barata y su capital, que les permiten realizar experimentos continuos y una rápida implementación.

Este dominio trae consigo problemas: violaciones de privacidad y estrategias laborales orientadas a minimizar costos, altos costos ambientales derivados de los centros de datos y sesgos evidentes en los modelos que pueden reforzar la discriminación en la contratación, la atención médica, la puntuación crediticia, la vigilancia policial y más.

Sin embargo, está surgiendo un modelo diferente, sin mucho alboroto, pero con un potencial real. Las cooperativas de IA (organizaciones que desarrollan o gestionan tecnologías de IA basadas en principios cooperativos) ofrecen una alternativa prometedora. El movimiento cooperativo, con su presencia global y diversidad de modelos, ha tenido éxito en la banca y la agricultura, así como en los seguros y la manufactura. Las empresas cooperativas, que son propiedad de sus miembros y están gobernadas por ellos, llevan mucho tiempo gestionando infraestructuras para el bien público.

Un puñado de cooperativas de IA ofrece los primeros ejemplos de cómo la gobernanza democrática y la propiedad compartida podrían dar forma a usos de tecnología más responsables y centrados en la comunidad. Esto es lo que pueden hacer las cooperativas.

1. Democratizar la gobernanza de datos

Las cooperativas de IA aún son pequeñas y están en desarrollo, pero las que existen dan una idea de cómo podría ser un tipo diferente de infraestructura y gobernanza de datos, y cómo pueden cambiar la forma en que se controlan y se accede a ellos. MIDATA es una cooperativa suiza sin fines de lucro dedicada a los datos de salud, que pone a los ciudadanos al mando de su propia información médica. Los miembros abren una cuenta de datos segura y encriptada, y pueden conceder de forma selectiva a los investigadores acceso a sus datos personales de salud, todo mientras gobiernan la cooperativa de forma democrática a través de su asamblea general. Construida sobre infraestructura de código abierto del ETH Zurich y la Universidad de Ciencias Aplicadas de Bern, MIDATA respalda la creación de cooperativas hermanas regionales o nacionales, permitiendo una investigación justa, transparente y coordinada a nivel global sin sacrificar el control individual.

2. Llevar la investigación a la sociedad civil

Los debates más importantes sobre la IA se desarrollan en círculos elitistas (congresos académicos, centros de pensamiento, laboratorios financiados por capital riesgo). Pero las decisiones que se toman allí tienen consecuencias cotidianas. El movimiento cooperativo está en una posición única para socializar estos debates, llevando la IA a los ayuntamientos, centros comunitarios y asambleas ciudadanas.

3. Impulsar la educación

Cerrar la brecha de conocimiento sobre la IA no es solo una cuestión de traducción, sino también de poder. La Alianza Cooperativa Internacional (la principal organización que representa a los mil millones de personas que participan en cooperativas en todo el mundo) podría liderar el uso de la IA para la educación cooperativa a nivel global. Las cooperativas pueden crear plataformas de aprendizaje multilingües basadas en audio y dotadas de IA, que ofrezcan formación profesional a sus miembros.

4. Construir modelos alternativos de propiedad

La propiedad da forma a la dirección. OpenAI comenzó como una organización sin fines de lucro “para la humanidad”, luego cambió a un modelo de ganancias limitadas para atraer capital de riesgo, un movimiento que fue tanto ideológico como legal. Las cooperativas, por el contrario, utilizan reservas indivisibles y una gobernanza democrática para mantenerse alineadas con sus objetivos a largo plazo.

5. Adaptar críticamente la ia para fines cooperativos

No toda la IA se adapta naturalmente a los modelos cooperativos. Pero en aquellos casos donde sí lo hace (como las cooperativas de plataformas, los bienes comunes de datos y las herramientas de gobernanza), existe un espacio real para construir. El desafío consiste en rediseñar el propio desarrollo de la IA, no simplemente “usar mejor la IA”. Eso significa invertir en infraestructura, marcos legales y formas organizacionales que garanticen la rendición de cuentas desde el principio.

La IA no es simplemente un salto tecnológico: es un reinicio sistémico, uno que definirá cómo operan las instituciones y a quién sirven. Los experimentos cooperativos que se están desarrollando hoy no escalarán de la noche a la mañana. Pero, mediante principios alineados, coordinación global y asociaciones concretas entre los sectores público y privado, pueden ayudar a remodelar el panorama.

E

n octubre del 2021 el CEO de Facebook, Mark Zuckerberg, anunció que su compañía está cambiando de nombre a Meta. El cambio de imagen ha sido criticado por muchas razones: es un intento de distraer de las críticas que recientemente ha enfrentado la empresa, el metaverso al que se refiere su nuevo nombre no es bien conocido o entendido. Además, la nueva marca fue introducida sin ningún cambio substantivo en la compañía.

Zuckerberg le explicó el cambio de imagen a sus colegas diciendo, “es momento de que adoptemos una nueva marca que abarque todo lo que hacemos.” Sin embargo, actualmente las redes sociales siguen en el centro de las operaciones e ingresos de la compañía. Al adoptar un nombre de marca basado en capacidades y productos potenciales que, de acuerdo al propio Zuckerberg, podrían no estar establecidas durante casi una década, la compañía se ha posicionado para, en el mejor de los casos, confundir a la gente; y, en el peor de los casos, decepcionarla, degradando aún más su confianza en la compañía.

Los consumidores actuales son conocedores. Debe ofrecérseles algo substancialmente diferente o ver evidencia de los problemas que han sido resueltos antes de que crean que una compañía ha cambiado. Demandan autenticidad de las marcas con las que hacen negocios.

Al adoptar un nuevo nombre, Facebook quizá intente decir que está desarrollando tecnologías innovadoras que reúnen a las personas en formas nuevas y emocionantes. Sin embargo, en realidad es una compañía que está construyendo y promoviendo productos potencialmente peligrosos, albergando una cultura laboral disfuncional y perdiendo la fe de sus consumidores. Antes de anunciar una nueva marca, debería haber atendido estos problemas y haberse establecido como un proveedor de productos o aplicaciones del metaverso.

Eso es lo que hizo Google cuando su entidad corporativa fue renombrada como Alphabet en 2015. Para ese momento ya se había convertido en un conglomerado tecnológico que abarcaba un amplio rango de compañías y productos. Como resultado, el cambio de marca no solo tuvo sentido, sino que también minimizó las asociaciones entre Google y sus compañías hermanas, protegiendo a Google de preocupaciones públicas acerca de tecnologías emergentes (drones, vehículos autónomos) y escudando a las otras entidades de las expectativas de ganancias que Wall Street puso en Google.

Por supuesto, no todas las compañías recurren a cambios de nombre para reparar su imagen pública. Piense en la transformación de Microsoft. Cuando su CEO, Satya Nadella, se lanzó a rehacer la empresa y atender a sus críticos, la compañía abrazó la IA, las tecnologías móviles y las estrategias enfocadas en la nube; se abrió a asociaciones; buscó adquisiciones agresivamente; e implementó la transformación digital en sus operaciones. Nadella transformó la cultura de la compañía, de una de conflictos internos e inercia a otra que prospera a partir de la colaboración y la obsesión con los consumidores. Y, sin embargo, Microsoft no ha cambiado de nombre o promovido los cambios. En lugar de ello, ha recurrido a sus cambios operativos y de cultura para resucitar su empresa y cambiar la opinión pública.

Mucha gente se refiere a una marca como una promesa. Sin embargo, una marca debe ser una promesa cumplida. Con su esfuerzo de cambio de marca, Facebook está haciendo promesas que no parece capaz de cumplir en este momento. Mientras no demuestre que está haciendo cambios reales, Meta no será más que el mismo Facebook de siempre con otro nombre.

“

La ingeniería es fácil. Las personas son difíciles”. Esa cita proviene del tecnólogo Bill Coughran, cuya carrera abarca los Laboratorios Bell, Google y la famosa firma de capital de riesgo Sequoia.

En noviembre, OpenAI aprendió la sabiduría de esta lección a menudo olvidada.

El laboratorio de inteligencia artificial, fundado por Sam Altman, Elon Musk y otros, ha cambiado el mundo con el lanzamiento de su modelo de lenguaje ChatGPT. Su destreza en ingeniería e innovación de productos están fuera de toda duda.

Pero OpenAI intentó combinar eso con una importante innovación en materia de gobernanza destinada a controlar su impacto a largo plazo. Y esa innovación fracasó estrepitosamente cuando la junta destituyó a Altman y casi destruyó la valoración de 80,000 millones de dólares de la empresa.

Los ingredientes inusuales de la estructura de gobernanza de OpenAI se han analizado recientemente: Es una organización sin fines de lucro que controla una organización con fines de lucro; los empleados tenían participación accionaria en la organización con fines de lucro, pero el CEO y los directores no; los inversionistas en la empresa con fines de lucro tenían un límite en el rendimiento que podían recibir, y no tenían derechos de control, porque permanecían en la junta directiva de la organización sin fines de lucro. (De hecho, el CEO de Microsoft, el mayor inversor de OpenAI, sólo se enteró de la destitución justo antes de que ocurriera).

Al combinar los modelos con y sin fines de lucro, OpenAI esperaba lo mejor de ambos mundos. En cambio, obtuvo lo peor, y subrayó la importancia de las mejores prácticas en gestión y gobernanza. Los fundadores y las empresas innovadoras pueden verse tentados a reinventar todo al mismo tiempo. Sin embargo, las startups exitosas se resisten a hacerlo. Se centran en cambiar algo importante (generalmente el producto) mientras duplican las mejores prácticas en otras áreas.

Mi investigación ha esbozado las mejores prácticas para startups exitosas. En ese trabajo, he descrito cómo las startups pueden fracasar cuando los fundadores actúan como monarcas sin restricciones. Eso fue, en parte, el fracaso de FTX. Y es por eso que las startups más exitosas suelen ceder el control gradualmente del fundador a los inversionistas, la gerencia y otros empleados. Idealmente, todos estos grupos están alineados a través del capital social de la empresa, pero ninguna persona tiene el control total.

A principios de noviembre, Brad Smith, presidente de Microsoft, intentó hacer una distinción entre la estructura de gobernanza de OpenAI y la de un gigante tecnológico como Meta. “¿En cuál tendría más confianza?” preguntó. «¿Obtener su tecnología de una empresa sin fines de lucro, o de una empresa con fines de lucro que es totalmente controlada por un ser humano?»

Desafortunadamente, esa declaración resultó acertada, pero no en la forma en que Smith la expresó. La toma de decisiones de OpenAI resultó mucho más similar a las monarquías tecnológicas de las que se burlaba. Hay un viejo dicho que dice que «la monarquía es el mejor método de toma de decisiones del mundo, siempre y cuando el monarca sea infalible». La junta directiva de OpenAI solo era responsable ante sí misma y su interpretación subjetiva de la misión de la organización sin fines de lucro, lo que llevó al caos y al fallido golpe contra Altman. Esto no es, por decir lo menos, una mejora del gobierno corporativo. Es un vaciamiento.

¿Qué pasa ahora? Altman está de vuelta como CEO, aunque quedó fuera de la junta reconstituida. Todos menos uno de los miembros de la junta que lo destituyeron se han ido. Pero hasta ahora no está claro si se producirán mejoras en la gobernanza.

Los cambios importantes en el modelo operativo o de gobierno de una startup son particularmente peligrosos. Los cambios significativos que se realizan a medida que una startup crece corren el riesgo de hundir la empresa. Y ahí es donde se encuentra OpenAI. Necesita limitar su experimentación a la investigación y los productos de IA, y adoptar cuidadosamente un modelo de gobernanza más probado en el tiempo. Pero llegar de aquí hasta allí estará plagado de dificultades. Lo más difícil son las personas, no la ingeniería.

E

l lanzamiento del modelo R1 de DeepSeek a finales de enero de 2025 provocó un fuerte descenso de las valoraciones del mercado en toda la cadena de valor de la IA, afectando tanto a los desarrolladores de modelos como a los proveedores de infraestructura. Los inversionistas vieron en R1 un competidor poderoso (y económico) frente a los modelos de IA estadounidenses, lo que puso en duda las proyecciones de crecimiento extraordinario que habían justificado las valuaciones elevadas. Sin embargo, para aquellos que han estado atentos, la llegada de DeepSeek (o algo parecido) era inevitable.

Aun así, este es un momento útil para reflexionar sobre hacia dónde se dirige la IA. Más que considerar a DeepSeek R1 como un punto de inflexión, es más útil verlo como un indicador de dónde estamos realmente ahora, y un presagio de lo que está por venir.

He aquí cinco lecciones que los líderes empresariales deberían extraer de este momento.

1. Del reconocimiento de patrones a la resolución de problemas

Los modelos de lenguaje de gran tamaño (LLM, por sus siglas en inglés) se robaron el protagonismo en 2023 y 2024, pero en 2025 quedaremos asombrados por los sistemas de IA capaces de razonar, planificar y operar de manera autónoma. Esto se debe a que dos tendencias interrelacionadas dominarán el panorama de la IA este año: el auge de los modelos de razonamiento y la llegada de agentes de IA listos para el uso generalizado. Estas capacidades dependen en gran medida del aprendizaje por refuerzo (RL, por sus siglas en inglés), un método para entrenar a un agente inteligente para que tome una secuencia de decisiones óptimas. Piense en ello como aprender a jugar un videojuego: Cuando acierta en el blanco, salta sobre un abismo o adivina una palabra, gana puntos. A medida que juega, aprende a realizar acciones que son recompensadas.

La última generación de modelos, como GPT-4, era asombrosa para identificar patrones: Se entrenaban con enormes volúmenes de información, la contextualizaban y nos dejaban sin palabras con sus predicciones precisas del siguiente término en una conversación.

DeepSeek R1 es un modelo de razonamiento gratuito, al igual que los modelos ChatGPT o3-mini de OpenAI y Copilot o1 de Microsoft. Estos modelos representan un cambio crucial de la simple predicción de la siguiente palabra a la resolución metódica de problemas que se basa en gran medida del aprendizaje por refuerzo. Gracias a esta capacidad de razonamiento, estos modelos pueden desempeñarse mucho mejor que sus predecesores en tareas específicas, como resolver problemas matemáticos.

Con la capacidad de desglosar y razonar los problemas, los agentes de IA son capaces de aprender a navegar dinámicamente por flujos de trabajo complejos, adaptándose a nueva información a medida que surge en el proceso de realización de tareas, en lugar de limitarse a scripts rígidos y predefinidos. Esto es justo lo que hacemos los humanos en nuestro trabajo diario, como cuando los agentes de servicio al cliente responden consultas, los empleados administrativos organizan horarios y planifican viajes, o los analistas de datos recopilan información, la analizan y redactan un informe.

2. El punto de inflexión económico de la IA

Uno de los grandes titulares en torno a DeepSeek R1 es su supuesto costo de desarrollo de 5.5 millones de dólares. Esta cifra es engañosa. Probablemente solo refleje el costo de una única prueba de entrenamiento, sin incluir los gastos de infraestructura, ingeniería e implementación. Una cifra total que incluyera esos gastos sería mucho más alta, aunque significativamente inferior a las estimaciones de los costos de desarrollo de OpenAI, Anthropic, Google y otros modelos con los que compite R1.

En lugar de centrarnos únicamente en estas cifras, deberíamos prestar más atención a los costos de inferencia, es decir, los gastos asociados al uso real de los modelos una vez que han sido entrenados. El entrenamiento requiere una inversión inicial sustancial, pero los costos de inferencia son cruciales para las aplicaciones empresariales. DeepSeek R1 y otros modelos recientes, incluida la serie de modelos Llama de Meta, han logrado reducciones significativas en estos costos.

Por regla general, la caída de los precios tiende a estimular la competencia y a impulsar la adopción por parte de los usuarios. Basta pensar en la caída de los precios ajustados al rendimiento en mercados de productos electrónicos (teléfonos inteligentes, televisores, ordenadores portátiles) impulsada por el aumento de la eficiencia en la producción de semiconductores. Esta es la Ley de Moore, que impulsa la caída de los precios y el aumento de las tasas de adopción de demasiados productos finales. Lo mismo está sucediendo en la IA.

3. La IA de código abierto y la propietaria coexistirán

Una de las razones por la que deberíamos haber anticipado un desarrollo como DeepSeek R1 es la lógica económica del software de código abierto. Históricamente, los proyectos de código abierto han desafiado a las soluciones propietarias al reducir significativamente los costos, como sucedió con Unix/Linux en la informática empresarial, Android en los sistemas operativos móviles, MySQL en las bases de datos y, por supuesto, Llama en la IA. La ventaja en costos del software de código abierto está bien documentada. Era predecible que la IA siguiera una trayectoria similar.

Las empresas como OpenAI, Alphabet y Anthropic siguen estando a la vanguardia en cuanto a capacidades multimodales, seguridad (parece fácil vulnerar DeepSeek R1) y otros puntos de referencia. Aun así, los modelos de código abierto como DeepSeek R1 han reducido la brecha en el razonamiento basado en texto y han demostrado una eficiencia notable. Su potencial para aplicaciones empresariales se refleja en la decisión inmediata de Microsoft de integrar DeepSeek R1 en Azure. Dado su menor costo y mayor flexibilidad, los modelos abiertos como DeepSeek R1 serán muy atractivos para los usuarios, al igual que los modelos de lenguaje más pequeños como Phi-4 de Microsoft, que han demostrado un gran rendimiento en muchos casos de uso.

Por ahora, todo apunta a un mercado con una amplia gama de participantes, en lugar de un escenario donde un solo actor domine casi todo.

4. La escasez de chips impulsa la innovación algorítmica

Otro aspecto de la reacción ante DeepSeek R1 se ha centrado en la “sorprendente” noticia de que China parece haber alcanzado a Estados Unidos en cuanto a modelos de IA de vanguardia. Las restricciones estadounidenses a la exportación pretendían limitar el acceso chino a los semiconductores más avanzados y preservar el liderazgo estadounidense en la investigación de IA. El hecho de que este enfoque no haya tenido un éxito total no debería ser una gran sorpresa. La necesidad es la madre de la invención. Las limitaciones de chips han llevado a los investigadores chinos a priorizar la eficiencia algorítmica sobre la potencia bruta de cálculo, una estrategia que podría resultar profética a medida que se dispara el consumo de energía de los centros de datos.

5. DeepSeek R1 no lo cambió todo

Dicho todo esto, los principales laboratorios de IA y los gigantes tecnológicos de Occidente (incluidos Microsoft, Meta, Alphabet y Amazon) seguirán invirtiendo a niveles vertiginosos, asegurando que la demanda de GPU e infraestructura de IA de última generación siga siendo alta. Los modelos abiertos no reemplazarán por completo a los propietarios, y es probable que sigamos viendo un consumo inmenso de recursos computacionales en el entrenamiento e inferencia de modelos. Como resultado, la carrera por desarrollar los sistemas de IA más avanzados continuará impulsando la demanda de chips de alto rendimiento e infraestructura en la nube a gran escala, a pesar de que en estos momentos los costos de inversión superan con creces los ingresos de muchas empresas del sector.

Además, los grandes compradores de infraestructura de Occidente están indudablemente preocupados por el riesgo de suministro, ya que la mayoría de los semiconductores avanzados se fabrican en una planta de TSMC ubicada en Taiwán.

Podría decirse que el ritmo del avance de la IA, así como la importancia social y económica de este conjunto de tecnologías, no tiene precedentes históricos. Con el aprendizaje por refuerzo que permite avances en los modelos de razonamiento y los agentes de IA, que a su vez darán lugar a innumerables aplicaciones nuevas, 2025 estará repleto de momentos “DeepSeek”. Se esperan avances continuos, un aumento de los casos de uso en el mundo real y el verdadero inicio de una transformación económica a escala sísmica.