Field Notes · IA · Geopolítica empresarial · Infraestructura
La conversación pública sobre inteligencia artificial se queda muchas veces en la superficie: qué modelo responde mejor, qué chatbot parece más listo, qué herramienta escribe mejor un correo o qué empresa lanza la demo más impresionante.
Pero la batalla real es más profunda.
La IA no es solo software. Es una nueva estructura de poder económico, tecnológico y geopolítico construida sobre cinco capas: modelos, datos, chips, nube y energía.
Quien controle esas capas no solo tendrá mejores productos. Tendrá capacidad para definir costes, velocidades de innovación, dependencia empresarial, acceso a talento, estándares de seguridad y, probablemente, una parte importante de la productividad futura.
Por eso la carrera de la IA se parece menos a una guerra de aplicaciones y más a una carrera industrial.
1. OpenAI: producto, velocidad y distribución
OpenAI ha tenido una ventaja difícil de exagerar: convirtió la IA generativa en un producto de uso masivo.
ChatGPT no fue solo una tecnología. Fue una interfaz. De repente, millones de personas entendieron que podían hablar con una máquina y recibir ayuda para escribir, resumir, programar, aprender, traducir, analizar o pensar mejor.
Ese salto de investigación a hábito es enorme.
Pero OpenAI también tiene una tensión estructural: necesita cantidades gigantescas de cómputo, capital, centros de datos y socios de infraestructura. Su relación con Microsoft ha sido clave, pero la carrera ya no se juega solo en modelos. Se juega en capacidad de servirlos a escala y monetizarlos sin que el coste se coma la promesa.
Proyectos como Stargate muestran hasta qué punto la IA se ha convertido en infraestructura. Ya no basta con tener talento investigador. Hace falta construir capacidad física: data centers, energía, chips, refrigeración, financiación y acuerdos industriales.
2. Microsoft: distribución empresarial y control del puesto de trabajo
Microsoft juega desde una posición distinta.
No necesita convencer al mundo de que use software empresarial. Ya está dentro: Windows, Office, Teams, Azure, GitHub, Dynamics, LinkedIn.
Su ventaja no es solo tener modelos. Es tener distribución.
Copilot puede entrar en documentos, reuniones, correo, código, seguridad, CRM, analítica y flujos internos. Eso significa que Microsoft puede convertir la IA en una capa del trabajo cotidiano, no solo en una herramienta aparte.
La pregunta para Microsoft no es si puede distribuir IA. Puede. La pregunta es si el valor percibido por las empresas justificará el coste, la complejidad y el cambio de hábitos.
Porque una cosa es tener Copilot instalado. Otra es rediseñar cómo trabaja una organización.
3. Google / DeepMind: investigación, datos y paciencia estratégica
Google tiene una posición extraña: durante años fue uno de los grandes centros de investigación en IA, pero OpenAI le ganó el momento cultural con ChatGPT.
Eso no significa que Google esté fuera de juego. Al contrario.
Tiene DeepMind, Gemini, TPUs propios, Google Cloud, Android, YouTube, Search, Workspace y una cantidad de datos, talento e infraestructura difícil de replicar.
Su reto es otro: transformar profundidad técnica y distribución global en productos que el mercado perciba como inevitables.
Google sabe hacer IA. La cuestión es si puede convertirla en ventaja empresarial sin erosionar demasiado su negocio histórico de búsqueda y publicidad.
4. Anthropic: seguridad, empresa y confianza
Anthropic ha construido una marca alrededor de Claude, seguridad, alineamiento y uso profesional.
Su posición es interesante porque no compite solo por ser “más lista”, sino por ser confiable en entornos empresariales donde importan privacidad, consistencia, razonamiento, explicación y límites.
Pero Anthropic también muestra otra realidad de la IA: incluso las compañías más sofisticadas necesitan infraestructura ajena. Amazon y Google han sido socios importantes. Y la información reciente sobre conversaciones de Anthropic para usar chips de Microsoft refuerza la idea central: la carrera de modelos depende de la carrera de cómputo.
La IA no vive en la nube como metáfora. Vive en máquinas concretas que cuestan muchísimo dinero.
5. Meta: escala social, modelos abiertos y superinteligencia
Meta tiene una ventaja que a veces se infravalora: distribución social masiva.
Facebook, Instagram, WhatsApp y sus plataformas le dan acceso a miles de millones de usuarios. Además, su estrategia con Llama y modelos más abiertos ha presionado al mercado de forma importante.
Meta también ha reforzado su apuesta por superinteligencia y talento, incluyendo movimientos alrededor de Scale AI y Alexandr Wang. Su lógica parece clara: si la IA cambia la próxima interfaz digital, Meta no quiere depender de otros.
La pregunta es si esa apuesta se convertirá en productos útiles y rentables o en una carrera de gasto cada vez más cara.
6. Amazon / AWS: vender las palas de la fiebre del oro
Amazon juega una parte de la carrera desde AWS.
No necesita que todos usen un chatbot propio. Necesita que muchas empresas entrenen, desplieguen, almacenen y ejecuten IA sobre su infraestructura.
Además, su inversión en Anthropic y sus chips Trainium e Inferentia muestran que Amazon quiere capturar más margen de la infraestructura, no limitarse a revender GPUs de terceros.
En una carrera donde el cuello de botella es cómputo, quien vende capacidad tiene una posición muy poderosa.
7. Nvidia: el poder del cuello de botella
Nvidia es quizá la empresa que mejor simboliza esta fase.
No controla necesariamente la aplicación final. Pero controla una parte crítica de la infraestructura: GPUs, software, ecosistema CUDA y relaciones con hyperscalers, laboratorios y empresas.
Durante la fiebre del oro, suele ganar mucho quien vende las palas. En IA, Nvidia ha vendido muchas palas.
Pero el poder de Nvidia también crea reacción. Microsoft, Amazon, Google, Meta, OpenAI y otros quieren reducir dependencia con chips propios o alternativas. AMD, Broadcom, Google TPUs, Amazon Trainium, Microsoft Maia y otros esfuerzos forman parte de esa respuesta.
El mercado no quiere un único cuello de botella. Pero, de momento, el cuello de botella tiene mucho poder.
8. TSMC, ASML y la parte que casi nadie ve
La IA también depende de empresas que el público general menciona menos.
TSMC fabrica buena parte de los chips avanzados del mundo. ASML fabrica las máquinas de litografía extrema necesarias para producir semiconductores de última generación. Micron, Samsung y SK Hynix aportan memoria de alto ancho de banda, cada vez más crítica para IA.
Reuters ha informado recientemente de la fuerte presión sobre ASML por la demanda de IA, robótica y otras industrias, y de cómo el mercado de semiconductores puede seguir tensionado. También ha señalado el auge de Micron por la demanda de memoria vinculada a IA.
Esto significa que la IA no depende solo de Silicon Valley. Depende de una cadena industrial global: Países Bajos, Taiwán, Corea, Japón, Estados Unidos, China, Europa y muchas decisiones geopolíticas.
Un modelo puede parecer intangible. Su cadena de suministro no lo es.
9. China: autonomía, escala y geopolítica
China no compite solo por tener mejores modelos. Compite por autonomía tecnológica.
Quiere reducir dependencia de chips occidentales, desarrollar modelos propios, desplegar IA en industria, vigilancia, administración, consumo, defensa y productividad, y construir infraestructura a gran escala.
El ejemplo de centros de datos alimentados por energías alternativas o refrigeración más eficiente muestra algo importante: la IA no es solo software nacional. Es política industrial.
Estados Unidos y China no están compitiendo únicamente por chatbots. Compiten por capacidad de cómputo, talento, estándares, aplicaciones militares, productividad industrial y dependencia global.
10. Europa: regulación, talento y una pregunta incómoda
Europa tiene talento, investigación, regulación y empresas importantes. Pero no tiene, al mismo nivel, las plataformas globales, la nube, el capital, los chips ni la escala de Estados Unidos o China.
Su gran apuesta ha sido regular antes y mejor.
Eso puede ser una ventaja si crea confianza. Pero también puede convertirse en desventaja si frena adopción, capital o velocidad empresarial. Incluso el CEO de ASML ha criticado el exceso regulatorio europeo y ha pedido reformas para no limitar la adopción de IA.
La pregunta europea no es si la regulación importa. Importa.
La pregunta es si Europa puede combinar regulación con industria, inversión, adopción empresarial y soberanía tecnológica real.
Datos: ¿robo, uso legítimo o zona gris?
Una de las preguntas más delicadas es si las empresas de IA “roban datos”.
La respuesta precisa es menos cómoda que un sí o un no.
Las empresas suelen hablar de entrenamiento con datos públicos, datos licenciados, datos generados por usuarios, contenido propio, acuerdos con editores, datos sintéticos y datasets filtrados. Pero gran parte del conflicto legal nace de una pregunta todavía muy viva: ¿entrenar modelos con obras protegidas, contenido web, libros, noticias o imágenes sin permiso explícito es uso legítimo, infracción de copyright o una zona gris que la ley está intentando ordenar?
Hay demandas contra OpenAI, Microsoft, Anthropic, Meta, Stability AI, Perplexity y otros actores. En el caso de Anthropic, los tribunales estadounidenses distinguieron entre el entrenamiento como posible fair use y el uso de copias pirateadas para crear una biblioteca interna. Después, Anthropic aceptó un acuerdo multimillonario con autores por el uso de libros pirateados.
Así que no conviene simplificarlo como “roban datos” sin matices.
Pero tampoco conviene aceptar sin más que todo lo público es libre para entrenar sistemas que luego pueden competir económicamente con quienes produjeron ese contenido.
La batalla por los datos es también una batalla por quién captura el valor del conocimiento humano acumulado.
Energía: la factura física de lo digital
La IA tiene un coste que no aparece cuando abrimos un chatbot.
Electricidad. Agua. Refrigeración. Chips. Centros de datos. Redes. Terreno. Permisos. Capital. Contratos de nube. Mantenimiento. Red eléctrica.
Un estudio reciente sobre concentración de centros de datos de IA proyecta que el consumo eléctrico agregado de seis firmas líderes podría crecer desde unos 118 TWh en 2024 hasta entre 239 y 295 TWh en 2030, con presión regional en lugares como Virginia, Oregón e Irlanda.
Esto no significa que la IA sea inviable. Significa que su expansión no es gratis ni abstracta.
La monetización tiene que pagar una estructura física enorme.
Ahí está una de las grandes preguntas de los próximos años: ¿podrán las empresas convertir el uso de IA en ingresos suficientes para justificar la inversión en cómputo, chips y energía?
Si la respuesta es sí, veremos una nueva capa de infraestructura económica. Si la respuesta es parcial, veremos concentración, ajustes, fusiones, presión sobre precios y quizá una separación clara entre ganadores y productos que parecían impresionantes pero no pagaban su propia factura.
Corto, medio y largo plazo
En el corto plazo, veremos más agentes, más integración en software empresarial, más automatización de tareas concretas y más presión para demostrar retorno. La pregunta pasará de “¿tenemos IA?” a “¿dónde nos está ahorrando dinero, mejorando ingresos o reduciendo riesgo?”.
En el medio plazo, la batalla será por infraestructura y distribución. Ganarán quienes combinen modelos suficientemente buenos, costes razonables, confianza empresarial, datos propios, integración en flujos reales y capacidad de cómputo.
En el largo plazo, la IA puede reorganizar industrias enteras si se convierte en una capa estable de trabajo, decisión, diseño, servicio y coordinación. Pero eso no ocurrirá solo por tener mejores demos. Ocurrirá si la tecnología se integra en operaciones reales, con economía sostenible.
La conclusión menos espectacular
La IA parece una carrera de inteligencia. En realidad también es una carrera de capital, energía, chips, datos, regulación, distribución y confianza.
El mejor modelo no siempre ganará.
Ganará quien consiga convertir capacidad técnica en uso real, coste sostenible, adopción empresarial, confianza y ventaja acumulativa.
Por eso conviene mirar más allá del chatbot.
La pregunta no es solo qué modelo responde mejor hoy.
La pregunta es quién controla las capas que harán posible que la IA funcione mañana.