Henrry Zaira / IA soberana

IA soberana: el poder de decidir en la nueva economía digital

Resumen

La inteligencia artificial (IA) ha convertido la dependencia tecnológica en una cuestión de seguridad económica, continuidad operativa y capacidad de decisión. Este artículo analiza la IA soberana como una arquitectura de autonomía que permite a Estados y organizaciones conservar control significativo sobre datos, operaciones, infraestructura y software, sin asumir que la autosuficiencia absoluta sea viable ni deseable. El trabajo examina la soberanía de datos, operativa, de infraestructura y algorítmica; la reindustrialización vinculada a los semiconductores; la concentración de poder en corporaciones tecnológicas; y la fragmentación del ecosistema digital entre Estados Unidos, China y la Unión Europea. Se incorporan los casos de DeepSeek y Kimi K3 para mostrar cómo los modelos de pesos abiertos amplían el margen de elección, aunque no eliminan los riesgos asociados a jurisdicción, licencias, datos y soporte. Finalmente, se propone un marco de análisis de la disrupción basado en sus efectos sobre la oferta, la demanda y el entorno regulatorio. Se sostiene que la IA soberana no equivale al aislamiento tecnológico, sino a la capacidad de administrar interdependencias sin renunciar al control de las funciones críticas.

1. Introducción

El despliegue acelerado de la inteligencia artificial ha puesto de relieve que la dependencia tecnológica no es solo un asunto de balanza comercial ni de modernización administrativa. Cuando los modelos fundacionales, los servicios de nube y la capacidad de cómputo pasan a sostener funciones estatales y corporativas, la disponibilidad de esas capacidades se convierte en una condición para decidir, operar y responder ante contingencias. Por ello, la soberanía tecnológica ha recuperado centralidad como problema estratégico.

La expresión IA soberana suele utilizarse para describir esfuerzos orientados a preservar control sobre los activos y decisiones que sostienen el uso de inteligencia artificial. No se trata de desconectarse de las cadenas globales de valor ni de fabricar localmente cada componente tecnológico. Se trata, más bien, de reducir dependencias críticas, conservar conocimiento interno y mantener la posibilidad real de elegir, sustituir o supervisar tecnologías que afectan funciones esenciales (Deloitte, 2023; McKinsey & Company, 2025).

La urgencia de esta agenda responde también a un cambio geopolítico. La IA se ha convertido en una infraestructura de poder y su desarrollo ocurre en un entorno marcado por la competencia entre Estados Unidos y China, la concentración corporativa de cómputo y nube, y la fragmentación de los marcos regulatorios. Las decisiones sobre datos, semiconductores, modelos fundacionales y servicios digitales ya no son puramente técnicas: determinan márgenes de decisión económica, política y estratégica.

Este artículo define las dimensiones operativas de la soberanía tecnológica, analiza las estrategias recientes de Estados y organizaciones, e incorpora la tecnopolaridad y la fragmentación digital como condiciones que explican el renovado interés por la IA soberana. Finalmente, propone un marco para evaluar su impacto en la oferta, la demanda y el entorno regulatorio.

2. Definiciones operativas de soberanía tecnológica

La soberanía tecnológica no se reduce a un proyecto de autosuficiencia cerrada ni a la ruptura de los flujos transfronterizos de tecnología. En sectores de alta complejidad, ninguna economía controla por sí sola todos los recursos, insumos y conocimientos necesarios. En términos operativos, la soberanía tecnológica puede entenderse como la capacidad de una nación, una organización o un bloque regional para participar en el ecosistema digital sin perder el control sobre sus funciones críticas, sus datos y sus decisiones esenciales (Deloitte, 2023; McKinsey & Company, 2025).

Para evitar que el concepto quede en el plano declarativo, conviene distinguir cuatro dimensiones interdependientes: soberanía de datos, soberanía operativa, soberanía de infraestructura y soberanía de software y algoritmos. La debilidad en cualquiera de ellas puede comprometer la autonomía del conjunto.

2.1. Soberanía de datos

La soberanía de datos constituye el punto de partida de la autonomía digital. Supone conocer dónde se alojan los datos, bajo qué jurisdicción se procesan, quién puede acceder a ellos y qué condiciones regulan su uso. No basta con que la información se almacene en un territorio determinado; también importa quién controla las llaves de cifrado, qué normas pueden alcanzar al proveedor y qué mecanismos permiten restringir o auditar accesos no autorizados (Deloitte, 2023).

Esta dimensión adquiere especial relevancia cuando los datos alimentan sistemas de IA utilizados en servicios públicos, salud, finanzas, seguridad, minería u otras actividades intensivas en información. En esos casos, la gobernanza de datos debe asegurar finalidad legítima, calidad, seguridad, trazabilidad y mecanismos de rendición de cuentas. Las cooperativas de datos muestran, además, que la gestión de información puede incorporar arreglos colectivos para que trabajadores y ciudadanos participen en las decisiones sobre el uso económico y analítico de sus datos (Parra-Moyano & Joshi, 2024).

2.2. Soberanía operativa

La soberanía operativa se refiere a la capacidad de mantener visibilidad y control sobre el funcionamiento de los servicios tecnológicos, incluso cuando parte de la infraestructura pertenece a un tercero. Incluye la administración de credenciales, claves de cifrado, registros de actividad, accesos privilegiados, continuidad del servicio y procedimientos de respuesta ante incidentes. Una organización no alcanza autonomía operativa por contratar un proveedor local si carece de información suficiente para supervisar el servicio o intervenir cuando se produce una falla.

En la gestión de modelos de IA, la soberanía operativa requiere conocer qué versión del modelo se utiliza, con qué datos se entrenó o ajustó, qué decisiones automatiza y quién responde por sus resultados. La trazabilidad no debe entenderse como un requisito burocrático; permite reconstruir decisiones, detectar errores y sostener auditorías. El caso de FICO, que utilizó registros basados en blockchain para documentar el ciclo de vida de sus modelos, ilustra cómo una gobernanza verificable puede reducir problemas de soporte y retiro de modelos, al tiempo que refuerza la confianza interna y externa (Zoldi & Levine, 2025).

2.3. Soberanía de infraestructura

La soberanía de infraestructura comprende el control sobre los recursos físicos y lógicos que sostienen el cómputo, el almacenamiento y la conectividad. No se limita a conocer el país donde se ubica un servidor. Exige evaluar quién opera el centro de datos, qué normas lo alcanzan, cómo se asegura la continuidad energética, qué tan diversificada está la provisión de hardware y cuáles son los puntos únicos de falla.

La infraestructura de IA incorpora, además, una dimensión ambiental. La expansión de centros de datos aumenta la demanda de electricidad y agua para refrigeración, por lo que la ubicación, la eficiencia energética y el acceso a fuentes renovables pasan a formar parte de las decisiones estratégicas. La discusión sobre infraestructura no puede reducirse a la propiedad del hardware: debe incorporar resiliencia, sostenibilidad y capacidad de recuperación ante interrupciones (Shim, 2024).

2.4. Soberanía de software y algorítmica

La soberanía de software y algorítmica consiste en la capacidad de operar soluciones sin quedar atado, de manera irreversible, a la hoja de ruta, a los precios o a las condiciones de un único proveedor. En el ámbito de la IA, incluye el acceso al código cuando sea posible, la posibilidad de auditar modelos, la portabilidad de datos, la documentación de interfaces y la capacidad de migrar o combinar herramientas sin perder funciones esenciales (Deloitte, 2023).

El contraste entre modelos propietarios y modelos de pesos abiertos es especialmente relevante. DeepSeek-R1 muestra que existen alternativas con pesos y código disponibles bajo licencia MIT, aunque algunos modelos destilados incorporan licencias de sus modelos base que deben revisarse de forma individual. Este tipo de disponibilidad puede ampliar las opciones de implementación, ajuste y despliegue, pero no sustituye la necesidad de evaluar calidad, seguridad, capacidad de soporte y cumplimiento regulatorio (DeepSeek AI, 2025).

El surgimiento de modelos procedentes de China también modifica el mapa de opciones. Kimi K3, desarrollado por Moonshot AI, combina una arquitectura de 2,8 billones de parámetros, capacidades nativas para texto, imágenes y video, y una ventana de contexto de hasta un millón de tokens. Sus pesos se publican bajo la Kimi K3 License. Estos avances pueden ampliar el margen de elección de gobiernos y empresas, pero requieren revisar la jurisdicción aplicable, el tratamiento de datos, los compromisos de licencia y la capacidad institucional para operar, adaptar y supervisar cada implementación (Moonshot AI, 2026a, 2026b).

3. Estrategias recientes y la carrera por la IA soberana

La concentración de capacidades en pocos países y corporaciones ha llevado a los gobiernos a superar una etapa basada casi exclusivamente en la regulación. La respuesta actual combina políticas industriales, inversión en infraestructura, formación de talento, desarrollo de capacidades públicas y reglas de contratación que buscan preservar margen de decisión frente a proveedores globales.

3.1. Reindustrialización y autonomía en hardware

El control de modelos y datos pierde eficacia si no existe acceso estable a los semiconductores y a la capacidad de cómputo necesaria para operar sistemas de IA. Por ello, los chips avanzados se han convertido en un recurso geopolítico. La producción de semiconductores de frontera se concentra en un número limitado de instalaciones y territorios, situación que expone a Estados y empresas a restricciones comerciales, interrupciones logísticas y tensiones internacionales (Stuart, 2025).

Estados Unidos, China y la Unión Europea han respondido con políticas de reindustrialización, incentivos a la fabricación, expansión de supercomputación y medidas orientadas a asegurar el abastecimiento. Sin embargo, la autonomía en hardware no debe confundirse con la pretensión de producir todo localmente. Una estrategia más realista combina diversificación de proveedores, reservas para componentes críticos, acuerdos de cooperación, capacidad de mantenimiento y conocimiento suficiente para identificar cuellos de botella.

3.2. Tecnopolaridad y fragmentación del ecosistema digital

La carrera por la IA soberana no ocurre en un mercado tecnológico neutro ni plenamente integrado. Se desarrolla en una ecología digital fragmentada. Estados Unidos combina innovación privada con medidas de seguridad nacional; China articula el desarrollo tecnológico con política industrial y objetivos estratégicos; y la Unión Europea ejerce influencia mediante regulación, protección de datos y estándares de gobernanza. Estas diferencias condicionan dónde se procesan los datos, qué modelos pueden desplegarse, qué proveedores son admisibles y bajo qué reglas se realizan transferencias internacionales de información (Bradford, 2020; OCDE, 2023).

A esta fragmentación estatal se suma la tecnopolaridad: la concentración de infraestructura, cómputo, datos y modelos en corporaciones con capacidad de influir sobre decisiones públicas y privadas. Las empresas que controlan la nube y los modelos fundacionales no solo compiten por clientes; también determinan condiciones de acceso, precios, políticas de uso y compatibilidades técnicas. La IA soberana debe entenderse, por tanto, como una forma de administrar interdependencias y no como una estrategia de desacoplamiento unidireccional (Bremmer, 2021).

3.3. Iniciativas de IA soberana

Las iniciativas de IA soberana buscan desarrollar o asegurar acceso a modelos, datos e infraestructura alineados con necesidades lingüísticas, culturales, jurídicas y sectoriales de cada país u organización. En Europa, por ejemplo, la búsqueda de capacidades propias convive con acuerdos que obligan a proveedores globales a operar bajo estándares locales de protección de datos y control institucional. El objetivo no es excluir toda tecnología externa, sino evitar que las funciones críticas dependan de decisiones inaccesibles para la entidad usuaria.

Una tendencia relacionada es el avance de los large action models (LAMs) y de sus aplicaciones organizacionales y gubernamentales. A diferencia de los modelos centrados únicamente en generar texto, estos sistemas pueden descomponer tareas y ejecutar secuencias de acción. Su uso potencial en trámites, cadenas de suministro, servicios ciudadanos y respuesta a emergencias incrementa la necesidad de definir controles, responsabilidades y límites antes de delegar funciones con efectos reales (Webb, 2025).

3.4. Retención de talento y cadenas de suministro

La autonomía tecnológica no se sostiene solo con infraestructura. Requiere personas capaces de diseñar, operar, evaluar y reemplazar componentes críticos. Cuando el conocimiento técnico se concentra exclusivamente en proveedores o consultores externos, una organización puede adquirir tecnología sin adquirir la capacidad de comprenderla. La retención de talento, la formación continua y la documentación de procesos son, por ello, activos estratégicos.

La dependencia de componentes considerados confiables también puede generar riesgos sistémicos. El incidente de CrowdStrike evidenció cómo una actualización defectuosa puede afectar simultáneamente a millones de equipos y producir interrupciones amplias. La lección no es prescindir de proveedores globales, sino evitar que una sola falla o decisión externa comprometa funciones esenciales sin alternativas de recuperación (Yahalom, 2025).

4. Evaluando la disrupción: oferta, demanda y el factor regulatorio

La IA soberana no debe evaluarse únicamente como una respuesta defensiva frente al cambio tecnológico. Su utilidad depende de cómo afecta la propuesta de valor, las capacidades internas y las condiciones del entorno. Un marco de diagnóstico que distinga los efectos sobre la oferta, la demanda y los factores externos permite evitar inversiones motivadas por el temor o por expectativas poco realistas (Birkinshaw, 2024).

4.1. Efectos en la oferta y protección de activos complementarios

Desde el lado de la oferta, la IA puede reconfigurar procesos, reducir costos y volver menos relevantes determinadas capacidades internas. La pregunta estratégica es qué activos complementarios deben mantenerse bajo control para que la organización no pierda su posición competitiva. Entre ellos se encuentran los repositorios de datos, las relaciones con clientes y socios, el conocimiento sectorial, las capacidades de integración y las infraestructuras que sostienen la operación.

La IA soberana puede proteger estos activos cuando asegura portabilidad, continuidad y control suficiente sobre las tecnologías empleadas. No implica desarrollar todo internamente, sino evitar que una decisión de proveedor desplace el conocimiento, limite la innovación o impida cambiar de solución sin una interrupción desproporcionada.

4.2. Efectos en la demanda y la integración humana

Los efectos sobre la demanda pueden ser incluso más profundos, pues la IA transforma la forma en que ciudadanos y clientes acceden a servicios, comparan ofertas y esperan ser atendidos. Una estrategia de IA soberana debe considerar no solo eficiencia, sino pertinencia cultural, comprensión del contexto, protección de derechos y capacidad de ofrecer supervisión humana cuando una decisión automatizada afecta a las personas.

En lugar de delegar por completo procesos sensibles en sistemas difíciles de examinar, las organizaciones pueden diseñar servicios híbridos que mantengan responsabilidades claras. La transparencia, la explicabilidad y la trazabilidad no son atributos abstractos: son condiciones para que usuarios, trabajadores y directivos comprendan los límites de un sistema y puedan cuestionar sus resultados cuando sea necesario.

4.3. Efectos externos y el Estado como actor de mercado

Las políticas públicas, las normas sectoriales y la posición geopolítica de un país pueden acelerar, limitar o redirigir la adopción de IA. En este contexto, el Estado ya no actúa únicamente como regulador. También puede ser comprador relevante, impulsor de infraestructura, articulador de estándares y creador de capacidades compartidas. Las políticas de IA soberana expresan esa transformación, al vincular regulación, inversión y fortalecimiento institucional.

En el Perú, la Estrategia Nacional de Inteligencia Artificial 2026–2030, aprobada mediante Resolución Ministerial N.° 152-2026-PCM, constituye un instrumento de alcance nacional para ordenar y articular intervenciones orientadas al gobierno y la gestión de la IA. Su implementación ofrece una oportunidad para que las entidades públicas traduzcan principios generales en decisiones sobre datos, modelos, proveedores, talento y responsabilidad institucional (Presidencia del Consejo de Ministros [PCM], 2026).

5. Conclusión

La soberanía tecnológica y la IA soberana expresan un cambio profundo en la política de innovación. En un entorno donde la infraestructura, los datos y los modelos fundacionales condicionan la continuidad de servicios y la capacidad de decisión, los Estados y las organizaciones necesitan preservar control sobre las funciones que no pueden delegar sin asumir riesgos excesivos.

Las dimensiones de datos, operación, infraestructura y software muestran que la autonomía no depende de una sola herramienta ni de la propiedad total de la tecnología. Requiere gobernanza, conocimiento interno, diversificación, capacidad de supervisión y reglas claras para operar con terceros. Las estrategias de reindustrialización, formación de talento y desarrollo de modelos alineados con necesidades locales deben entenderse como partes de un mismo sistema.

La tecnopolaridad y la fragmentación del ecosistema digital refuerzan esta necesidad. Cuando las capacidades de cómputo, nube y modelos se concentran en un número reducido de Estados y corporaciones, la autonomía depende también de la posibilidad de elegir proveedores, negociar condiciones y conservar alternativas viables. DeepSeek y Kimi K3 amplían el repertorio disponible, pero no eliminan la necesidad de evaluar cuidadosamente licencias, jurisdicciones, seguridad y soporte.

El objetivo no es la independencia absoluta, sino la resiliencia en un ecosistema de interdependencias asimétricas. Es la capacidad de administrar interdependencias sin ceder el control de las decisiones críticas. Esa es la condición para que la IA contribuya al desarrollo y a la productividad sin convertir a Estados, empresas o ciudadanos en usuarios pasivos de infraestructuras definidas por otros.

Referencias

Birkinshaw, J. (2024). ¿Será disruptiva la IA para tu negocio? Preguntas clave que debes plantearte. Harvard Deusto Business Review.

Bradford, A. (2020). The Brussels effect: How the European Union rules the world. Oxford University Press.

Bremmer, I. (2021). The technopolar moment: How digital powers will reshape the global order. Foreign Affairs, 100(6), 112–128.

DeepSeek AI. (2025). DeepSeek-R1. GitHub. https://github.com/deepseek-ai/DeepSeek-R1

Deloitte. (2023). Sovereign cloud and AI. Deloitte Insights.

McKinsey & Company. (2025). Accelerating Europe's AI adoption: The role of sovereign AI. McKinsey Insights.

Moonshot AI. (2026a). Kimi K3 quickstart. Kimi API Platform. https://platform.moonshot.ai/docs/guide/kimi-k3-quickstart

Moonshot AI. (2026b). Kimi K3. Hugging Face. https://huggingface.co/moonshotai/Kimi-K3

Organización para la Cooperación y el Desarrollo Económicos. (2023). OECD AI principles overview. OECD Publishing.

Parra-Moyano, J., & Joshi, A. (2024). Data cooperatives are the next frontier of labor relations. Harvard Business Review, The Year in Tech 2026, 79–93.

Presidencia del Consejo de Ministros. (2026). Estrategia Nacional de Inteligencia Artificial 2026–2030 (Resolución Ministerial N.° 152-2026-PCM). https://www.gob.pe/institucion/pcm/informes-publicaciones/8408055-estrategia-nacional-de-inteligencia-artificial-2026-2030

Shim, C. (2024). How companies can mitigate AI’s growing environmental footprint. Harvard Business Review, The Year in Tech 2026, 105–111.

Stuart, T. E. (2025). What DeepSeek signals about where AI is headed. Harvard Business Review, The Year in Tech 2026, 95–103.

Webb, A. (2025). Why living intelligence is the next big thing. Harvard Business Review, The Year in Tech 2026, 47–59.

Yahalom, R. (2025). What the CrowdStrike glitch can teach us about cyber risk. Harvard Business Review, The Year in Tech 2026, 63–77.

Zoldi, S., & Levine, J. T. (2025). Using blockchain to build customer trust in AI. Harvard Business Review, The Year in Tech 2026, 17–29.