La inteligencia artificial (IA) a menudo se discute como una fuerza unitaria, pero esta visión simplifica la complejidad y diversidad del campo. La IA abarca una amplia gama de técnicas, herramientas y capacidades que se despliegan en diversas dominios y aplicaciones, desde la predicción de propiedades moleculares hasta la super-resolución de video y la generación de habla multilingüe. Este trabajo busca ilustrar la amplitud y profundidad de estos dominios y aplicaciones, destacando que la IA no es ni singular ni estática. En su lugar, comprende capacidades dinámicas de creciente complejidad, incluyendo áreas como la diagnóstico médico, la robótica física, los agentes de juego, la razonamiento gráfico y más. El paisaje de la IA está evolucionando rápidamente, resultando en un ecosistema de capacidades estratificado y en expansión incremental en lugar de una sola revolución o forma de inteligencia.
Esta diversidad es crucial no solo para el mercado sino también para todos los aspectos de las estrategias y la gobernanza de la IA. Influye en el tipo de pruebas requeridas, cómo se asesora el riesgo y cómo los países eligen regular o adoptar formas específicas de la IA. Tratar a la IA como una entidad monolítica dentro de este ecosistema diverso puede llevar a estrategias demasiado amplias y poco efectivas. Este trabajo explora cómo evitar este trampa primero ilustrando la amplitud de los dominios y tareas de la IA, segundo mediante la mapeo de estas capacidades a sistemas y riesgos reales, y finalmente discutiendo las estrategias de gobernanza y soberanía que surgen cuando la IA se trata como plural en lugar de singular.
El análisis de datos
Para comprender esta diversidad, se analizó un conjunto de datos de modelos de IA del leaderboard State-of-the-Art (SOTA) de Papers with Code. Este conjunto de datos cubre más de 20,000 tareas a través de cientos de benchmarks, derivados de diversas publicaciones técnicas, líderboards y repositorios de GitHub vinculados. El conjunto de datos proporciona rendimiento de benchmark a través de miles de tareas y modelos de aprendizaje automático y de IA, abarcando la era de aprendizaje profundo moderna (post-2010s) con una cobertura más densa después de 2015 a medida que proliferaron los benchmarks. A partir de esta información bruta, se curó una estructura jerárquica de dominios, subdominios y tareas de la IA, reflejando la evolución de la amplitud y especificidad de las capacidades de la IA.
La estructura jerárquica incluye dominios como el diagnóstico médico, la robótica física, los agentes de juego y el razonamiento gráfico. Cada dominio requiere investigación y entrenamiento específicos, y la estructura se visualiza a través de un mapa de árbol que muestra el volumen de actividad de investigación dentro de cada dominio. Esta visión basada en datos de la progresión de la IA refleja lo que los investigadores realmente benchmark en la práctica, en lugar de esquemas top-down como la taxonomía de la NIST o las disposiciones de modelos grandes del Acto de la UE sobre IA.
Modelos especializados
Además de la diversidad en tareas, hay creciente diversidad en ofertas de modelos. Los proveedores líderes están pasando de sistemas monolíticos de propósito general a modelos más pequeños y especializados. Por ejemplo, los modelos abiertos pueden ser ajustados para uso empresarial o específico de dominio, como la familia LLaMA 3 de Meta y Mixtral 8x7B de Mistral. Google DeepMind ha lanzado sistemas específicos de dominio como AlphaFold para la plegamiento de proteínas y GraphCast para la predicción del tiempo. Alibaba tiene modelos para la reconocimiento de habla y la generación de imágenes, mientras que Amazon tiene modelos de empresa que incluyen AWS App Studio para aplicaciones de negocio y DeepFleet para el manejo de tráfico de robots. Esta tendencia subraya que el futuro de la IA implica no solo escalar modelos de propósito general sino también desarrollar y adaptar modelos para funciones específicas, perfiles de costo y necesidades de implementación.
Tipos de IA
Es útil distinguir entre diferentes tipos de IA: la llamada “IA estrecha”, que está diseñada para un conjunto definido de tareas (por ejemplo, AlphaFold para el plegamiento de proteínas), y la “IA general o generativa”, que se entrena en conjuntos de datos amplios para producir salidas flexibles (por ejemplo, los grandes modelos de lenguaje). El desarrollo actual se está moviendo en ambas direcciones—sistemas más estrechos y especializados para el rendimiento de dominio y modelos generativos más amplios para la interacción general—reforzando que la trayectoria de la IA es plural en lugar de singular.
Implicaciones para la gobernanza
La diversidad de capacidades de la IA alinea con analogías evolutivas en la inteligencia humana. La percepción visual y el razonamiento espacial son algunas de las funciones cognitivas más antiguas, mientras que el lenguaje es una adaptación más reciente. Este contexto histórico importa para la IA, ya que muchas tareas asociadas con “inteligencia” en máquinas se basan en capacidades evolutivas que predate el lenguaje. Construyendo sobre este desarrollo cerebral evolutivo, el psicólogo educativo Howard Gardner desarrolló el concepto de “inteligencias múltiples”, sugiriendo que la inteligencia no es unidimensional sino una variedad de atributos y habilidades que resultan en diferentes formas de aprendizaje. Gardner identificó ocho formas diferentes de inteligencia: lingüística, lógico-matemática, espacial, musical, corporal-kinestésica, interpersonal, intrapersonal y naturalista. Los LLMs operan en el dominio lingüístico y están cada vez más hábiles en los dominios lógico-matemático, musical y visual, mientras que la tecnología es menos desarrollada en otros.
Esta diversidad en capacidades de la IA tiene implicaciones significativas para la política y la gobernanza. La seguridad, alineación y gobernanza de la IA deben tener en cuenta este paisaje más diverso. Un sistema entrenado para el razonamiento espacial o el plegamiento de proteínas plantea riesgos, beneficios y necesidades de evaluación muy diferentes que uno entrenado para generar texto. Tratar a la IA como un monolito, centrado en el lenguaje, puede oscurecer dimensiones críticas de capacidad, seguridad y diseño de políticas. Los problemas de gobernanza asociados con la IA, como la sesgo, la desinformación, la propiedad intelectual y la seguridad, ya se manifestaron en etapas anteriores del ecosistema digital. Lo que la IA cambia es el alcance de estos problemas: los sistemas generativos pueden acelerar sesgos dentro de un corpus de entrenamiento vasto y propagarlos a gran escala, haciendo que los desafíos de gobernanza familiares sean más difusos y más amplios.
The focus on large models is a reaction to the speed at which generative AI has entered public consciousness and workplace application. ChatGPT, for example, reached 100 million users in just a few months, eclipsing platforms like Instagram, Facebook, and even the iPhone in terms of adoption speed. This sharp curve of accessibility and uptake is unprecedented in the history of technology diffusion. It marks a shift in baseline digital expectations and technology adoption from years to days.
However, the universal buzz and record speed of adoption masks differences in who adopts AI, where, and for what purposes. These remain highly diverse, with actual enterprise integration varying widely across geographies. A survey found that the proportion of companies reporting the use of generative AI in at least one business function jumped from 55% in 2023 to 78% in 2024. Yet this growth is uneven. North America, Europe, and Greater China lead the way, while the rest of the world lags behind.
The usage gap between generative AI and broader AI capabilities has also narrowed significantly from 22 percentage points in 2023 to just 7 points in 2024. This shrinking gap suggests that generative AI tools are rapidly absorbing functions once handled by specialized systems and extending into entirely new domains, becoming the primary interface through which businesses access a range of underlying capabilities.
The most common enterprise use case for AI is not advanced robotics or scientific modeling, but marketing strategy support, where AI helps generate ideas, draft content, and provide knowledge scaffolding. Following this use are knowledge management and personalization tasks centered on content manipulation and retrieval. Recent labor market reports suggest that entry-level coding roles are among the first to feel pressure from generative AI, pointing to a divergence between enterprise use cases and workforce impacts.
A roundtable hosted in July 2025 explored the concept of “national sovereignty” in AI, featuring national and regional iterations of the infrastructure, software, and processing that comprise the “AI stack.” One recurring theme was the increasing desire of nations to develop domestic or regional AI capacity that reflects local languages, values, and use cases, preserving national autonomy and security.
An LLM-centric agenda can crowd out investment in other consequential domains, creating policy blind spots and technical fragility if the hype cycle cools. Sovereignty begins with clarity, so AI should be treated as plural. National AI plans will need to move beyond a narrow focus on LLMs or generic, one-size-fits-all approaches that center national compute capacity or chip manufacturing.
Strategies should be sector-specific and support a diverse range of model types, grounded in real-world use cases and patterns of adoption. In a modern industrial strategy, countries can use AI to reinforce their existing comparative advantages while also diversifying into adjacent industries and services. These strategies will also demand a strategic understanding of cognitive needs, infrastructure realities, and responsible integration.
The path to sovereignty is not just about controlling the stack but about understanding which types of intelligence matter, for whom, and what. The future of AI is not a monolith; it is a mosaic.
