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 estudio 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 evalúa 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 artículo explora cómo evitar este trampa primero ilustrando la amplitud de los dominios y tareas de la IA, segundo cartografiando estas capacidades en 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.
La diversidad de las capacidades de la IA
Para comprender esta diversidad, se analizó un conjunto de datos de modelos de IA del líderboard 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, procedentes de diversas publicaciones técnicas, líderboards y repositorios de GitHub vinculados. El conjunto de datos proporciona rendimiento de referencia 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 proliferaban 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 grandes modelos del Acto de la UE.
La diversidad en las ofertas de modelos
Además de la diversidad en las tareas, hay una creciente diversidad en las ofertas de modelos. Los principales proveedores están pasando de sistemas generales a modelos 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 doblez 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 para aplicaciones empresariales y DeepFleet para la gestión de tráfico de robots. Esta tendencia subraya que el futuro de la IA implica no solo escalar modelos generales 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 la doblez 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 mueve 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 política y la gobernanza
La diversidad de las 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 la razonamiento espacial o la doblez de proteínas plantea riesgos, ventajas y necesidades de evaluación muy diferentes a las de uno entrenado para generar texto. Tratar a la IA como un monolito, centrado en la lengua, puede ocultar dimensiones críticas de capacidad, seguridad y diseño de políticas. Los problemas de gobernanza asociados con la IA, como la sesgo, la desinformación, los derechos de autor 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 los sesgos dentro de un corpus de entrenamiento vasto y propagarlos a escala, haciendo que los desafíos de gobernanza familiares sean más difusos y más ampliamente extendidos.
La atención en modelos grandes es una reacción a la velocidad con la que la inteligencia artificial generativa ha entrado en la conciencia pública y la aplicación en el lugar de trabajo. Por ejemplo, ChatGPT alcanzó los 100 millones de usuarios en solo unos meses, superando plataformas como Instagram, Facebook y incluso el iPhone en términos de velocidad de adopción. Esta curva aguda de accesibilidad y adopción es sin precedentes en la historia de la difusión de la tecnología. Marca un cambio en las expectativas digitales básicas y la adopción de tecnología de años a días.
Sin embargo, el bullicio universal y la velocidad récord de adopción ocultan diferencias en quién adopta la AI, dónde y para qué fines. Estas siguen siendo altamente diversas, con la integración empresarial real variando ampliamente a lo largo de las geografías. Una encuesta encontró que la proporción de empresas que informaron el uso de la inteligencia artificial generativa en al menos una función empresarial aumentó desde el 55% en 2023 al 78% en 2024. Sin embargo, este crecimiento es desigual. América del Norte, Europa y China Mayor lideran la vanguardia, mientras que el resto del mundo se queda atrás. La brecha de uso entre la inteligencia artificial generativa y las capacidades de AI más amplias también se ha acortado significativamente desde los 22 puntos porcentuales en 2023 a solo 7 puntos en 2024. Este estrechamiento de la brecha sugiere que las herramientas de AI generativa están absorbiendo rápidamente funciones que antes se manejaban por sistemas especializados y extendiendo a nuevos dominios enteros, convirtiéndose en la interfaz principal a través de la cual las empresas acceden a una gama de capacidades subyacentes.
Uso empresarial de la AI
El caso de uso empresarial más común de la AI no es la robótica avanzada ni el modelado científico, sino el apoyo a la estrategia de marketing, donde la AI ayuda a generar ideas, redactar contenido y proporcionar una estructura de conocimiento. Siguiendo esto están las tareas de gestión de conocimiento y personalización centradas en la manipulación y recuperación de contenido. Los informes recientes del mercado laboral sugieren que los puestos de codificación de entrada son entre los primeros en sentir la presión de la AI generativa, apuntando a una divergencia entre los casos de uso empresarial y los impactos en el mercado laboral.
La soberanía en la AI
Una mesa redonda celebrada en julio de 2025 exploró el concepto de “soberanía nacional” en la AI, que incluyó iteraciones nacionales y regionales de la infraestructura, el software y el procesamiento que componen la “pila de AI”. Un tema recurrente fue el creciente deseo de las naciones de desarrollar capacidad de AI doméstica o regional que refleje idiomas locales, valores y casos de uso, preservando la autonomía y la seguridad nacionales. Un enfoque centrado en LLM puede desplazar la inversión en otros dominios consecuenciales, creando puntos ciegos de política y fragilidad técnica si el ciclo de la hiperactividad se enfría. La soberanía comienza con claridad, por lo que la AI debe tratarse como plural. Los planes de AI nacionales necesitarán ir más allá de un enfoque estrecho en LLM o enfoques genéricos y de un solo tamaño que centren la capacidad de cómputo nacional o la fabricación de chips.
Strategias de soberanía
Las estrategias deben ser específicas de sector y apoyar una variedad diversa de tipos de modelos, fundamentadas en casos de uso y patrones de adopción reales. En una estrategia industrial moderna, los países pueden utilizar la AI para reforzar sus ventajas comparativas existentes mientras también diversifican en industrias y servicios adjacientes. Estas estrategias también demandarán una comprensión estratégica de las necesidades cognitivas, las realidades de la infraestructura y la integración responsable. El camino a la soberanía no es solo sobre controlar la pila, sino sobre comprender qué tipos de inteligencia importan, para quién y qué.
El futuro de la AI
El futuro de la AI no es un monolito; es un mosaico.
