Los escalones de la IA pública. La fachada y los pisos de abajo

Cuando alguien dice IA en la calle, en la radio o en una sobremesa, casi siempre quiere decir un chat. Una caja blanca en la que se escribe una pregunta y sale una respuesta. Esa superficie es el primer escalón. Encima no hay nada. Debajo hay un edificio entero, y casi nadie baja.

El cartel de la entrada

A veces se amplía un poco la idea y entra el generador de imágenes, el asistente de voz, el traductor automático. El conjunto sigue siendo el mismo: una superficie con la que el usuario habla. Es ahí donde se ha situado el debate público. Es ahí donde se publican los reportajes, donde se firman las cartas abiertas, donde los políticos posan con el portátil abierto y donde los columnistas deciden si están a favor o en contra de algo llamado «la inteligencia artificial».

Kate Crawford lo argumentó en Atlas of AI (Yale UP, 2021): la IA no es una aplicación de usuario sino una industria extractiva, terrestre y material. Parafraseándola, la IA es un planeta, no una aplicación. Tiene corteza, manto y núcleo. El chat es la corteza. La parte que se ve es la parte que ya no decide nada.

Para que la frase no sea un eslogan más en una bibliografía abultada, conviene mirar uno por uno los pisos que sostienen el chat. Cada uno funciona con una lógica distinta, atiende a un público distinto y soporta consecuencias distintas. Que la conversación pública se quede toda en el primero no es un accidente. Es funcional. El edificio se mantiene mejor cuanto menos sube la gente.

El asistente que ya no olvida

El segundo piso es el asistente con memoria. Aquí ya no hay un chat de usar y tirar; hay un sistema que retiene quién eres entre sesiones, qué proyectos llevas, qué corrigió mal la última vez, qué tono prefieres. La pieza decisiva no es la conversación, es el archivo.

Lo que el asistente sabe de ti deja de ser una transcripción y empieza a ser un perfil. Ese perfil vive en servidores de la empresa que lo construye, se ajusta con cada interacción, y se vuelve, sin que nadie firme nada nuevo, parte del modelo.

El usuario sigue creyendo que está en el primer escalón, que pregunta y le responden, mientras el sistema opera en uno donde la asimetría informativa entre las dos partes ha empezado ya a ser estructural. Shoshana Zuboff describió la mecánica completa en The Age of Surveillance Capitalism (PublicAffairs, 2019). El patrón que ella identificó para la publicidad se aplica con muy pocos cambios a esto. La diferencia es que esta vez la mercancía no se vende a un anunciante. Se reincorpora al producto que el usuario sigue usando.

El que actúa por ti

El tercer piso es el agente. La palabra ha empezado a circular en los últimos dos años con un tono casi doméstico, como si fuera la evolución natural del chat, una versión un poco más servicial. No lo es.

El agente es una pieza distinta. Un chat genera texto; un agente (programa que ejecuta acciones en el mundo en nombre del usuario, no solo redacta respuestas) compra entradas, manda correos, contrata servicios, accede a tu cuenta bancaria si le has dado permiso, escribe código y lo despliega, abre pestañas, rellena formularios, contesta llamadas.

Lo que en el primer escalón era un riesgo de mala redacción se convierte aquí en un riesgo de mala operación con consecuencias en el mundo físico, jurídico y económico. El estado del arte académico de los agentes lo cartografiaron Park y otros en Generative Agents: Interactive Simulacra of Human Behavior (arXiv:2304.03442, 2023); desde entonces el campo se ha movido más rápido que el régimen de responsabilidad civil que tendría que cubrirlo.

Cuando un chat se equivoca, se borra. Cuando un agente se equivoca, hay que deshacer la operación. A veces no se puede deshacer.

La fontanería de hormigón

El cuarto piso es la infraestructura de cómputo. Aquí desaparece del todo la conversación humana y aparecen edificios. Centros de datos (instalaciones industriales que alojan miles de servidores especializados para entrenar y ejecutar modelos de IA) con extensiones del tamaño de pequeñas ciudades, refrigerados por circuitos de agua que en algunas regiones empiezan a competir con el suministro municipal, alimentados por contratos eléctricos de cifras que hace cinco años nadie habría aceptado firmar.

El Energy and AI Report de la Agencia Internacional de la Energía (IEA, 2025) cuantifica el orden de magnitud. El consumo eléctrico mundial de los centros de datos se proyecta que se duplique hasta unos 945 TWh en 2030, cifra comparable al consumo eléctrico total de Japón hoy, y los centros optimizados específicamente para IA más que cuadruplicarían su consumo en esa misma ventana. Eso no es una métrica abstracta. Es una negociación territorial concreta, municipio a municipio, sobre quién recibe la potencia disponible y a qué precio.

Las empresas que firman esos contratos no son las que ofrecen el chat al usuario final. Son los proveedores de capacidad, casi siempre las tres o cuatro mismas compañías, casi siempre con apoyo estatal blando, casi siempre en lugares con agua barata.

El usuario que abre la caja blanca no ve nada de esto. No tendría por qué verlo si funcionara bien. El problema es que las decisiones que se toman en este escalón, sobre dónde se construye, con qué consumo, comprando agua a quién, condicionan a su vez todo lo que podrá hacerse en los tres escalones de arriba. Si hay cómputo, hay producto. Si no, no.

La materia con la que se hace el modelo

El quinto piso es el más opaco y el más antiguo. Es la infraestructura de datos y de vigilancia.

Los modelos no se entrenan con material que aparece por generación espontánea. Se entrenan con texto, imagen, vídeo y audio que se ha extraído de bibliotecas digitales públicas, de redes sociales, de transcripciones de servicio al cliente, de bases de datos administrativas, de archivos médicos, de imágenes de cámaras urbanas, de tráfico de aplicaciones móviles.

Una parte de ese material se obtiene con licencia. Otra parte se obtiene con un consentimiento ambiguo que el usuario aceptó hace años en un formulario que no leyó. Y otra parte se obtiene sin más, asumiendo que el coste de la disputa legal posterior será menor que el beneficio del modelo entrenado.

Del asistente al instrumento de gestión poblacional

Sobre esos datos se han construido también los sistemas que ya no son chats sino mecanismos de decisión. Scoring crediticio (puntuación automatizada que decide si un banco te concede un préstamo), evaluación de riesgo de reincidencia, criba de currículos, asignación de recursos sociales, predicción policial. El AI Now Institute, que Meredith Whittaker cofundó antes de pasar en 2022 a presidir Signal, lleva años documentando ese trasvase, en el que la misma capacidad técnica que se vende al consumidor como asistente se vende al Estado como instrumento de gestión poblacional.

El que pregunta al chat sobre una receta de pasta y el que ve cómo un algoritmo le niega una prestación están operando con piezas que vienen del mismo edificio. La operación de mercado los presenta como mundos separados. No lo son.

Hacer la cuenta

Conviene parar un momento y hacer la cuenta.

El usuario actúa en el primer escalón. Su perfil acumulado vive en el segundo. Las acciones que un agente ejecuta en su nombre ocurren en el tercero. La capacidad física que hace posible todo eso se decide en el cuarto. Los datos que alimentan el sistema y los usos institucionales del mismo sistema se reparten por el quinto.

Cuando el usuario protesta o aplaude algo, lo hace casi siempre desde el primer escalón, con un vocabulario que se ha construido en el primer escalón, y dirigido a problemas que en realidad se generan en los escalones que no ve. Es como discutir el color de la pared del recibidor sin saber si la cimentación aguanta.

A quién le conviene que mires solo el cartel

Esa asimetría no se sostiene sola. Hay intereses concretos detrás de que el debate se quede arriba.

Una empresa que quiere vender un producto de consumo prefiere mil veces que la conversación pública trate sobre si su chat es educado o no, antes que sobre cuántos megavatios consume su próximo centro de datos en una región con sequía. Un gobierno que quiere desplegar herramientas predictivas en servicios sociales prefiere mil veces que el debate trate sobre si los estudiantes hacen los deberes con ChatGPT, antes que sobre quién audita el modelo que decide qué familia recibe una alerta de protección de menores. Un medio de comunicación que necesita generar tráfico prefiere mil veces el reportaje sobre el chat que se enamora del periodista, antes que el reportaje sobre el contrato eléctrico que el gobierno regional ha firmado con un hiperescalador (gran operador de centros de datos en la nube, capaz de absorber demanda de cómputo a escala industrial) a quince años.

Cada uno de esos sesgos es comprensible por separado. Sumados producen el resultado actual. Una conversación pública saturada en el escalón más vistoso y vacía en los cuatro que importan.

La democratización al revés

La defensa habitual frente a esta asimetría es la promesa de la democratización. Si la herramienta está disponible para cualquiera, dice el argumento, el poder se distribuye. La frase suena bien y se repite mucho.

Es exactamente al revés. Cuanto más se generaliza el uso de la herramienta en el primer escalón, más se concentra la capacidad técnica y económica que sostiene los escalones de abajo. Cada usuario nuevo que se acostumbra al chat es un usuario nuevo que ya no podrá prescindir del proveedor de cómputo que hay debajo. La masa de usuarios financia, vía suscripciones o vía datos, la consolidación de los pocos actores que controlan el cuarto y el quinto escalón.

El AI Index Report 2026 de Stanford HAI documenta esa concentración: el cómputo dedicado a entrenar los modelos punteros viene creciendo a un ritmo de varios múltiplos por año desde 2020, y el hardware que lo hace posible está dominado por un puñado de proveedores, con Nvidia controlando el grueso de la capacidad. La capacidad de entrenar a la frontera cabe hoy en muy pocas manos.

Democratización del uso, concentración de la decisión. No son cosas contradictorias. Son la misma cosa vista desde lados distintos.

El reconocimiento desde dentro

Mustafa Suleyman, que no es un crítico externo del sector sino uno de sus arquitectos, escribió en The Coming Wave (Crown, 2023) una versión interna del mismo diagnóstico. Las olas tecnológicas serias no se contienen, se asimilan, y cuando se asimilan reorganizan el reparto del poder de manera que ya no se puede revertir desde el escalón del usuario.

El reconocimiento llega tarde y desde dentro, cuando ya no compromete a nadie. Lo útil del libro no es la advertencia. Es la confirmación de que la asimetría es estructural y no un fallo de comunicación que pueda corregirse con mejor pedagogía.

El manual de usuario y la otra discusión

Hay una consecuencia operativa de todo esto que conviene mirar despacio.

Cualquier discurso sobre IA que se quede en cómo escribir mejores prompts (instrucciones que el usuario escribe para guiar al modelo), en cómo aprovechar el asistente para productividad personal, en cómo evitar las alucinaciones (respuestas inventadas que el modelo presenta como ciertas), en cómo educar a los niños para usar la herramienta con sentido crítico, es un discurso útil en el primer escalón y casi irrelevante en los otros cuatro.

No es que esté mal hecho. Es que está hecho para una capa del problema que no toca las decisiones que generan el problema. El manual de usuario es un género legítimo. La discusión política sobre la infraestructura es otro género. Confundirlos, presentar el primero como si bastara para resolver lo que sólo el segundo puede tocar, es la operación retórica que sostiene el statu quo.

El precio de subir un escalón

Subir un escalón cuesta. Cuesta tiempo de lectura, cuesta vocabulario nuevo, cuesta seguir pleitos jurídicos sobre derechos de autor, cuesta entender por qué un contrato de suministro eléctrico en Aragón o en Iowa importa para la conversación, cuesta leer a Crawford y a Zuboff en lugar de a influencers de productividad.

Y luego, una vez subido el escalón, no hay recompensa visible. No produce likes. No produce clientes. Produce, a lo sumo, una incomodidad sostenida con la versión simpática del producto que todo el mundo está usando.

La economía atencional desincentiva el viaje. Por eso casi nadie lo hace. Por eso la conversación pública lleva tres años hablando del cartel de neón mientras la fontanería del edificio se diseña sin testigos.

Desde qué piso se contesta

La pregunta que abre este texto no es si la IA está bien o mal. La pregunta es desde qué piso se está mirando cuando se contesta.

Quien contesta desde el primero responde sobre una caja blanca que escribe respuestas. Quien contesta desde el cuarto responde sobre una negociación territorial por el agua. Quien contesta desde el quinto responde sobre quién decide qué hijo te quitan o qué crédito te niegan.

Las tres respuestas usan la palabra IA. Las tres se refieren a fenómenos parcialmente conectados y radicalmente distintos. Una conversación pública madura sobre el asunto empieza el día en que dejamos de fingir que son la misma. Ese día, hoy, no ha llegado.

Definiciones

Agente. Programa de IA que no se limita a generar texto sino que ejecuta acciones reales en nombre del usuario: enviar correos, contratar servicios, comprar entradas, escribir y desplegar código, manejar cuentas. La diferencia con un chat es que la equivocación del agente tiene consecuencias materiales que no siempre pueden deshacerse.

Centro de datos. Instalación industrial que aloja miles de servidores especializados para entrenar y ejecutar modelos de IA. Consume cantidades muy grandes de electricidad y de agua de refrigeración, lo que convierte su ubicación en una decisión política sobre el reparto de recursos del territorio.

Hiperescalador. Gran operador de centros de datos en la nube, capaz de absorber demanda de cómputo a escala industrial. En la práctica son tres o cuatro compañías globales que concentran el grueso de la capacidad de entrenamiento e inferencia del sector.

Prompt. Instrucción que el usuario escribe al modelo para guiar la respuesta. La cultura de los «prompts bien escritos» pertenece al primer escalón y rara vez toca las decisiones que se toman más abajo.

Alucinación. Respuesta inventada que el modelo presenta con el mismo tono de seguridad que una respuesta correcta. No es un error de redacción ni una mentira deliberada: es una consecuencia de cómo se generan las respuestas, palabra a palabra, a partir de probabilidades.

Scoring crediticio. Puntuación automatizada que un sistema asigna a una persona para decidir si recibe un préstamo, una hipoteca o un seguro. Es uno de los usos institucionales clásicos del quinto escalón y de los más opacos para el ciudadano evaluado.

Referencias

Crawford, K. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence (Yale University Press, 2021). Marco general del artículo: la IA entendida como industria extractiva con capas físicas, no como aplicación de usuario. La formulación «la IA es un planeta, no una aplicación» es una paráfrasis de su argumento, no una cita literal. https://yalebooks.yale.edu/book/9780300209570/atlas-of-ai/.

Zuboff, S. The Age of Surveillance Capitalism (PublicAffairs, 2019). Referencia para el segundo escalón, sobre cómo el perfil acumulado del usuario se incorpora al producto sin renegociación de términos.

Park, J. S. et al. Generative Agents: Interactive Simulacra of Human Behavior. arXiv 2304.03442 (2023). Referencia para el tercer escalón, sobre el estado del arte académico de los agentes generativos.

Agencia Internacional de la Energía (IEA). Energy and AI Report (abril de 2025). Referencia para el cuarto escalón, sobre el consumo eléctrico y de agua de los centros de datos asociados a IA: proyección de duplicación del consumo mundial hasta unos 945 TWh en 2030 y de un consumo de los centros optimizados para IA que más que se cuadruplica en esa ventana. https://www.iea.org/news/ai-is-set-to-drive-surging-electricity-demand-from-data-centres-while-offering-the-potential-to-transform-how-the-energy-sector-works.

AI Now Institute. Trabajos del instituto sobre la concentración de poder y el uso institucional de los sistemas de IA. Referencia para el quinto escalón, sobre el trasvase entre asistente de consumo e instrumento de gestión poblacional. El instituto fue cofundado por Meredith Whittaker, presidenta de Signal desde 2022. https://ainowinstitute.org/.

Stanford HAI. AI Index Report 2026. Referencia para la sección sobre concentración del cómputo de entrenamiento: crecimiento de varios múltiplos por año desde 2020 y dominio del hardware por un puñado de proveedores, con Nvidia a la cabeza de la capacidad. https://hai.stanford.edu/ai-index/2026-ai-index-report.

Suleyman, M. The Coming Wave (Crown, 2023). Referencia para el diagnóstico interno del sector sobre la irreversibilidad de la asimetría una vez asimilada la ola tecnológica.

También te interesa

En otros sitios

#concentracin-de-poder #centros-de-datos #vigilancia #coste-energtico #modelos-abiertos