Nadie está corriendo la misma carrera

El 2,7 % que separa al mejor modelo americano del mejor chino es la respuesta correcta a una pregunta que no había que hacer.

geopolítica
economía
cómputo
modelos frontera
análisis

Sobre AI Index 2026 (Stanford HAI), DeepSeek-R1 (Nature, 2025), DeepSeek-V3.2 y Kimi K2 · leer el original

El número que todo el mundo cita

El AI Index de Stanford de este año trae el dato que se ha repetido en todas partes: en marzo de 2026 la distancia entre el mejor modelo estadounidense y el mejor modelo chino, medida en puntos de Arena, era del 2,7 %. En mayo de 2023 esa misma distancia estaba entre 17,5 y 31,6 puntos porcentuales. Junto a ese número va otro: la inversión privada en IA fue de 285.900 millones de dólares en Estados Unidos frente a 12.400 millones en China. Veintitrés veces más dinero para acabar 2,7 % por delante.

De ahí sale la lectura fácil: o los americanos están tirando el dinero, o los chinos han hecho un milagro. Ninguna de las dos es cierta, y las dos vienen del mismo error, que es asumir que ambos están comprando lo mismo. No lo están. Este análisis va de qué compra cada uno, con qué restricción real, y por qué el ranking de modelos es la variable menos informativa de todas las que hay sobre la mesa.

Primero, la aritmética: por qué 23× de dinero solo compra un año

Antes de hablar de países conviene hacer una cuenta, porque explica el 2,7 % sin necesidad de invocar genio ni despilfarro. Epoch AI mantiene las series de las que salen las tasas: el cómputo de entrenamiento en la frontera crece unas 5 veces al año desde 2020, y la eficiencia algorítmica —conseguir el mismo resultado con menos cómputo— mejora unas 3 veces al año. Ese segundo término es el que casi nadie mete en la ecuación.

Si defino cómputo efectivo como el producto de los dos, la frontera avanza a 15× al año. Y entonces la pregunta «cuánto retrasa ir con menos recursos» tiene respuesta cerrada: el retraso es el logaritmo de la desventaja dividido por el logaritmo de la velocidad.

cómputo efectivo = cómputo físico  x  eficiencia algorítmica

tasas publicadas (Epoch AI):
    cómputo físico en la frontera ....  x5,0 / año
    eficiencia algorítmica ..........  x3,0 / año
    ---------------------------------------------
    cómputo efectivo del líder ......  x15  / año

retraso equivalente:  T = ln(G) / ln(15)

    G =  10x  ->  T = 0,85 años
    G =  23x  ->  T = 1,16 años   <- la diferencia de inversión observada
    G = 100x  ->  T = 1,73 años

Veintitrés veces más inversión compra alrededor de catorce meses de ventaja. No es poco, pero tampoco es un abismo, y sobre todo no es lineal: es logarítmica. Cuanto más rápido corre la frontera, más barato sale ir por detrás, porque el que va detrás recorre en menos tiempo el terreno que el líder ya dejó atrás. El 2,7 % no es una anomalía que haya que explicar con nacionalismos. Es lo que predice la curva.

Ahora la parte incómoda para quien diseña política industrial. Repito la cuenta cambiando quién tiene acceso a qué:

velocidad a la que se acumula retraso = ln(divergencia) / ln(15)

    con algoritmos publicados      (x15 vs x6) ...  0,34 años/año
    con el cómputo congelado       (x15 vs x3) ...  0,59 años/año
    sin acceso a los algoritmos    (x15 vs x2) ...  0,74 años/año

Prohibir chips duplica el ritmo al que se acumula el retraso. Cortar el acceso a los métodos lo vuelve a duplicar, y es mucho más barato de aplicar porque no hay aduanas ni fábricas de por medio. Pero ese grifo no lo controla ningún gobierno: lo abren cada semana los propios laboratorios al publicar. La restricción efectiva sobre China no está en el litoral de Taiwán, está en arXiv, y está abierta de par en par por decisión de quienes la sufren.

Los papers: tres formas de quitar, no de añadir

Lo que hace legible el número anterior es leer qué proponen realmente los trabajos chinos de los últimos dos años. Los tres que importan comparten una firma: no añaden un mecanismo, eliminan un insumo caro.

DeepSeek-R1, publicado en Nature en septiembre de 2025, demuestra que el razonamiento se puede incentivar con aprendizaje por refuerzo puro, con recompensas basadas en reglas —¿es correcta la respuesta, tiene el formato pedido?— y sin una sola traza de razonamiento escrita por humanos. El AIME 2024 pasa de 15,6 % a 71,0 % en pass@1, y a 86,7 % con voto mayoritario. La lectura técnica es que la reflexión y la autoverificación emergen solas. La lectura económica es otra: el paper borra del proceso el insumo que se compra con capital y con miles de anotadores cualificados, que era precisamente donde Estados Unidos tenía ventaja estructural. Es la misma jugada del Transformer —quitar la pieza cara— aplicada a la cadena de suministro en vez de a la arquitectura.

DeepSeek-V3.2 introduce atención dispersa: en vez de que cada token mire a todos los anteriores, un indexador decide a cuáles vale la pena mirar. Ataca el coste cuadrático del contexto largo, que es donde más FLOPs se queman en inferencia. Kimi K2 va por la misma dirección desde otro ángulo: mezcla de expertos con 384 expertos frente a los 256 de DeepSeek-V3, y la mitad de cabezas de atención, 64 en vez de 128. Más parámetros totales, menos parámetros activos por token.

Ninguna de las tres es una idea que a los laboratorios americanos no se les hubiera ocurrido. Son ideas que a los laboratorios americanos no les urgía llevar hasta el final, porque cuando tienes cómputo la eficiencia es una optimización y cuando no lo tienes es la única puerta. La escasez no produce mejores investigadores: produce una agenda de investigación distinta, y a veces esa agenda envejece mejor.

Cada bloque optimiza una función objetivo distinta

Aquí está el argumento central. Comparar a estos actores por el ranking de modelos es como comparar a un maratoniano con un halterófilo por su peso. Están resolviendo problemas distintos, con restricciones distintas, y ni siquiera querrían intercambiar posiciones.

Estados Unidos maximiza capacidad por unidad de tiempo, con el capital como insumo abundante. Las estimaciones publicadas sitúan el gasto de capital de las cinco grandes por encima de 600.000 millones de dólares en 2026, un 36 % más que en 2025, y unas tres cuartas partes van directamente a infraestructura de IA. Ese dinero ya no sale solo de la caja: sale cada vez más de deuda. Su restricción no son los chips, es la red eléctrica y el permiso para construir.
China maximiza capacidad por FLOP, porque el cómputo es lo que le falta. De ahí la mezcla de expertos, la atención dispersa, el refuerzo con recompensas verificables y los pesos abiertos. Su restricción no es el diseño de chips ni la capacidad de obleas: es la memoria, y volveré a esto porque es el dato más subestimado de todo el asunto.
Europa optimiza legitimidad regulatoria y compra pública. Tiene investigadores, tiene el AI Act y tiene ministerios exigiendo opciones soberanas en sus pliegos. Lo que no tiene es escala de cómputo ni un mercado interior que compre a la velocidad a la que se quema capital en esto. Su restricción es la demanda, no el talento.
El Golfo optimiza la conversión de un recurso que se agota en uno que no. Emiratos lleva unos 148.000 millones de dólares comprometidos en IA dentro y fuera de casa desde principios de 2024, y Arabia Saudí monta HUMAIN. No están comprando capacidad de investigación: están comprando posición en la cadena. Su restricción es un permiso de exportación firmado en Washington.
India optimiza cobertura lingüística y aplicación sobre infraestructura ajena. Unos 5.500 millones repartidos en 1.700 empresas, la misión IndiaAI con unos 1.250 millones, modelos multilingües como Sarvam o BharatGen, y 38.000 GPUs de las cuales el cien por cien son de suministro estadounidense. Optimiza la capa que sí puede permitirse.
Japón y Corea tienen modelos nacionales —Fugaku-LLM, HyperCLOVA X— que son lo menos importante de su posición. Corea no es relevante en IA por HyperCLOVA: es relevante porque sin SK Hynix y Samsung no hay memoria de alto ancho de banda para nadie, ni para Nvidia ni para Huawei. Su palanca está tres capas por debajo del modelo.

Dicho de otra forma: hay exactamente un país que compite por tener el mejor modelo, otro que compite por tener el modelo suficientemente bueno y gratis, y una decena que compiten por no quedarse sin silla cuando la música pare. Meterlos a todos en la misma tabla y ordenarlos por Elo no informa de nada.

El cuello de botella nunca está donde apunta el titular

Si de todo este texto hay que quedarse con un solo hecho técnico, es este: la restricción que limita el cómputo chino no es la litografía, es la memoria. SMIC está atascada en su nodo de 7 nanómetros y puede sacar obleas para más de un millón de dados Ascend al año. Pero la producción nacional de memoria de alto ancho de banda ronda los dos millones de pilas en 2026, y eso solo alcanza para empaquetar entre 250.000 y 400.000 aceleradores. El silicio lógico sobra; lo que falta es con qué alimentarlo.

Eso reordena el debate entero sobre controles de exportación. El Council on Foreign Relations sostiene que los mejores chips estadounidenses son hoy unas cinco veces más potentes que los mejores de Huawei y que la brecha llegará a diecisiete veces en 2027, y apunta un detalle revelador: la propia hoja de ruta pública de Huawei anuncia para 2026 un chip menos potente que su mejor chip actual. Retroceder no es una estrategia, es un síntoma.

Mientras tanto la política oscila. En diciembre de 2025 se aprobó la venta de H200 a China con un impuesto del 25 %, y en enero de 2026 se formalizó con licencias caso por caso, certificados de uso final y un tope de en torno a un millón de unidades. La generación Blackwell sigue bloqueada. El resultado práctico a mitad de año era que no se había vendido ni un solo H200, con Nvidia dejando fuera de sus previsiones los ingresos de centro de datos en China tras una depreciación de 5.500 millones. Una política que ni abre ni cierra consigue el peor de los dos mundos: regala la señal de que el cerco se puede negociar, sin ingresar nada a cambio.

Y el mismo principio aplica al otro lado. La restricción americana tampoco son los chips: es la potencia eléctrica. El consumo de los entrenamientos frontera se duplica cada año y ya se mide en decenas o centenares de megavatios, mientras la eficiencia energética del hardware solo mejora un 1,34 al año. Esa resta no se cierra con más presupuesto; se cierra con generación nueva y con permisos, que es exactamente donde el dinero deja de ser rápido.

Regalar los pesos es una decisión económica, no un gesto

Se suele contar la apertura de los modelos chinos como generosidad o como propaganda. Es más simple: es la estrategia que minimiza coste dada su restricción. Servir un modelo al mundo entero exige capacidad de inferencia, y la capacidad de inferencia es justo lo que no tienen. Publicar los pesos traslada ese coste al que descarga el modelo y conserva lo único que sí escala sin hardware: ser el sustrato por defecto sobre el que otros construyen.

Quien controla el suelo del mercado controla dónde aprenden los estudiantes, sobre qué API prototipan las startups y qué formato acaban asumiendo las herramientas. Es una posición que no aparece en ningún ranking de capacidad y que tarda una década en revertirse. Y le sale barata precisamente porque no está monetizando la capa premium, que es la que sí exige los centros de datos que no puede construir.

El precio se partió en dos, y eso también es geopolítica

Los datos publicados de precios describen un mercado que se ha bifurcado limpiamente. El coste de inferencia de un modelo de clase GPT-4 cayó alrededor de un 95 % en dos años. Pero en el año hasta julio de 2026, los precios de la gama frontera subieron un 36 % mientras los de la gama media bajaban un 36 %. No es un mercado, son dos.

Abajo hay una commodity donde el margen tiende a cero y donde los pesos abiertos chinos marcan el precio. Arriba hay un producto diferenciado —contexto largo fiable, agentes de muchos pasos, código— que sostiene prima. Cada bloque está posicionado en el tramo que su restricción le permite, y ninguno puede cruzar fácilmente: el que vive de la prima no puede regalar los pesos sin matar su cuenta de resultados, y el que regala los pesos no puede cobrar prima sin la capacidad de servir que le falta. Las dos estrategias son estables, y por eso esto no se resuelve pronto.

Europa tenía una palanca y la aplazó

Europa nunca iba a ganar por cómputo, y lo sabía. Su apuesta era regulatoria: fijar las reglas del mercado más rico del mundo y obligar a todos a cumplirlas, como ya hizo con la protección de datos. El 2 de agosto de 2026, hace una semana, era la fecha en que eso empezaba a morder de verdad.

No mordió. El Digital Omnibus, aprobado definitivamente por el Consejo el 29 de junio, aplaza las obligaciones para sistemas de alto riesgo del anexo III hasta diciembre de 2027, y hasta agosto de 2028 los integrados en productos regulados. Lo que sí entró en vigor son las obligaciones de transparencia del artículo 50: avisar de que hablas con una máquina y etiquetar los contenidos sintéticos. Importante, pero no es una palanca de negociación.

En paralelo la Comisión abrió el 30 de julio una convocatoria de 30.000 millones para siete gigafactorías de IA, dentro de un objetivo de 200.000 millones movilizados. La comparación honesta hay que hacerla con los 600.000 millones anuales de las cinco grandes americanas, y hacerla teniendo en cuenta que una es una convocatoria y la otra es hormigón ya vertido. Mi lectura es que Europa ha decidido competir en la capa donde tenía la única ventaja comparativa real y ha aplazado su aplicación dieciséis meses. Se puede defender que era necesario para no ahogar a su propia industria. Lo que no se puede es defender las dos cosas a la vez: o el AI Act era una ventaja competitiva o era un lastre, y aplazarlo responde esa pregunta sin decirla.

Qué falsificaría todo esto

Un análisis que no dice cómo puede estar equivocado no es un análisis, es una opinión con notas al pie. Estas son las condiciones bajo las que el modelo de arriba se rompe:

Si los laboratorios frontera dejan de publicar métodos, el término de eficiencia compartida desaparece y el retraso pasa a acumularse a 0,74 años por año en vez de 0,34. La brecha se abriría rápido y sería visible en menos de dos años.
Si el entrenamiento por refuerzo y las capacidades agénticas escalan con un exponente más pronunciado que el preentrenamiento, el capital vuelve a mandar y la cuenta logarítmica subestima la ventaja americana. Es la hipótesis por la que apostaría si tuviera que apostar en contra de mí mismo.
Si China resuelve la memoria de alto ancho de banda —y ahí la variable es CXMT, no SMIC—, la restricción se desplaza y todo el argumento sobre el techo de Huawei caduca. 2027 es la fecha en que se sabrá.
El 2,7 % procede de una métrica de preferencia humana que está saturando. En tareas agénticas largas las diferencias publicadas son bastante mayores, así que la elección de banco de pruebas determina la conclusión. Quien cite el 2,7 % sin decir de dónde sale, incluido yo hasta este párrafo, está eligiendo el número que le conviene.

Lo que me llevo

Comparar países por el ranking de modelos es el error de base. Nadie está optimizando la misma función: unos compran capacidad, otros eficiencia, otros legitimidad y otros posición en la cadena.
La ventaja es logarítmica, no lineal. Veintitrés veces más inversión compra del orden de un año, y cuanto más rápido avanza la frontera, más barato sale ir detrás.
El embargo que de verdad funcionaría es el de los métodos, y nadie lo aplica porque el propio ecosistema que lo sufriría vive de publicar. Los chips son la palanca visible; los papers son la palanca real.
El cuello de botella nunca está donde apunta el titular: en China es la memoria, no la litografía; en Estados Unidos es el megavatio, no el chip; en Europa es la demanda, no el talento; en el Golfo es una firma en Washington.
Abrir los pesos no es ideología, es la jugada que minimiza coste cuando te falta capacidad de servir y te sobra necesidad de ser el estándar de otros.