Fernando Pérez Lizano — Director Académico Adjunto y Director del Programa Internacional de Inteligencia Artificial, PAD – Escuela de Dirección (Universidad de Piura)

Un acceso que se apaga desde afuera

El directorio llevaba veinte minutos revisando indicadores cuando alguien preguntó por el asistente de inteligencia artificial que ya atendía a miles de clientes. La respuesta del equipo fue breve y desconcertante: durante unos días de junio de 2026 ese servicio había quedado en riesgo, no por una falla propia, sino porque el acceso al modelo que lo sostenía podía suspenderse desde afuera. El Departamento de Comercio de Estados Unidos había impuesto controles de exportación sobre dos modelos avanzados; la medida se levantó a fin de mes, pero el mensaje quedó grabado en la sala. La pregunta que se instaló no fue cuál modelo era el más potente, sino qué ocurría con la operación cuando las condiciones de aquello sobre lo que se apoyaba cambiaban por decisión de un tercero, en otra jurisdicción. La soberanía, se entendió esa mañana, no consiste en poseer la infraestructura, sino en conservar el control cuando el entorno cambia. Ese es el asunto que este artículo lleva al directorio.

De la carrera por el mejor modelo al gobierno de la inteligencia

En julio de 2024, cuando Meta liberó su modelo abierto de mayor escala, Mark Zuckerberg planteó una tesis que entonces sonó contraintuitiva: la inteligencia artificial no se concentraría en una o dos mentes gigantes de propósito general, sino que se repartiría en miles de modelos específicos, y cada empresa, cada gobierno y cada emprendimiento querría los suyos, ajustados a su tarea. El modelo grande, sostuvo, valdría más como materia prima —para destilar versiones menores y generar datos de entrenamiento— que como punto final (Cheung, 2024; Meta AI, 2024).

Dos años después conviene separar dos afirmaciones que se confundieron. Zuckerberg acertó en el diagnóstico de fondo: la distribución se impuso. Los modelos abiertos cerraron la brecha con los de frontera hasta dejarla en un solo dígito en los índices de capacidad y en torno a seis a nueve meses de rezago (Lambert, 2026). Pero erró en el pronóstico particular: el modelo abierto de referencia ya no es el suyo, sino un conjunto de modelos surgidos en gran medida fuera de Estados Unidos.

Más relevante para un directorio es lo que ese desenlace revela. Cuando la capacidad de razonamiento se abarata y se difunde, deja de ser el foso competitivo. El valor no desaparece: se desplaza hacia arriba, hacia la capa donde la empresa decide qué modelo usar para cada tarea, dónde reside su información y quién gobierna esas decisiones. La discusión pública se planteó como «abierto contra propietario»; la formulación que se impuso en 2026 es «abierto y propietario» (Huang, citado en SiliconANGLE, 2026). El modelo se volvió insumo. Lo que queda por definir es qué se posee alrededor de él.

El punto de partida peruano y regional

Para una empresa peruana o latinoamericana, el punto de partida tiene un sesgo estructural. El español y el portugués representan una fracción menor de los datos con que se entrenaron los grandes modelos —del orden del 4 % y el 2 %, respectivamente, según estimaciones sobre repositorios abiertos—, de modo que las realidades locales quedaron subrepresentadas en su diseño (CENIA, 2026). A ello se suma una dependencia operativa: la mayoría de las organizaciones consume inteligencia a través de conexiones con proveedores extranjeros, sin control sobre las condiciones de ese acceso.

En el Perú, la Ley 31814 —reglamentada en 2025— situó la inteligencia artificial en la agenda regulatoria y ubicó al país entre los primeros de la región con un marco basado en riesgos; pero ninguna norma resuelve por la empresa la pregunta operativa que define su ventaja: qué información propia sale de su control y bajo qué condiciones (Ley 31814, 2023).

La respuesta regional más ambiciosa llegó en febrero de 2026. Latam-GPT, coordinado por el Centro Nacional de Inteligencia Artificial de Chile con quince países y el respaldo de la CAF y el Banco Interamericano de Desarrollo, es el primer gran modelo de lenguaje abierto de la región, entrenado con datos propios —entre ellos, registros bibliotecarios del Perú— para reflejar sus lenguas y contextos (CENIA, 2026; Tanner y Kerry, 2025). Su valor no es competir con la frontera, sino existir como bien público sobre el cual gobiernos, universidades y empresas pueden construir soluciones propias, auditables y sin depender de interfaces externas cerradas.

El punto de fondo para el directorio no es tecnológico. La soberanía dejó de ser una preocupación de área técnica para volverse criterio de decisión de negocio. Una encuesta de EnterpriseDB a 2.050 directivos en trece países halló que el 93 % de las grandes empresas hoy prioriza la soberanía en sus decisiones de proveedor, frente al 41 % en 2024 (MIT Technology Review Insights, 2026). En dos años, la residencia de los datos pasó de ser una nota al pie a ser la segunda pregunta, después del precio.

Cuatro errores frecuentes en el directorio

Cuatro errores se repiten cuando un directorio aborda este cambio. El primero es enrutar toda tarea por el modelo más caro. Satya Nadella advirtió a su propia organización contra ese reflejo —hacer pasar cada problema por el modelo de frontera más costoso cuando uno menor y especializado bastaría a una fracción del precio— y propuso una distinción útil para cualquier directorio: toda empresa deberá construir dos activos en paralelo, el capital humano, que es el juicio de sus personas, y el capital de tokens, que es la capacidad de inteligencia artificial que la firma desarrolla y posee (Nadella, citado en ETF Trends, 2026). Reservar el modelo más pesado para las tareas que de verdad lo exigen no es un ahorro accesorio: es la diferencia entre usar la inteligencia artificial y gobernarla.

El segundo es apostar toda la operación a un único proveedor externo sin plan de portabilidad. Una encuesta de IBM halló que apenas el 9 % de los directivos comprende plenamente sus dependencias de IA, mientras que el 71 % considera difícil cambiar de proveedor (Michu, 2026). Esa combinación —no saber de qué se depende y no poder salir— es precisamente la que el episodio de junio de 2026 volvió tangible.

El tercero es tratar el asunto como una decisión de compra y no de gobierno. Elegir un proveedor es un acto de adquisición; decidir qué datos se exponen, cómo se enruta cada tarea y quién responde por los resultados es un acto de gobierno, y ese no se delega a un contrato.

El cuarto, el más costoso, es confundir usar inteligencia artificial con poseer capacidad. Una empresa puede ceder, sin advertirlo, el activo que la distingue —su información— a cambio de la comodidad de un servicio. Y ahí, no en el modelo, estaba su foso.

Hoja de ruta: qué poseer, qué controlar, qué alquilar

Si el modelo es insumo, la pregunta que ordena la estrategia es cuál capa de la cadena conviene poseer, cuál controlar y cuál alquilar. La respuesta admite un criterio simple.

Poseer el dato propietario y su gobierno. Es el único activo que ningún proveedor entrega y que ningún competidor replica. La información de la empresa, su trazabilidad y las reglas que la rigen deben quedar dentro de su perímetro, cualquiera sea el modelo que se use encima.

Controlar la capa de orquestación. Entre la empresa y los modelos se sitúa un enrutador: el mecanismo que decide qué tarea va a qué modelo, según costo, calidad, sensibilidad del dato y jurisdicción. Esa capa —no el modelo— se está volviendo el verdadero punto de control económico y de gobierno, y es donde las plataformas empresariales concentran hoy su desarrollo (SiliconANGLE, 2026). Quien la controla conserva la libertad de cambiar de modelo sin rehacer su operación.

Alquilar el modelo base, con criterios de salida. Conviene tratarlo como lo que es: una pieza reemplazable. Eso supone trabajar con una cartera de modelos —de frontera para lo difícil, abiertos y menores para el volumen repetitivo— y evitar acoplamientos que impidan sustituir uno por otro.

Este diseño tiene un correlato de negocio que empieza a medirse. Un estudio de MIT Technology Review Insights con EnterpriseDB halló que las organizaciones más comprometidas con la soberanía sobre sus datos, modelos y gobierno obtienen un retorno varias veces mayor de sus iniciativas de IA (MIT Technology Review Insights, 2026). La lógica es directa: cuando la capacidad se abarata, el rendimiento no proviene de tener el mejor modelo, sino de gobernar mejor el dato y las decisiones que lo rodean. El directorio que internaliza esto deja de preguntar «¿qué modelo compramos?» y empieza a preguntar «¿qué construimos y poseemos alrededor de él?».

Referentes internacionales

Tres referencias ayudan a calibrar la decisión. Corea del Sur convirtió la soberanía en política de Estado: su proyecto Sovereign AI Foundation Model, del Ministerio de Ciencia, seleccionó equipos nacionales para construir modelos propios y, en enero de 2026, excluyó a uno de sus favoritos —la unidad en la nube de un gigante tecnológico— por no haber entrenado el modelo desde cero. El gobierno fijó un estándar exigente: reutilizar pesos ya entrenados por otros, aun de fuente abierta, no califica como desarrollo independiente (The Korea Herald, 2026). La lección es la contraparte del entusiasmo: soberanía real no es tomar un modelo ajeno y ajustarlo.

Suiza mostró la otra cara: un modelo de lenguaje soberano, abierto y multilingüe, entrenado desde el principio con recursos públicos, que prueba que la ruta es técnicamente viable, pero exige inversión sostenida, coordinación institucional y capacidad de cómputo propia (Tanner y Kerry, 2025). No hay atajos: la soberanía por la vía de partir de un modelo de terceros y la de construir desde cero tienen costos muy distintos, y el directorio debe elegir cuál puede sostener.

Y en el plano de la doctrina, el consenso de 2026 lo resumió Jensen Huang, al frente del principal fabricante de semiconductores para inteligencia artificial: la disyuntiva no es propietario contra abierto, sino propietario y abierto; cada organización, y cada país, terminará operando una combinación de modelos de frontera, abiertos, especializados y propios, enrutados según la tarea (Huang, citado en SiliconANGLE, 2026). Latam-GPT inscribe a la región en esa conversación, no como consumidora, sino como desarrolladora.

Síntesis y preguntas para el directorio

El desenlace es claro. La inteligencia artificial se distribuye, los modelos se abaratan y se vuelven intercambiables, y por eso mismo el modelo dejó de ser la ventaja competitiva. Lo que distingue a una empresa es su dato propietario y el sistema de gobierno que construye encima: qué información posee, cómo la protege, cómo decide qué modelo usar para cada tarea y quién responde por ello. Eso no lo entrega ningún proveedor y no lo puede delegar el directorio. Cinco preguntas para llevar a la próxima sesión:

•  ¿Qué activo nuestro —qué dato o qué proceso— quedaría expuesto o inutilizable si un proveedor cambiara sus condiciones de acceso mañana?

•    ¿Tenemos un plan de portabilidad que nos permita cambiar de modelo o de proveedor sin rehacer la operación?

•    ¿Quién gobierna, dentro de la organización, la decisión de qué tarea va a qué modelo?

•    ¿Qué criterios de soberanía y residencia de datos aplicamos al elegir proveedores?

•    ¿Sabemos con precisión de qué proveedores dependemos y cuán reversible es esa dependencia?

Referencias

CENIA. (2026, 10 de febrero). Latam-GPT: la primera IA regional abierta creada con datos latinoamericanos. Centro Nacional de Inteligencia Artificial. https://cenia.cl/2026/02/10/latam-gpt-la-primera-ia-regional-abierta-creada-con-datos-latinoamericanos/

Cheung, R. (2024, 23 de julio). Meta releases Llama 3.1 405B. The Rundown AI. https://www.therundown.ai/p/meta-releases-llama-405b

ETF Trends. (2026, 6 de junio). Open-source AI models are eating the frontier: where value goes. ETF Trends. https://www.etftrends.com/artificial-intelligence-content-hub/open-source-ai-models-are-eating-frontier-where-value-goes/

Lambert, N. (2026, 17 de febrero). Open models in perpetual catch-up. Interconnects. https://www.interconnects.ai/p/open-models-in-perpetual-catch-up

Ley N° 31814, Ley que promueve el uso de la inteligencia artificial en favor del desarrollo económico y social del país. (2023, 5 de julio). Diario Oficial El Peruano.

Meta AI. (2024, 23 de julio). Introducing Llama 3.1: Our most capable models to date. Meta. https://ai.meta.com/blog/meta-llama-3-1/

Michu, S. (2026, 7 de julio). AI sovereignty is a new test for enterprises. CIO. https://www.cio.inc/ai-sovereignty-new-test-for-enterprises-a-32166

MIT Technology Review Insights. (2026, 14 de mayo). Establishing AI and data sovereignty in the age of autonomous systems. MIT Technology Review. https://www.technologyreview.com/2026/05/14/1137168/establishing-ai-and-data-sovereignty-in-the-age-of-autonomous-systems/

SiliconANGLE. (2026, 5 de julio). Alex Karp, frontier models and the real fight for enterprise AI. SiliconANGLE. https://siliconangle.com/2026/07/05/alex-karp-frontier-models-real-fight-enterprise-ai/

Tanner, B. y Kerry, C. F. (2025, 25 de noviembre). Latam-GPT and the search for AI sovereignty. Brookings Institution. https://www.brookings.edu/articles/latam-gpt-and-the-search-for-ai-sovereignty/

The Korea Herald. (2026, 19 de enero). Sovereign AI and the limits of autonomy. The Korea Herald. https://www.koreaherald.com/article/10657741