¿Autoregulación de la IA o cierre a posibles competencias?

La intuición apunta directamente a uno de los debates más agresivos y reales de la industria, el fenómeno conocido en economía y derecho como captura regulatoria (regulatory capture), popularmente resumido como "levantar la escalera después de haber subido".

La sospecha de que los gigantes del sector buscan frenar a la competencia bajo el argumento de la seguridad no es una teoría conspirativa sin fundamento; es una crítica formal que sostienen economistas, fondos de inversión de riesgo, comunidades de código abierto e incluso la propia Meta.

Cuando compañías que han invertido decenas de miles de millones de dólares en entrenar modelos de frontera piden a los gobiernos que regulen o frenen el avance, entran en juego dos dinámicas simultáneas:

Creación de barreras de entrada artificiales: Si la ley exige auditorías de seguridad multimillonarias, licencias gubernamentales previas o umbrales arbitrarios de capacidad de cómputo (medidos en operaciones de punto flotante o FLOPs), solo gigantes como Microsoft, OpenAI, Google o Anthropic pueden costearlo. Una startup o un grupo de investigadores universitarios queda fuera del juego automáticamente.

Neutralización de la amenaza del código abierto: Un modelo cerrado vende acceso por suscripción o API. Los modelos abiertos permiten a cualquier empresa montar su propia infraestructura sin pagar peaje a Silicon Valley. Quienes defienden modelos propietarios han presionado para catalogar la liberación de pesos de modelos (open weights) como un riesgo de seguridad nacional.

Existen múltiples precedentes en industrias como la farmacéutica, las telecomunicaciones o las finanzas, las empresas dominantes suelen participar activamente en la redacción de las regulaciones para moldear requisitos que ahoguen a los nuevos competidores bajo cargas de cumplimiento burocrático.

Meta juegan en otro bando, lo que ventilo el disfraz.

Meta no se negó a firmar cartas de pausa o a apoyar regulaciones por descuido, sino por una estrategia de negocio calculada, además de que este acto evidencia la piel de oveja que ocuparon recientemente los CEO de las principales empresas desarrolladoras de IA.

Su modelo de negocio es distinto, Meta no vive de vender acceso a la nube ni de cobrar por cada token de API. Su negocio son las plataformas sociales, la publicidad y el hardware de realidad mixta/gafas inteligentes.

Para Meta, abaratar el software de IA beneficia a todo su ecosistema. Si la IA es un bien común y abierto, empresas como OpenAI o Google pierden la capacidad de cobrar rentas de monopolio sobre una tecnología que Meta necesita integrar en sus productos.

La postura pública de Yann LeCun, el científico jefe de IA de Meta ha denunciado públicamente que el discurso catastrofista sobre la extinción humana por IA es impulsado por empresas que buscan crear un oligopolio protegido por el Estado para eliminar la competencia del software libre.

El papel de las gobiernos.

Para garantizar un ecosistema equitativo y seguro, los países deben regular el uso final y el impacto social de los sistemas en lugar de restringir la investigación abstracta, combinando límites de seguridad claros con acceso a infraestructura pública accesible.

 1. Evaluar aplicaciones, no algoritmos: Una red neuronal no es inherentemente peligrosa; el riesgo surge al desplegarla en asignación de créditos, triaje médico autónomo o justicia penal. La carga regulatoria estricta debe aplicarse al contexto de implementación.

2. Cargas de cumplimiento escalonadas: Las corporaciones que despliegan modelos a escala masiva deben financiar auditorías técnicas y pruebas de estrés (red-teaming), mientras que investigadores y startups requieren regímenes simplificados para evitar que los costes de cumplimiento actúen como barrera anticompetitiva.

3. Supercómputo compartido: El principal obstáculo para competir es el coste del hardware avanzado (GPUs). Los consorcios estatales deben proveer centros de cómputo públicos para que universidades y nuevos desarrolladores entrenen modelos de frontera sin depender de nubes corporativas privadas.

4. Depósitos de datos públicos y de alta calidad: Fomentar archivos de entrenamiento abiertos, curados y representativos de las realidades locales, evitando que el desarrollo quede limitado a quienes poseen monopolios sobre datos privados.

5. Protección del código abierto (open weights): Distinguir normativamente entre productos comerciales listos para consumo y la publicación de modelos base o pesos abiertos para fines de auditoría, investigación y desarrollo descentralizado.

6. Interoperabilidad obligatoria: Imponer estándares de APIs abiertas y portabilidad técnica a los proveedores dominantes para prevenir el bloqueo de proveedores (vendor lock-in) y permitir que herramientas independientes se conecten sin barreras artificiales.

7. Bancos de prueba supervisados: Habilitar espacios donde nuevos agentes económicos experimenten prototipos bajo supervisión estatal temporal antes del lanzamiento al mercado.

8. Agencias de seguridad estatales y neutrales: Establecer institutos de evaluación técnica públicos con capacidad de auditar sistemas de alto impacto de manera externa, evitando que las propias tecnológicas sean sus únicos jueces de seguridad.

El reto radica en tratar la inteligencia artificial como una infraestructura pública similar a la red eléctrica o el transporte, un bien sobre el que cualquiera puede innovar, regulado rigurosamente en sus puntos de contacto críticos con la seguridad colectiva.