La carrera en inteligencia artificial ya no se mide únicamente por quién posee el modelo más avanzado. Cada vez es más determinante una cuestión menos espectacular, pero crucial: quién puede sostener económicamente la infraestructura necesaria para entrenar, desplegar y escalar estos sistemas. En esa contienda, Estados Unidos y China parecen adoptar estrategias que se van diferenciando cada vez más.

Estados Unidos mantiene la ventaja en capacidad industrial, acceso a los aceleradores más sofisticados y en el control de buena parte del software que respalda la IA moderna. En cambio, China, restringida por controles de exportación y una cadena de suministro más presionada, impulsa modelos más eficientes, arquitecturas MoE, chips nacionales y una cultura de desarrollo de productos acostumbrada a operar con menos hardware. La diferencia no es solo tecnológica, sino también en aspectos geopolíticos, energéticos y empresariales.

Estados Unidos apuesta por escala, chips y control de toda la cadena de valor

La estrategia estadounidense se basa en una idea conocida: quien domina la infraestructura controla gran parte del mercado. NVIDIA ha consolidado su posición dominante no solo con GPUs, sino con una infraestructura completa que incluye aceleradores, redes, software, bibliotecas, sistemas validados y arquitecturas para lo que llaman « fábricas de IA ». Blackwell es la manifestación más reciente de esa visión: no solo se comercializa como un chip, sino como una arquitectura integral para entrenamiento, inferencia, razonamiento y despliegues empresariales a gran escala.

Esta posición también la convierte en pieza clave en la estrategia geopolítica. Las restricciones estadounidenses a la exportación de chips avanzados hacia China buscan mantener la ventaja de Estados Unidos y sus aliados en capacidad de cómputo. Sin embargo, esa supervisión no es perfecta. Recientemente, Reuters reportó, basándose en informaciones de Bloomberg, que servidores con chips NVIDIA habrían llegado a China mediante Tailandia, con Alibaba mencionado como posible destinatario final. Alibaba negó cualquier vínculo con las empresas señaladas o el uso de GPUs prohibidas.

El otro frente importante es la fabricación. La administración Trump promovió que parte de la producción avanzada volviera a EE. UU., con Intel como actor clave para recuperar relevancia frente al peso de TSMC. Un acuerdo preliminar entre Apple e Intel, divulgado por Reuters a partir del Wall Street Journal, sugiere ese esfuerzo de reforzar la manufactura local y diversificar una cadena demasiado dependiente de Taiwán.

En este contexto, se habla del proyecto denominado «Terafab», vinculado a Elon Musk e Intel. Forbes ha mencionado una iniciativa de 25 mil millones de dólares para fabricar chips de IA, y medios locales en Texas han mencionado terrenos cerca de College Station como posibles ubicaciones. Es importante tomar estos datos con precaución, ya que aún no hay confirmaciones oficiales completas y las cifras varían según las fuentes.

La lógica es clara: si Tesla, xAI, SpaceX y otros proyectos vinculados a Musk desean competir en conducción autónoma, robótica humanoide, agentes de IA y centros de datos especializados, necesitan garantizar capacidad de cálculo. La escasez de GPUs y la concentración de fabricación en Asia han convertido el acceso al silicio en una cuestión de autonomía empresarial.

China responde con eficiencia, modelos abiertos y hardware propio

China no puede jugar exactamente la misma partida. Las restricciones de EE. UU. han limitado el acceso a los chips más avanzados, obligando a sus empresas a optimizar cada ciclo disponible. En respuesta, ha surgido una estrategia diferente: hacer más con menos, reducir costos de inferencia, utilizar arquitecturas de expertos y acelerar el uso de chips nacionales como Huawei Ascend.

DeepSeek V4 ejemplifica esta tendencia. La compañía presentó en abril de 2026 su versión DeepSeek-V4 Preview, con versiones Pro y Flash, capaz de manejar hasta un millón de tokens y diseñada para ofrecer un balance agresivo entre coste y rendimiento. Aunque no iguala la ventaja de los grandes sistemas cerrados estadounidenses, sí presiona sus precios y obliga a justificar por qué un cliente debería pagar más por un modelo superior.

Proyectos como Moonshot AI, con Kimi K2.6, siguen esa línea, presentándose como modelos multimodales enfocados en programación y agentes. Paralelamente, empresas como Anthropic lanzan Claude Opus 4.6, y OpenAI anuncia GPT-5.5. La frontera se sigue cerrando, y aunque no se puede afirmar que China haya igualado completamente a EE. UU., la adopción de modelos abiertos o semiabiertos asiáticos reduce la brecha en muchos casos empresariales.

La eficiencia se vuelve una necesidad imperante. Las arquitecturas MoE permiten activar solo una parte del modelo en cada consulta, minimizando costos computacionales en comparación con diseños densos. La compresión, la cuantización, el uso intensivo de cachés y la optimización de kernels son tan importantes como el tamaño del modelo. En un mercado donde la inferencia puede representar una mayor parte del gasto final que el entrenamiento, esa búsqueda de eficiencia se transforma en ventaja competitiva.

Huawei, con su chip Ascend 910C, representa otro enfoque. Aunque sus chips carecen del apoyo global en software como CUDA y tienen un acceso más limitado a nodos de fabricación avanzados, China apuesta a su adopción como alternativa nacional. Funcionarios estadounidenses han reconocido que Huawei sigue en volúmenes limitados, aunque también admiten que China está cerrando la brecha en capacidades de IA.

El código abierto deja de ser solo una filosofía y pasa a ser una estrategia

El tercer frente lo constituyen los modelos abiertos. Meta ha defendido durante años que Llama acerca la IA avanzada a más desarrolladores y empresas. Su página oficial destaca más de 1.200 millones de descargas, cifra que refleja una adopción masiva en la comunidad técnica.

No obstante, el debate es más complejo. La Open Source Initiative ha cuestionado si las licencias de Llama cumplen con su definición de código abierto, debido a restricciones de uso y a la falta de apertura sobre datos de entrenamiento. Es más preciso decir que muchas veces no se trata de modelos de código abierto en sentido estricto, sino de modelos con pesos de acceso abierto o licenciados de forma propietaria.

¿Por qué una empresa entregaría parte de su tecnología? La respuesta es estratégica: si el modelo se vuelve accesible, el valor se desplaza hacia la infraestructura, los datos propietarios, la integración en productos y la capacidad de operar a gran escala. Meta puede hacerlo porque monetiza atención, publicidad y plataformas. En China, las compañías aprovechan los modelos abiertos para ampliar su adopción internacional, fortalecer comunidades y compensar desventajas en hardware.

El resultado es un mercado menos dependiente de laboratorios cerrados. Si un modelo abierto o de bajo coste puede resolver el 80 % de las tareas con un gasto mucho menor, muchas empresas no estarán dispuestas a pagar siempre por lo más potente. La elección en IA comienza a parecerse menos a una competencia de benchmarks y más a una decisión de arquitectura: coste por token, latencia, privacidad, soberanía de datos, dependencia del proveedor y facilidad para ajustar el modelo.

La gran interrogante no es si el talento matemático chino superará en esto al músculo industrial estadounidense, sino en qué niveles de la pila ocurrirá esa competencia. EE. UU. mantiene el liderazgo en aceleradores, nube, software de bajo nivel y capital. China avanza en eficiencia, adopción de modelos abiertos y reducción de costos. La interacción de estas fuerzas define un nuevo orden del silicio, donde la IA más valiosa no será siempre la más grande, sino la que pueda sostenerse de manera más sustentable.

Preguntas frecuentes

¿En qué se diferencian la estrategia de IA de EE. UU. y la de China?

Estados Unidos se apoya en chips avanzados, grandes centros de datos, software propietario y control de toda la cadena de suministro. China responde con modelos más eficientes, arquitecturas MoE, chips nacionales y políticas de precios agresivas.

¿Por qué NVIDIA es tan relevante en esta carrera?

NVIDIA no solo domina con sus GPUs, sino que su fortaleza radica en la integración de hardware, software CUDA, redes, soluciones empresariales y diseños completos para centros de datos de IA.

¿Los modelos abiertos chinos ya superan a los modelos cerrados de EE. UU.?

No necesariamente en todas las tareas. En algunos casos ofrecen ventajas en coste y cercanía, pero los modelos cerrados de OpenAI, Anthropic y Google siguen siendo pioneros en capacidades avanzadas.

¿Llama de Meta es realmente código abierto?

Depende del criterio. Meta se presenta como abierto, pero la Open Source Initiative cuestiona esa clasificación debido a sus restricciones. Mejor hablar de modelos de pesos abiertos o con licencias propietarias.