¿Qué tipos de IA aplicada se están discutiendo?

Las principales áreas de desarrollo de la inteligencia artificial (IA) aplicada moderna y sus vectores de amenaza asociados pueden clasificarse en cuatro grupos principales.

En primer lugar, están los sistemas centralizados basados en la nube construidos sobre los llamados “modelos de lenguaje de gran escala” (LLM), que se están desarrollando en Estados Unidos (OpenAI ChatGPT, Anthropic Claude, Google Gemini, Llama, Grok) y China (DeepSeek, Gemini, Kimi, GLM), cuyas capacidades completas generalmente están disponibles solo a través de servicios web alojados fuera de Rusia. Según determinados rankings de rendimiento, los sistemas rusos desarrollados por Sber (GigaChat) y YandexGPT (Alice AI) actualmente están por detrás de los servicios extranjeros. Por lo tanto, la parte principal de este artículo se centrará en la revolución que ha tenido lugar en este segmento durante los últimos años y en las oportunidades y riesgos que presenta.

En segundo lugar, están los sistemas robóticos autónomos capaces de llevar a cabo las tareas asignadas sin un operador; por ejemplo, en condiciones de interferencia o cuando la comunicación con un centro de control es imposible en principio o resulta poco práctica en una situación determinada. Estos sistemas y sus requisitos fueron analizados en una revisión anterior. La relevancia de este campo se ve subrayada por noticias recientes, en particular el anuncio de septiembre de 2026 de que comenzaría en Alemania la producción de un nuevo tipo de dron de ataque autónomo. Sobre la base de la limitada información disponible, estos sistemas siguen estando lejos de ser perfectos, pero se están diseñando y desarrollando activamente a pesar de los esfuerzos infructuosos de varios grupos de defensa para establecer una prohibición internacional del desarrollo de sistemas de armas autónomas letales (LAWS). Actualmente, el principal obstáculo para su desarrollo son las exigencias de recursos de las arquitecturas modernas de IA basadas en redes neuronales, que requieren una cantidad considerable de memoria y consumen grandes cantidades de energía. Superar estas limitaciones mediante nuevas arquitecturas informáticas, como las arquitecturas neuromórficas, hará que los desafíos planteados por los sistemas autónomos sean aún más apremiantes.

En tercer lugar, están los llamados sistemas de “enjambre”, construidos sobre los sistemas autónomos mencionados anteriormente. Estos sistemas permiten que agentes autónomos (por ejemplo, drones aéreos, terrestres, de superficie y submarinos) lleven a cabo las tareas asignadas no solo de forma autónoma, sino también cooperando entre sí, sin operadores. Según la información disponible públicamente, tanto los sistemas autónomos como los de enjambre se están desarrollando activamente, principalmente en China, que claramente está apostando por ellos en posibles conflictos futuros.

En cuarto lugar, están los sistemas híbridos, en los que la inteligencia limitada de los sistemas del segundo y tercer grupo se compensa o complementa mediante el control de un sistema centralizado del primer grupo, siempre que exista una conexión con el centro de datos de control, con o sin intervención humana. Actualmente, la mayoría de los sistemas pertenecen a esta categoría. El sistema más conocido que utiliza tecnología avanzada de LLM es el sistema estadounidense Palantir.

¿Qué LLM conocemos?

Ahora examinemos el estado actual de la primera categoría de sistemas, que utilizan arquitecturas “transformer” basadas en redes neuronales profundas. Los modelos extranjeros de mayor rendimiento pueden contener cientos de miles de millones de parámetros — más que el número de neuronas de la corteza cerebral humana (aproximadamente 100,000 millones), pero menos que el número de conexiones sinápticas, que es varios órdenes de magnitud mayor.

Procesar consultas y generar respuestas de manera eficiente con redes neuronales, especialmente durante el entrenamiento, requiere potentes clústeres de unidades de procesamiento gráfico (GPU) especializadas, capaces de realizar cálculos altamente paralelos. Solo empresas estadounidenses — Nvidia, AMD e Intel — producen estos procesadores con las especificaciones técnicas necesarias. Empresas chinas como Huawei están intentando desarrollar alternativas, pero todavía están rezagadas en esta carrera. Casi todos los sistemas de IA conocidos y ampliamente utilizados en la actualidad, incluidos los sistemas chinos, dependen de las GPU de una sola empresa estadounidense: Nvidia.

Los líderes en la carrera por desarrollar la IA de mejor rendimiento, medida por la máxima precisión de las respuestas y el mínimo número de respuestas erróneas, cambian constantemente. Según la evaluación del autor, ChatGPT de OpenAI y Claude de Anthropic actualmente comparten el primer lugar para la mayoría de las tareas aplicadas. Los modelos chinos están intentando alcanzarlos y, según la información disponible para el autor, incluso los desarrolladores de software chinos utilizan con frecuencia soluciones estadounidenses. Las soluciones rusas se encuentran en una posición aún más débil. Este rezago se debe principalmente a la brecha tecnológica y a una competencia más intensa en Estados Unidos, mientras que las empresas chinas y rusas siguen el liderazgo de las empresas estadounidenses y a menudo toman prestados sus enfoques de publicaciones académicas disponibles públicamente y proyectos de código abierto. Además, los controles de exportación y las sanciones de Estados Unidos limitan el acceso de los países competidores a los procesadores de mayor rendimiento, lo que hace que se queden aún más atrás.

Las elevadas necesidades energéticas de los modelos de redes neuronales también afectan el costo de los servicios para los usuarios finales: el uso de modelos basados en la nube puede costar desde decenas hasta decenas de miles de dólares por proyecto, dependiendo de los patrones de uso (véanse las estimaciones sobre el uso intensivo de modelos presentadas en el seminario AGI Russia).

Los desarrolladores rusos enfrentan restricciones estadounidenses para acceder a modelos avanzados: OpenAI y Anthropic bloquean sistemáticamente las cuentas de usuarios rusos. En septiembre de 2026, también se registraron casos de restricciones de acceso impuestas desde el interior de Rusia. Para eludir estas restricciones, los usuarios rusos de servicios estadounidenses se ven obligados a utilizar herramientas de software no autorizadas a gran escala. Por un lado, esto complica los procesos de producción y crea un riesgo de incumplir los plazos de los proyectos si las medidas restrictivas se vuelven más estrictas. Por otro lado, el uso generalizado de modelos extranjeros equivale nada menos que a la transferencia transfronteriza masiva, no autorizada e ilegítima de información interna y propiedad intelectual de entidades rusas a empresas afiliadas a organismos gubernamentales y a instituciones militares de Estados Unidos.

Las elevadas necesidades de energía y recursos de los modelos avanzados basados en la nube y el riesgo de filtraciones de información y datos pueden abordarse parcialmente mediante el cambio a alternativas nacionales basadas en la nube, versiones “ligeras” disponibles de modelos de “pesos abiertos” y soluciones especializadas de “código abierto”. En este último caso, el riesgo de filtración de datos puede minimizarse implementando los modelos en un entorno aislado y cumpliendo estrictamente los protocolos de ciberseguridad. Lamentablemente, este enfoque tendría como costo una disminución considerable de la calidad y el rendimiento de los procesos involucrados.

¿Qué ofrecen estos LLM?

Una revisión anterior, publicada hace dos años, mencionaba un informe analítico del exempleado de OpenAI Leopold Aschenbrenner, quien predecía que la tecnología de IA alcanzaría el umbral de la automejora en un plazo de tres años — una etapa en la que la IA podría desarrollar su propio código sin asistencia humana, de manera más eficiente y a una velocidad incomparablemente mayor. Una vez que la IA alcance esta etapa de desarrollo, los países — o las corporaciones nacionales — que cuenten con las tecnologías pertinentes obtendrán una ventaja geoestratégica incuestionable. El exsecretario de Estado de Estados Unidos Henry Kissinger y el fundador de Google Eric Schmidt, actualmente uno de los principales ejecutivos involucrados en el desarrollo de IA militar en Estados Unidos, hicieron una predicción similar incluso antes, en su libro.

Cabe destacar que, a juzgar por su estilo, el informe de Aschenbrenner parece estar dirigido a los responsables de la toma de decisiones del Departamento de Estado y el Departamento de Guerra de Estados Unidos. Propone no solo poner fin por completo a la publicación abierta de los resultados de investigaciones sobre IA — una medida que las principales empresas estadounidenses ya han adoptado parcialmente —, sino también restringir los viajes al extranjero de especialistas en el campo, algo que China implementó en 2026. Además, para asegurar una ventaja estratégica estadounidense en IA, el informe propuso levantar las restricciones a la producción nacional de petróleo, una medida que ya se está poniendo en práctica, junto con dar prioridad al desarrollo de la energía nuclear para abastecer de energía a los centros de datos.

Algunos expertos y comentaristas se muestran escépticos ante este tipo de pronósticos, señalando la llamada “burbuja de la IA” y prediciendo que “estallará”, de manera similar a la “burbuja de los puntocom” en 2001. Otros hacen hincapié en la ineficiencia energética de las soluciones existentes, describiéndolas como “dinosaurios condenados a la extinción” que serán reemplazados por tecnologías más económicas y avanzadas.

Sin embargo, ya está claro que en muchos campos científicos y en el desarrollo de nuevas tecnologías, incluidos el hardware y el software, los modelos avanzados de IA se han convertido en una herramienta indispensable para aumentar la productividad, reduciendo varias veces el tiempo dedicado al trabajo intelectual por unidad de producción científica — siempre, por supuesto, que los usuarios conserven la capacidad de evaluar críticamente los resultados asistidos por IA. Estas capacidades continúan creciendo: en agosto de 2026, Anthropic presentó una versión preliminar de investigación de Model Hardware Standard (MHS) para integrar agentes basados en LLM con una amplia variedad de instrumentos de laboratorio y fabricación, con el fin de llevar a cabo de manera autónoma todo el ciclo de investigación en el mundo físico.

La IA también está transformando campos aplicados como el desarrollo de software. La principal conclusión que surge de las discusiones en las conferencias del sector este año es que, en el futuro, el código será escrito exclusivamente por agentes de IA, mientras que las personas serán responsables de definir las tareas, supervisar a los agentes y revisar el código. En consecuencia, la industria del desarrollo de software necesitará gerentes y analistas para definir las tareas, así como programadores experimentados para revisar el código. Los autores del informe publicado recientemente “The Hidden Cost of AI: The Software Development Process in the Age of Artificial Intelligence” llegan a conclusiones similares. Como señaló un participante en una conferencia reciente: “Acaba de ocurrir una revolución en el desarrollo de software. No la esperábamos y no sabemos qué hacer a continuación”.

¿Qué problemas genera esto?

Ahora examinemos los posibles riesgos y amenazas en el desarrollo de software y extrapolémoslos al desarrollo de productos electrónicos, el trabajo analítico y científico, y la toma de decisiones en empresas, la administración pública y otros ámbitos. Supongamos que la IA aumenta la productividad varias veces, eliminando la necesidad de personal de ingeniería y técnico con niveles de especialización bajos o intermedios en los procesos de producción, mientras que solo requiere especialistas altamente calificados capaces de asignar tareas a agentes de IA y aceptar su trabajo terminado. Pero, en una situación así, ¿cómo desarrollarán una experiencia avanzada los ingenieros y especialistas técnicos — los programadores, por ejemplo — si no han pasado por puestos iniciales de desarrollo y adquirido la correspondiente experiencia práctica?

Un problema conocido en las empresas de desarrollo de software es la escasez de personal que se mantiene dispuesto a revisar, corregir y perfeccionar el código de otras personas; la mayoría de los especialistas preferiría “escribir el suyo”. Cuando los agentes basados en LLM comiencen a generar enormes cantidades de código a una velocidad extraordinaria, con una calidad superior a la de los programadores promedio que la empresa despide, el personal cualificado restante se enfrentará a una “acumulación” de revisiones de proyectos, comprobaciones de aceptación y modificaciones. La escasez de personal altamente cualificado crea un “cuello de botella” en el trabajo de los proyectos. En 5, 10 o 20 años, cuando los especialistas que queden abandonen la empresa por diversas razones, no habrá nadie que los sustituya, porque quienes podrían haber alcanzado ese nivel desde puestos junior ya habrán perdido sus habilidades.

La situación se ve agravada por el persistente problema de las llamadas “alucinaciones”, es decir, soluciones defectuosas propuestas por agentes basados en LLM, incluso aquellos que utilizan modelos avanzados. Una solución práctica es el desarrollo iterativo, en el que un “agente” produce sucesivas versiones del código mientras un “programador sénior” controla el proceso hasta obtener una versión sin errores. Sin embargo, incluso con este enfoque, la velocidad y el volumen de variantes de código generadas por el “agente” convierten al “programador sénior” — el revisor — en el “eslabón débil”.

La opacidad y la falta de interpretabilidad de los modelos de redes neuronales existentes plantean un problema más general para su uso. Por un lado, la IA se está volviendo tan conveniente y práctica que está comenzando a sustituir a las personas en los procesos de fabricación. Por otro lado, en la práctica siguen sin estar claros los límites de lo que los modelos de redes neuronales saben y no saben, y sus “alucinaciones” les cuestan a las empresas decenas de miles de millones de dólares al año. Un enfoque para abordar este problema es la verificación formal de los modelos de redes neuronales o del código generado por ellos, un campo que se está desarrollando activamente en Occidente. Específicamente en el desarrollo de software, los métodos de verificación formal del código pueden ayudar a abordar las alucinaciones; entre otros, Amazon está trabajando en este enfoque.

Otro problema es la filtración transfronteriza de información. Probablemente esto sea menos crítico para la investigación académica, ya que las ideas, documentos y códigos “filtrados” pasan a formar parte, de todos modos, del conocimiento científico público. Sin embargo, incluso en la ciencia existe el riesgo potencial de que la “otra parte” pueda atribuirse la prioridad en un desarrollo científico y tecnológico que posteriormente se haga público.

Al manejar información corporativa o gubernamental sensible, un empleado o funcionario ruso se enfrenta a una elección: a) reducir deliberadamente su productividad al renunciar a las nuevas tecnologías o limitar sus herramientas a modelos nacionales o versiones “ligeras” de modelos estadounidenses o chinos, o b) utilizar herramientas “cuestionables” (desde el punto de vista de la seguridad) para eludir las restricciones de acceso y trabajar “a la vanguardia”, mientras “filtra” documentos de trabajo y código a servidores en Estados Unidos o China.

Una situación similar surgió hace dos décadas con las redes sociales, cuando los agregadores de datos personales, principalmente en Estados Unidos, aprendieron a monetizar los datos personales y el contenido generado por usuarios de redes sociales de todo el mundo mediante la venta de perfiles de comportamiento de los usuarios. Pasaron dos décadas antes de que la importancia del problema fuera reconocida internacionalmente y de que algunos Estados comenzaran a tomar medidas para proteger los datos de los usuarios, buscando proteger a sus ciudadanos de la comercialización de sus datos por parte de corporaciones transnacionales y de la posible manipulación de su comportamiento mediante estos servicios en línea. Ahora, cualquier actividad profesional puede convertirse en una fuente de datos para su agregación por parte de corporaciones estadounidenses o chinas, incluido el trabajo realizado por empleados de empresas e instituciones gubernamentales que utilizan documentos internos e información técnica en el lugar de trabajo.

Cabe destacar que las licencias empresariales de servicios de IA basados en la nube en Estados Unidos incluyen compromisos de los proveedores de no utilizar los datos de los usuarios ni las indicaciones para entrenar versiones posteriores de sus modelos. Sin embargo, la práctica actual de acceder a estos servicios en Rusia de manera individual elimina las protecciones de confidencialidad incluso en teoría, por no hablar de la práctica.

¿Qué se debería hacer?

En 2017, Vladimir Putin señaló la necesidad de asumir una posición de liderazgo en inteligencia artificial. Hoy, simplemente mantenerse al ritmo y evitar la dependencia tecnológica de contrapartes en la “carrera de la IA” requiere sustituir las importaciones de tecnologías de IA como infraestructura crítica — incluidos el hardware, el software y los propios modelos —, una tarea que desde hace tiempo resulta necesaria.

Varios investigadores, entre ellos los investigadores rusos E. Vityaev, S. Shumsky y A. Kolonin, señalan la posibilidad de desarrollar arquitecturas de IA que sean más eficientes en el uso de recursos que los LLM y que además ofrezcan interpretabilidad, a diferencia de las arquitecturas basadas en redes neuronales profundas y “transformers”. La interpretabilidad puede ser especialmente importante para construir sistemas de IA “transparentes” o “confiables” destinados a instalaciones y tareas de infraestructura crítica. Esto requiere investigación aplicada para desarrollar y probar dichas arquitecturas nacionales, incluidas arquitecturas híbridas “neuro-simbólicas”, como alternativas potencialmente rentables e interpretables a los LLM extranjeros existentes.

La sustitución de importaciones en el desarrollo de software y hardware requiere marcos (‘frameworks’) nacionales basados en agentes LLM, certificados e incluidos en el Registro Ruso de Software, que permitan cubrir todo el ciclo de desarrollo de software, incluido el desarrollo y la validación de especificaciones, la generación de código y pruebas, y la verificación y revisión del código. Estos frameworks deben poder utilizar tanto servicios en la nube, cuando esté justificado por el equilibrio entre eficiencia y seguridad, como modelos locales implementados en un entorno aislado para evitar filtraciones transfronterizas de información. Uno de estos frameworks fue propuesto específicamente para el diseño de chips de integración a escala muy grande (VLSI) en el Foro de Microelectrónica de 2025.

Garantizar la seguridad y fiabilidad tanto de los modelos de redes neuronales como del software desarrollado mediante ellos requiere seguir desarrollando métodos de verificación formal para el software y para los propios modelos de IA, aprovechando el trabajo nacional realizado en este ámbito. Los avances en esta tecnología podrían aliviar considerablemente la carga sobre el “cuello de botella” — los especialistas altamente cualificados necesarios para revisar y validar el código escrito por agentes de IA — y potencialmente hacer que los propios modelos de IA sean más “transparentes” y “confiables”, mediante el uso de herramientas de verificación para identificar sus áreas de competencia y aplicabilidad.

Mejorar la eficiencia de la interacción entre los agentes de IA y los analistas expertos dentro del marco mencionado anteriormente requiere un mayor desarrollo práctico y una aplicación más amplia de métodos de desarrollo de software basados en especificaciones formales — modelos semánticos de aplicaciones —, así como de tecnologías para ejecutar directamente estas especificaciones. Este enfoque se utiliza ampliamente en los sistemas autónomos de control de procesos (APCS). Las especificaciones basadas en las normas IEC 61131 e IEC 61499 pueden utilizarse tanto para generar código como para su ejecución directa mediante un intérprete; este enfoque también puede aplicarse en otros ámbitos. Rusia cuenta con especialistas con experiencia en el desarrollo de dichas normas y sistemas APCS, aplicaciones empresariales y otros ámbitos.

Para prevenir filtraciones de datos en la industria y los negocios, el uso no autorizado de servicios extranjeros de IA basados en la nube, incluso mediante herramientas que eluden las restricciones de acceso, debería considerarse una amenaza a la ciberseguridad. Abordar esta amenaza requiere dos cosas al mismo tiempo: proporcionar alternativas nacionales competitivas e implementadas localmente, cuando estén disponibles, y establecer un enrutamiento y filtrado especiales para el tráfico que, aunque formalmente no esté autorizado, sea necesario para tareas productivas y operativas que utilicen servicios extranjeros, si está permitido.

Hasta que se resuelva el primer problema identificado en esta lista — la sustitución de importaciones de agentes LLM —, es aconsejable evitar introducir restricciones adicionales a nivel nacional sobre el uso de servicios extranjeros de IA. Las cuestiones de seguridad de la IA deberían abordarse mediante medidas específicas y caso por caso a nivel de empresas e instituciones individuales.