En noviembre de 2022, ChatGPT demostró que un modelo de inteligencia artificial podía entablar una conversación, escribir, programar e incluso razonar con un nivel que parecía inimaginable unos años antes. Desde entonces, la carrera tecnológica pareció muy sencilla de entender: construir modelos cada vez más inteligentes. Prácticamente cada mes aparecía un nuevo lanzamiento: GPT-4, Claude, Gemini, Llama, DeepSeek y las comparativas se llenaban de benchmarks, puntuaciones y clasificaciones y titulares que anunciaban “la muerte” del anterior y que apenas tenían vigor una semana.

Sin embargo, mientras los titulares seguían hablando de modelos, la realidad empezaba a mostrar tímidamente que los verdaderos problemas no estaban dentro del modelo, sino fuera de él.

OpenAI necesitaba más chips de los que el mercado podía fabricar, Microsoft descubría que construir un centro de datos llevaba años, no meses (a no ser que te llamaras Elon Musk), las compañías eléctricas comenzaban preocuparse por el consumo, los gobiernos debatían nuevas regulaciones, las empresas seguían preguntándose cómo integrar la IA en sus procesos diarios para no llegar después que sus competidores e incluso los usuarios desconfiaban de unas herramientas que todavía cometían errores importantes.

De repente, quedó claro que la inteligencia artificial ya no dependía únicamente de la inteligencia del modelo. Dependía de un sistema mucho más grande.

Un barril explica mejor la IA que muchos modelos matemáticos

Imaginemos un barril construido con tablas de madera. Algunas son muy altas y otras son algo más bajas.

¿Cuánta agua puede almacenar este barril?

El agua comenzará a salir exactamente por la tabla más baja. Da igual que todas las demás sean perfectas porque la capacidad del barril siempre estará limitada por su punto más débil.

Esta idea fue formulada en el siglo XIX por el químico alemán Justus von Liebig para explicar el crecimiento de las plantas. Descubrió que un cultivo no crecía según la cantidad total de nutrientes disponibles, sino según el nutriente más escaso. Si una planta disponía de abundante nitrógeno, fósforo y potasio, pero carecía de agua, añadir todavía más fertilizantes no serviría de nada, porque el verdadero límite seguía siendo el agua.

Con el tiempo, este principio comenzó a utilizarse en economía, gestión empresarial, ingeniería y teoría de sistemas. Hoy suele conocerse como la teoría del barril o la ley del mínimo y se puede resumir así: “un sistema nunca puede rendir por encima de su componente más débil“.

Durante décadas esta idea se utilizó para analizar fábricas, cadenas de suministro o procesos industriales pero ahora podríamos aplicarlo a la inteligencia artificial perfectamente.

Durante años pensamos que el modelo era la tabla más corta

Durante la primera gran explosión de la inteligencia artificial generativa, casi toda la conversación giró alrededor de los modelos. En parte era lógico porque era la parte más visible del sistema y la que producía los avances más espectaculares. Si GPT-5 era mejor que GPT-4, llegábamos a la conclusión (bastante razonable) de que la siguiente generación sería todavía más inteligente y el avance del sector consistiría simplemente en seguir entrenando modelos cada vez mayores.

Por ello, las inversiones se centraron en aumentar el tamaño de los modelos, incorporar más parámetros y entrenarlos con cantidades ingentes de datos. Durante un tiempo, esa estrategia funcionó, pero a la vez, cuanto mejores eran los modelos, más visible era que el cuello de botella estaba en otro sitio.

El cuello de botella nunca permanece en el mismo sitio

A medida que los modelos mejoraban, comenzaron a faltar GPUs. Cuando aumentó la fabricación de GPUs, empezaron a faltar centros de datos capaces de alojarlas. Cuando se aceleró la construcción de centros de datos, apareció un nuevo problema: el suministro eléctrico. Después llegaron las dificultades para conseguir transformadores eléctricos, sistemas de refrigeración y terrenos adecuados.

Al mismo tiempo surgían otros cuellos de botella: faltaban ingenieros especializados, las empresas descubrían que implantar inteligencia artificial era mucho más difícil que utilizar un chatbot y se empezaban a dar cuenta de que todo lo que nos vendían las redes sociales y los informativos, era puro humo. Los gobiernos desarrollaban regulaciones sin saber muy bien qué regular y buscando más vender innovación que ventajas reales, mientras que los usuarios exigían mayor privacidad, transparencia y seguridad.

Cada vez que una tabla del barril aumentaba de tamaño, otra pasaba automáticamente a convertirse en la más baja. La carrera dejó de ser construir un modelo más inteligente y pasó a ser identificar continuamente cuál era el nuevo límite del sistema.

La inteligencia artificial ya no es una industria, sino un ecosistema

Cuando hablamos de OpenAI solemos pensar únicamente en ChatGPT, pero ChatGPT depende de Microsoft, y Microsoft depende de Nvidia para comprar GPUs. Nvidia, a su vez, depende de TSMC para fabricar sus chips y TSMC depende de ASML para producir maquinaria de litografía. Además, ASML necesita componentes de decenas de proveedores repartidos por todo el mundo. Todos ellos necesitan enormes cantidades de energía, materias primas, redes de transporte, talento especializado y estabilidad geopolítica. Ninguna empresa controla toda la cadena.

La inteligencia artificial funciona como un enorme ecosistema donde miles de organizaciones dependen unas de otras por lo que mejorar una única pieza ya no garantiza mejorar el conjunto.

Por eso China está construyendo la IA de otra manera

Uno de los aspectos que más me llama la atención al observar la estrategia china es que rara vez se habla únicamente de modelos.

Mientras gran parte del debate occidental gira alrededor de cuál es el laboratorio que lidera el siguiente benchmark, China insiste continuamente en conceptos como “AI+“, modernización industrial, infraestructura digital, fabricación avanzada, educación, logística inteligente o ciudades conectadas.

En China no se preguntan cómo construir la mejor inteligencia artificial, sino cómo conseguir que toda la economía sea capaz de utilizarla. No buscan tener la tabla más alta, sino evitar que ninguna quede demasiado corta

Desde esa perspectiva, entrenar un gran modelo es solo una de las muchas tablas del barril. Saben que los chips son tan importantes como las redes eléctricas, la producción industrial, las universidades, las plataformas digitales o las pequeñas empresas capaces de aplicar esa tecnología.

La nueva teoría del barril

La ley del mínimo sigue siendo correcta: un sistema está limitado por su componente más débil, pero los sistemas tecnológicos actuales son mucho más dinámicos que los que estudió Liebig hace casi dos siglos.

El reto es que en la inteligencia artificial, la tabla más corta nunca permanece inmóvil. Cada avance desplaza inmediatamente el cuello de botella hacia otra parte del sistema, así que resolver un problema crea automáticamente otro.

Quizá dentro de unos años recordemos la carrera por entrenar modelos cada vez más inteligentes como solo el primer capítulo de una historia más larga. Y quizá ahora gane quien sepa fortalecer todas las tablas o sepa cual será la próxima tabla más pequeña.

Por eso creo que China y su enfoque centrado en ese pastel de cinco capas que defendía hace meses Jessen Huang, y el país que está prestando atención simultanea a chips, energía, infraestructuras, regulación, talento, aplicaciones, confianza e integración empresarial sea el que gane la carrera.