Economistas y analistas debaten si la inversión de billones de dólares en infraestructura de inteligencia artificial se traducirá en productividad real o en la mayor destrucción de capital de la historia tecnológica reciente. La pregunta no es académica: los flujos de inversión ya están comprometidos, y los marcos jurídicos que regulan esa apuesta apenas empiezan a tomar forma.
Cuando Jessica Wachter, profesora de finanzas de la Universidad de Pensilvania, intentó modelar el impacto económico de la inteligencia artificial en los próximos años, según se informó, encontró que los escenarios divergen de forma radical según un único supuesto: si los sistemas de IA efectivamente aumentan la productividad total de los factores de producción o si simplemente reemplazan tareas sin generar valor agregado neto. Ese condicional —todavía sin respuesta empírica sólida— es el corazón de lo que analistas llaman “la apuesta billonaria”.
Dónde se concentra el riesgo: infraestructura, energía y deuda corporativa
Las grandes plataformas tecnológicas han comprometido inversiones que, sumadas, superan el billón de dólares en centros de datos, chips de alta performance y redes eléctricas dedicadas. Ese capital no es líquido: una vez construida la infraestructura, el costo hundido es casi total. Si la demanda de servicios de IA no alcanza las proyecciones —o si tecnologías alternativas desplazan los modelos de lenguaje de gran escala antes de que la inversión madure— el resultado sería una burbuja de activos físicos con muy baja posibilidad de reconversión. El paralelo histórico más cercano es el sobredimensionamiento de fibra óptica durante la burbuja punto-com de finales de los noventa, aunque la escala actual es considerablemente mayor.
OpenAI y los datos biológicos: un frente regulatorio distinto
En paralelo al debate macroeconómico, OpenAI habría expresado interés en acceder a grandes volúmenes de datos biológicos para entrenar modelos especializados en ciencias de la vida, según se informó. Este movimiento abre un frente regulatorio que va mucho más allá de la propiedad intelectual o la competencia de mercado: los datos biológicos son, en múltiples jurisdicciones, datos sensibles de primer orden. En la Unión Europea, el Reglamento General de Protección de Datos (RGPD) los clasifica como categoría especial; en Brasil, la Lei Geral de Proteção de Dados (LGPD) los incluye explícitamente en su artículo 11 como datos sensibles con restricciones de tratamiento reforzadas. En México, la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) también establece un régimen diferenciado para datos de salud.
El cruce entre modelos de lenguaje y datos biológicos activa, además, el debate sobre la aplicación del AI Act europeo a sistemas de IA de alto riesgo en el ámbito médico y científico. Bajo esa regulación, cualquier sistema que tome decisiones con impacto en la salud humana queda sujeto a requisitos de transparencia, auditoría y evaluación de conformidad que hoy ningún modelo de propósito general cumple de forma nativa.
Cuándo aplica el marco legal de IA y cuándo no
El AI Act europeo —vigente desde agosto de 2024 con plazos de implementación escalonados— clasifica como “alto riesgo” los sistemas que intervienen en diagnóstico médico, gestión de infraestructura crítica o decisiones con efecto jurídico sobre personas. Un modelo entrenado con datos biológicos para descubrimiento de fármacos podría no caer automáticamente en esa categoría si sus outputs no se usan directamente en decisiones clínicas. Sin embargo, la cadena de uso —del laboratorio al ensayo clínico, del ensayo a la aprobación regulatoria— hace que la frontera sea más difusa de lo que sugiere la letra de la ley. En América Latina, ningún país cuenta aún con una ley de IA equivalente al AI Act, aunque Colombia, Brasil y Chile tienen marcos de referencia no vinculantes o en proceso legislativo.
El problema de valorar lo que aún no existe como mercado
La dificultad de los modelos económicos para capturar el impacto de la IA radica en que buena parte del valor proyectado depende de externalidades de red y efectos de plataforma que solo se materializan cuando la adopción alcanza masa crítica. Wachter, según se informó, señaló que los modelos estándar de valoración de activos no están diseñados para capturar tecnologías con rendimientos potencialmente exponenciales pero con distribuciones de probabilidad altamente asimétricas. En términos prácticos: el escenario de alto retorno es posible, pero el escenario de pérdida masiva de capital también lo es, y ambos se parecen mucho en sus etapas tempranas.
Para los reguladores latinoamericanos, este contexto plantea una tensión concreta: atraer inversión en infraestructura de IA —que varios países de la región están buscando activamente— mientras se construyen marcos de supervisión que no generen incertidumbre jurídica para los inversores. Brasil, con su Autoridade Nacional de Proteção de Dados (ANPD) ya operativa y un proyecto de ley de IA en el Congreso, está más cerca de resolver esa tensión que el resto de la región.
Si la apuesta billonaria sale mal, la pregunta que enfrentarán los reguladores no será cómo frenar la IA, sino quién asume el pasivo de una infraestructura que nadie quiere y que pocos supieron supervisar a tiempo.
