No tenemos laboratorios de frontera ni planificación central, y no vamos a tenerlos. Pero si Ding tiene razón, la partida no se juega donde creemos. Se juega en la capacidad de difundir, y difundir es un problema educativo antes que tecnológico. Ahí no partimos de cero: tenemos universidades autónomas, una tradición de educación pública y —esto importa más de lo que parece— ninguna obligación de elegir entre vigilar y vender.
ÁNGEL GARCÍA CRESPO
Desde que la inteligencia artificial generativa se hizo popular, hace apenas tres años, prácticamente todo lo importante que ocurre en esta tecnología ocurre en dos países. Los sistemas más avanzados del mundo se construyen en Estados Unidos o en China, y entre ambos se ha instalado una competición que los gobiernos describen ya sin disimulo como una cuestión de seguridad nacional. Estados Unidos ha restringido la venta a China de los chips más potentes para entrenar estos sistemas. China ha respondido acelerando su propia industria y, en enero de 2025, una compañía casi desconocida llamada DeepSeek presentó un modelo comparable a los mejores estadounidenses por una fracción del coste, lo que bastó para que las bolsas temblaran durante una semana.
Eso es lo que llamamos «la carrera por la IA», y se narra como se narran las carreras: con un marcador. Qué sistema puntúa más alto en tal prueba, quién dispone de más chips, cuántos miles de millones ha levantado el último laboratorio, qué empresa va primera este mes. Es un espectáculo entretenido, fácil de seguir y probablemente irrelevante. Porque si uno mira cómo se decidieron de verdad las transiciones tecnológicas anteriores, el resultado no dependió de quién inventó primero, sino de quién supo repartir.
Esa es la tesis de Jeffrey Ding en Technology and the Rise of Great Powers, y me parece el mejor marco disponible para entender lo que está en juego. Ding sostiene que las grandes transiciones de poder económico no las gana quien domina un sector puntero, sino quien logra difundir una tecnología de propósito general por toda su economía. Gran Bretaña no se impuso por la máquina de vapor, sino por su capacidad de extender la maquinaria de hierro a actividades muy distintas entre sí. Estados Unidos desbancó a Gran Bretaña no porque inventara más, sino porque construyó una red de colleges técnicos y escuelas prácticas que difundió el conocimiento industrial entre una población enorme. Ding llama a ese factor infraestructura de competencias: los sistemas de educación y formación que ensanchan la base de personas capaces de usar, mantener y mejorar la tecnología. Y su análisis cuantitativo sostiene que los países con mayor infraestructura de competencias registran tasas más altas de difusión tecnológica. Traducido: la variable decisiva de esta competición no está en un centro de datos. Está en un aula.
la variable decisiva de esta
competición no está en un
centro de datos. Está en un aula.
Y aquí es donde los dos modelos se separan de una manera que nos concierne directamente.
El modelo chino: la educación como infraestructura
China ha hecho algo que conviene mirar sin prejuicios, aunque luego uno discrepe. En agosto de 2025, el Consejo de Estado publicó sus directrices para profundizar la iniciativa «IA+», un documento que ordena la incorporación de la inteligencia artificial a prácticamente todos los sectores del país entre 2025 y 2035. Y en abril de 2026, el Ministerio de Educación, junto con la Comisión de Desarrollo y Reforma, el de Industria, el de Ciencia y la Administración Nacional de Datos —cinco organismos de rango ministerial firmando el mismo papel—, publicó el Plan de Acción «IA+Educación».
Los objetivos para 2030 están escritos sin ambigüedad: un sistema de educación en IA que cubra todas las etapas escolares; un sistema de formación general para el conjunto de la sociedad, con continuidad vertical y conectividad horizontal; y un mecanismo permanente de alfabetización en IA para toda la población. No es un programa escolar. Es un plan de difusión, exactamente en el sentido de Ding, y llega hasta la formación a lo largo de la vida porque el plan entiende que ahí está el grueso de la población activa.
Añádase la política de modelos, que exige una aclaración previa porque en este debate se usan dos términos que casi nunca se explican.
El primero es modelo de frontera: los sistemas más avanzados que existen en cada momento, los que marcan el límite de lo que la tecnología sabe hacer. Son poquísimos, cuestan cientos de millones de dólares en entrenarse y hoy salen de apenas media docena de laboratorios en el mundo, casi todos estadounidenses o chinos.
El segundo es pesos abiertos. Un modelo de lenguaje, por dentro, no es un programa con instrucciones escritas por una persona: es una gigantesca tabla de números —miles de millones de ellos— que resume todo lo que el sistema ha aprendido durante el entrenamiento. Esos números son los pesos. Si una empresa se los guarda, uno solo puede alquilar el modelo a través de su servicio, pagando por uso y aceptando sus condiciones; si los publica, cualquiera puede descargarlos, ejecutarlos en sus propios ordenadores, estudiarlos, modificarlos y construir cosas encima sin pedir permiso. La diferencia es la que hay entre visitar una fábrica y llevársela a casa.
Pues bien: mientras los laboratorios punteros estadounidenses mantienen cerrados sus modelos de frontera, los chinos han optado mayoritariamente por publicar los pesos de los suyos. DeepSeek fue el caso que sacudió el mercado en enero de 2025 —un modelo competitivo y mucho más barato de desarrollar—, y tras él las universidades chinas ampliaron matrículas y lanzaron programas de IA en cascada. Abrir los pesos no es un gesto de generosidad: es una estrategia de difusión. Quien regala la herramienta se queda con el ecosistema que crece alrededor de ella.
El modelo estadounidense: la educación como mercado
El modelo estadounidense
difunde con enorme eficacia
dentro del campus y pierde
interés justo al salir de él.
Y el aprendizaje a lo largo
de la vida se convierte en
una cuota mensual.
Estados Unidos no tiene un plan equivalente, y no porque se le haya olvidado: su modelo consiste precisamente en no tenerlo. La difusión se delega en el mercado, y el mercado ha entendido perfectamente dónde está el punto de entrada.
Desde 2025, la universidad se ha convertido en campo de batalla comercial. Acuerdos institucionales que dan acceso a decenas de miles de estudiantes y profesores de una sola vez, programas de embajadores en los campus, meses gratuitos que coinciden con la época de exámenes y, en 2026, la promesa de un año completo de suscripción gratuita para estudiantes universitarios estadounidenses, con listas de campus autorizados. El cálculo es transparente y nadie lo esconde: doce meses cubren un curso académico entero, que es tiempo más que suficiente para fijar un hábito antes de que el estudiante se gradúe y entre en el mercado laboral.
Tiene virtudes que no pienso negar. Hay pluralismo, hay competencia, hay velocidad, y hay productos pedagógicamente más finos de lo que solemos reconocer: los modos de aprendizaje que responden con preguntas en lugar de soluciones van justamente en la dirección que la evidencia recomienda. Ningún ministerio decide qué se enseña. Para quien ha visto de cerca cómo funciona la planificación educativa centralizada, eso no es poca cosa.
Pero el modelo tiene una consecuencia estructural que en educación superior deberíamos nombrar en voz alta: convierte la difusión en una función del precio. Mientras el estudiante está matriculado, la herramienta es gratuita o casi. Cuando se gradúa —es decir, cuando empieza exactamente el tramo en el que más va a necesitar aprender— deja de serlo. El modelo estadounidense difunde con enorme eficacia dentro del campus y pierde interés justo al salir de él. Y el aprendizaje a lo largo de la vida se convierte en una cuota mensual.
Lo que no me gusta de ninguno de los dos
El plan chino que acabo de elogiar por su ambición contiene, en el mismo documento, cosas que deberían helarnos la sangre en una facultad. La traducción del Plan de Acción describe usos de la IA que van desde decidir dónde construir escuelas y qué titulaciones deben ofrecer las universidades hasta mejorar la eficacia de la vigilancia en el aula, de estudiantes y de profesores. Un sistema que planifica la oferta académica por algoritmo y observa a quien enseña no está difundiendo una capacidad: está administrando una población. Y una alfabetización diseñada íntegramente por el Estado es una alfabetización que enseña a usar la herramienta, no a preguntarse quién la ha hecho, con qué datos y a favor de quién.
El modelo estadounidense no vigila, pero tampoco protege. Deja la formación de un país entero en manos de compañías que compiten por captar usuarios, y confunde el acceso con la capacitación. Que un estudiante tenga la suscripción no significa que sepa qué hacer con ella; de hecho, la evidencia empírica apunta a que el acceso sin diseño pedagógico puede empeorar el aprendizaje, aunque mejore el resultado inmediato. Regalar la herramienta y llamarlo alfabetización es como repartir violines y declarar musical al país.
Uno convierte al que aprende en administrado. El otro, en cliente. Ninguno de los dos lo trata como lo que la universidad europea y latinoamericana ha dicho siempre que es: alguien que se forma para poder decidir por sí mismo.
Y aquí es donde nos toca a nosotros
No tenemos laboratorios de frontera ni planificación central, y no vamos a tenerlos. Pero si Ding tiene razón, la partida no se juega donde creemos. Se juega en la capacidad de difundir, y difundir es un problema educativo antes que tecnológico. Ahí no partimos de cero: tenemos universidades autónomas, una tradición de educación pública y —esto importa más de lo que parece— ninguna obligación de elegir entre vigilar y vender.
De hecho, la mejor manera de explicar lo que no hay que hacer nos la han dado dos proyectos que aplaudimos mucho: uno latinoamericano y otro español.
El 10 de febrero de 2026 se presentó en Santiago, con el presidente de Chile en el escenario, Latam-GPT, anunciado como el primer gran modelo de lenguaje abierto de la región, coordinado por el Centro Nacional de Inteligencia Artificial chileno con decenas de instituciones de quince países. La retórica fue la esperable: soberanía tecnológica, dejar de ser usuarios pasivos, identidad propia. Los hechos son algo más modestos. El modelo no se construyó desde cero, sino sobre Llama 3.1, que Meta había publicado gratis en julio de 2024, es decir, una arquitectura con año y medio de antigüedad en un mercado que se mueve por trimestres; Meta ya había sacado la siguiente generación diez meses antes del lanzamiento chileno. La primera versión se entrenó en la nube de Amazon, lo cual dice algo incómodo sobre la soberanía que se celebraba. Su rendimiento es, reconocidamente, inferior al de los modelos comerciales. Y, en el momento de escribir esto, no existe como asistente utilizable por un ciudadano cualquiera, ni hay fecha anunciada.
En España llevamos la misma película un año por delante. ALIA, coordinada por el Barcelona Supercomputing Center, presentó un modelo de 40.000 millones de parámetros entrenado durante más de ocho meses en MareNostrum 5, con una inversión directa de algo más de diez millones de euros y una infraestructura pública detrás que multiplica esa cifra. Los primeros análisis independientes lo situaron a la altura de modelos abiertos de 2023, y un estudio de la Universitat Politècnica de València colocó a ALIA-40B y a los Salamandra claramente en el furgón de cola de las pruebas realizadas. El detalle más elocuente está hoy en el propio catálogo del proyecto: varios de los modelos que se ofrecen están construidos encima de Llama y de Qwen, es decir, sobre pesos regalados por una empresa estadounidense y por otra china.
Sus defensores dicen que es un primer paso, que la inversión es ridícula comparada con la de las grandes tecnológicas y que no se puede exigir competir desde el arranque. Es un argumento razonable y lo entiendo. Pero contiene una trampa: si el modelo nunca va a competir, entonces no era un modelo lo que había que comprar.
Porque esto es exactamente
la carrera equivocada.
Gastar dinero público en tener
un modelo propio, de gama
media, que nace por detrás
de lo que cualquiera puede
descargarse gratis el mismo día
Porque esto es exactamente la carrera equivocada. Gastar dinero público en tener un modelo propio, de gama media, que nace por detrás de lo que cualquiera puede descargarse gratis el mismo día y que caduca en seis meses, es participar en el marcador ajeno con fichas que no tenemos. El argumento de la lengua tampoco se sostiene: los modelos abiertos de Meta, de Alibaba o de DeepSeek hablan español y portugués con una solvencia que ninguno de nuestros proyectos ha alcanzado, y adaptarlos a un contexto local mediante afinado o recuperación de documentos cuesta una fracción infinitesimal de entrenar uno propio.
No digo que no haya quedado nada de valor, porque sí lo hay, y conviene mirarlo bien porque es justamente lo que sostiene mi argumento. De Latam-GPT queda un corpus regional enorme, unas pruebas de evaluación adaptadas al contexto latinoamericano, una documentación ética y de gobernanza seria, un centro de cómputo instalado en la Universidad de Tarapacá y otro en la Universidad de Chile, y —sobre todo— un par de centenares de profesionales de quince países que ahora saben hacer esto. De ALIA queda un corpus cuidado en español y lenguas cooficiales, y un equipo que sabe entrenar en MareNostrum. Nada de eso caduca en seis meses. El modelo sí.
Es decir, lo que ha sobrevivido de esos proyectos es infraestructura de competencias, exactamente lo que Ding señala como factor decisivo. Lo que se ha depreciado es el trofeo. Y, sin embargo, pusimos el dinero, el relato y al presidente de la República en el trofeo.
Pero difundir una tecnología no es solo repartirla. Aquí conviene preguntarse qué es exactamente lo que hay que extender, porque los dos modelos tienen una respuesta y a mí ninguna me sirve. China difunde competencia de uso: que toda la población sepa manejar la herramienta. Estados Unidos difunde acceso: que todo el que pueda pagarlo la tenga delante. Las dos cosas son necesarias y ninguna es suficiente, porque ambas producen exactamente la misma figura, un usuario eficiente que no se pregunta nada.
Lo que hay que difundir es otra cosa, y llevo tiempo llamándola rasgos críticos: curiosidad, discernimiento, metacognición, autonomía intelectual, capacidad de formular problemas, responsabilidad, perseverancia, criterio y sentido. No son adornos humanistas ni un listado para la memoria de verificación de un título. Son condiciones de supervivencia intelectual, por una razón que esta tecnología ha vuelto literal: ejecutar va a ser cada vez más fácil y decidir, cada vez más importante. Una máquina resuelve el ejercicio, redacta el informe, propone la solución. Lo que no puede hacer es asumir el juicio moral, el propósito o la responsabilidad de lo que entrega, ni decidir qué merece ser preguntado y qué consecuencias tiene una decisión sobre otras personas.
Lo digo desde una posición que conviene declarar: desde la Fundación Human-IA, que presido, llevamos tiempo defendiendo que esos rasgos deben ser el centro del rediseño de la educación superior, y no un párrafo bienintencionado en el preámbulo de una memoria. Precisamente porque enunciarlos es fácil y aterrizarlos no lo es, hemos desarrollado una herramienta que ayuda al profesor a hacer ese trabajo en su propia asignatura: identificar qué rasgos están realmente en juego en su materia, en qué actividades concretas se pueden cultivar y cómo hacerlos visibles en la evaluación. Porque la diferencia entre un rasgo y un eslogan es si alguien se ha molestado en decidir cómo se ejercita un martes por la mañana en un aula concreta.
El discernimiento no se certifica
a los veintidós años y se guarda
en un cajón; se ejercita o se atrofia…
Por eso la formación continua
no es un apéndice comercial
del sistema universitario
Y aquí es donde los rasgos críticos y el aprendizaje a lo largo de la vida dejan de ser dos temas y pasan a ser el mismo. Una competencia técnica se adquiere y caduca. Un rasgo no: se cultiva, se mantiene o se pierde. El discernimiento no se certifica a los veintidós años y se guarda en un cajón; se ejercita o se atrofia, igual que un músculo, y se atrofia precisamente cuando uno delega durante años todas las decisiones pequeñas en un sistema que las toma mejor y más rápido. Por eso la formación continua no es un apéndice comercial del sistema universitario. Es el único lugar donde esos rasgos pueden sostenerse a lo largo de una vida laboral de cuarenta años.
Lo que nos falta para eso es resolver un problema de unidad de medida. Nuestro sistema sigue organizado alrededor del grado: cuatro años, un título, un acto de graduación y hasta luego. Si una parte sustancial de lo que un egresado aprende caduca en un plazo cada vez más corto, el grado deja de ser la unidad relevante y pasa a ser el punto de partida. China ya ha escrito eso en su plan, con el sistema de formación para toda la sociedad. Estados Unidos lo ha resuelto con una tarifa. Nosotros lo tenemos en los discursos de apertura de curso, en los planes estratégicos y en algún vicerrectorado con nombre largo y presupuesto corto.
Una universidad que se tomara esto en serio dejaría de tratar la formación continua como una actividad de extensión —simpática, deficitaria, encargada a quien no tiene docencia— y la trataría como su función principal en las próximas dos décadas. No hablo de vender más másteres, que es lo que suele entenderse. Hablo de asumir que un profesional volverá cinco o seis veces a lo largo de su vida, en formatos cortos, acreditables y acumulables, y de que la institución que le acompañe en esas cinco o seis vueltas será la que importe. La otra, la que solo le vio cuatro años cuando tenía dieciocho, será un recuerdo con orla.
La competición entre China y Estados Unidos se está narrando como una carrera de modelos. Es una carrera de sistemas educativos, y lo será durante veinte años. En la primera no corremos. En la segunda, a un lado y otro del Atlántico, llevamos siglos entrenando.
Conviene que alguien nos lo diga antes de que acabe.
Si quieres conocer lo que no se ve de la educación superior sigue el canal de Espacios de educación superior en WhatsApp: https://whatsapp.com/channel/0029VbDK8OGIt5rvxYwRCG0j
Referencias y fuentes
- Consejo de Estado de la República Popular China (2025). Opiniones sobre la profundización de la iniciativa «Inteligencia Artificial+». Traducción al inglés: Center for Security and Emerging Technology (CSET), Georgetown University.
- Ding, J. (2024). Technology and the Rise of Great Powers: How Diffusion Shapes Economic Competition. Princeton University Press.
- Ministerio de Educación de China, Comisión Nacional de Desarrollo y Reforma, Ministerio de Industria y Tecnologías de la Información, Ministerio de Ciencia y Tecnología y Administración Nacional de Datos (2026). Plan de Acción «IA+Educación», 10 de abril de 2026. Traducción al inglés: CSET, Georgetown University, julio de 2026.
- Ministerio de Educación de China (2025). Esquema del Plan para la Construcción de China como Potencia Educativa (2024-2035).
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö. y Mariman, R. (2025). «Generative AI without guardrails can harm learning: Evidence from high school mathematics». PNAS, 122(26), e2422633122.
- Centro Nacional de Inteligencia Artificial (CENIA), Gobierno de Chile y CAF (2026). Latam-GPT 70B 1.0, presentación oficial, Santiago de Chile, 10 de febrero de 2026, y documentación técnica asociada.
- Barcelona Supercomputing Center – Centro Nacional de Supercomputación (2025-2026). ALIA Kit: familia de modelos ALIA-40B y Salamandra, y catálogo de modelos derivados.
- Bearman, M., Tai, J., Dawson, P., Boud, D. y Ajjawi, R. (2024). «Developing evaluative judgement for a time of generative artificial intelligence». Assessment & Evaluation in Higher Education, 49(6), 893–905.
Ángel García Crespo es fundador y presidente de la Fundación Human-IA. Fue profesor de universidad durante más de 30 años.
