La inteligencia artificial (IA) generativa combina dos movimientos que parecen contradictorios, pero que ocurren al mismo tiempo. Por un lado, entrenar los modelos más avanzados exige inversiones cada vez más grandes; por otro, usar estos modelos cuesta cada vez menos por consulta. Esa diferencia es clave para entender la economía política de la IA, o sea, quién puede crearla, quién puede usarla, quién se apropia de las ganancias y quién paga los costos que no aparecen en la factura.
La distinción central es entre entrenamiento e inferencia. Entrenar un modelo es construir la “fábrica”, reunir datos, diseñar la arquitectura, contratar equipos de investigación e ingeniería, usar miles de chips especializados, consumir enormes cantidades de energía y sostener una infraestructura capaz de producir un sistema como Chat GPT, Claude, Gemini o DeepSeek. Inferir, en cambio, es usar el modelo ya entrenado para responder una consulta, resumir un texto, traducir un documento o generar una imagen. En términos económicos, estamos ante una industria de costos fijos gigantescos y costos variables decrecientes. Como en una imprenta, instalarla puede costar millones, pero imprimir un libro adicional puede costar apenas algunos centavos. La pregunta decisiva no es solo cuánto cuesta cada libro, sino quién puede comprar la imprenta.
Esa diferencia importa porque el costo de estar en la frontera de la IA se ha vuelto extraordinariamente alto. Las mejores estimaciones públicas ubican el costo de cómputo del entrenamiento de GPT-4 en decenas de millones de dólares, mientras que Gemini Ultra habría costado cerca de 191 millones solo en cómputo. Meta, por su parte, habría destinado alrededor de 170 millones al entrenamiento de Llama 3.1. Estas cifras no incluyen salarios, investigación, seguridad, pruebas, datos, infraestructura, despliegue ni operación cotidiana. Por eso, crear y sostener un modelo de frontera no cuesta “millones” en sentido genérico, exige cientos o miles de millones si se considera el ecosistema completo.
La trayectoria es verdaderamente impresionante; en 2017, el artículo que introdujo la arquitectura Transformer (base de buena parte de la IA generativa actual) entrenó un modelo por un costo estimado inferior a 1.000 dólares; menos de una década después, los modelos líderes se entrenan con presupuestos comparables a los de grandes programas públicos. Para un país como Uruguay, estas cifras no son un detalle técnico, sino que muestran una barrera de entrada que separa a quienes pueden competir en la frontera, de quienes apenas pueden consumir herramientas desarrolladas por otros.
Esto tiene una consecuencia económica directa: la IA no democratiza automáticamente el poder tecnológico; puede democratizar ciertos usos, pero concentra la capacidad de producir los modelos más avanzados. Muy pocos actores, es decir, las grandes empresas tecnológicas y algunos estados, pueden sostener esta carrera. La infraestructura necesaria incluye centros de datos, acceso privilegiado a chips, contratos energéticos, talento altamente especializado y capacidad financiera para soportar pérdidas durante años. En otras palabras, el mercado de la IA no se organiza como un espacio abierto de pequeñas innovaciones descentralizadas, sino como una industria con fuertes economías de escala y enormes barreras de entrada.
El caso de DeepSeek ayuda a matizar el diagnóstico, pues la empresa china impactó al afirmar que su modelo V3 había requerido un costo de entrenamiento mucho menor que sus competidores occidentales. Pero eso no significa que la IA de frontera se haya vuelto barata. De hecho, la cifra divulgada refiere principalmente al preentrenamiento directo en GPU y excluye infraestructura previa, investigación acumulada y otros costos. Lo relevante de DeepSeek no es que haya eliminado la economía del cómputo, sino que mostró que las restricciones pueden inducir innovaciones de eficiencia. Al no contar con acceso irrestricto a los chips más avanzados, desarrolló soluciones arquitectónicas para hacer más con menos. La escasez, en este caso, generó creatividad técnica.
Mientras el entrenamiento se encarece, el uso se abarata de forma acelerada. En efecto, el costo de inferencia, es decir, el precio de procesar consultas, cayó de manera drástica desde 2022; procesos que hace tres años podían ser económicamente inviables hoy pueden realizarse por una fracción mínima del costo. Para una empresa, un organismo público, la educación o un sindicato, esto cambia el escenario. Tareas como resumir documentos, clasificar expedientes, traducir textos, producir borradores, analizar bases de datos o asistir procesos de formación pasan a estar al alcance de presupuestos mucho más modestos.
Pero el abaratamiento no implica menor gasto agregado. Aquí aparece una vieja lección de la economía: el efecto rebote o “paradoja de Jevons”, que muestra que cuando una tecnología se vuelve más eficiente, su uso puede expandirse tanto que el consumo total aumenta en lugar de caer. Si cada consulta cuesta menos, se hacen muchas más consultas; si automatizar una tarea cognitiva cuesta menos, se automatizan más procesos. Por eso, aunque el costo unitario de la IA baje, la demanda total de infraestructura, energía, agua, chips y centros de datos puede crecer.
Si los centros de datos consumen energía, agua e infraestructura pública, deben existir reglas claras sobre tributación, impacto ambiental, empleo local, transparencia y beneficios para el territorio.
Esto obliga a mirar los costos que no aparecen en el precio final. Una suscripción mensual o una consulta vía API no refleja necesariamente el consumo eléctrico de los centros de datos, la presión sobre redes públicas, el uso de agua para refrigeración, el suelo destinado a infraestructura ni las condiciones laborales en la cadena global que sostiene la IA. Desde una perspectiva económica, estos son costos externos y alguien los paga, aunque no siempre es quien usa el servicio. Puede pagarlos una comunidad local con presión sobre su red hídrica, un sistema eléctrico tensionado o trabajadores insertos en cadenas de valor poco visibles.
La dimensión energética no debería tratarse de manera alarmista, pero tampoco ingenua. Una consulta individual puede consumir poco. El problema aparece a escala. Cientos de millones de consultas diarias, modelos cada vez más grandes y sistemas de razonamiento que consumen mucho más cómputo por respuesta multiplican la demanda. Además, el consumo no se distribuye homogéneamente, sino que se concentra en territorios donde se instalan centros de datos, con impactos locales muy concretos. La discusión no es solo cuánta agua o energía consume la IA en abstracto, sino dónde, bajo qué regulación, con qué tributación y con qué retorno para la sociedad.
Hay otro punto central: los precios actuales probablemente no reflejan los costos reales. Varias empresas líderes están ofreciendo servicios por debajo de su costo total, financiadas por capital de riesgo, grandes alianzas tecnológicas y expectativas de rentabilidad futura. Esto se parece a una estrategia de precios de penetración, o sea, se vende barato para ganar mercado, generar dependencia y construir escala después. No necesariamente es ilegal, pero no es neutral. Cuando una empresa, un Estado o una institución pública organiza procesos estratégicos sobre precios artificialmente bajos, asume un riesgo: que en el futuro esos precios suban, que cambien las condiciones de acceso o que la dependencia tecnológica limite su autonomía.
La economía de la IA tiene, entonces, una estructura dual. Por un lado, la capa de entrenamiento, concentración: pocos actores controlan los modelos más poderosos, los datos, la infraestructura y las condiciones de acceso. Por otro lado, la capa de uso, democratización relativa: cada vez más organizaciones pueden utilizar modelos avanzados a costos bajos. Esa dualidad es clave. No alcanza con decir que la IA se democratiza porque cualquier persona puede usar un chatbot. Hay que preguntar quién define el modelo, quién controla sus actualizaciones, quién decide sus límites, quién captura los datos y quién se queda con las rentas.
Los modelos abiertos introducen un contrapeso relevante. Herramientas como Llama, Mistral, DeepSeek y otros modelos de código abierto disponibles permiten que organizaciones con menores recursos puedan desplegar soluciones propias, reducir dependencia de API propietarias y adaptar sistemas a necesidades específicas. Para universidades, sindicatos, organismos estatales y pequeñas empresas, esto abre posibilidades reales; pero esa apertura no está garantizada, también responde a estrategias empresariales, disputas geopolíticas y decisiones regulatorias. Si cambia el equilibrio competitivo, parte de esa apertura puede cerrarse.
Desde el punto de vista del trabajo, el abaratamiento de la inferencia (uso) tiene dos efectos simultáneos. El primero es la aceleración de la sustitución de tareas cognitivas rutinarias. Si producir un informe, clasificar documentos, responder consultas o traducir textos cuesta 100 veces menos, muchas empresas tendrán incentivos para reorganizar procesos y reducir puestos o modificar perfiles laborales. La IA no sustituye “empleos” en abstracto: sustituye tareas, reordena funciones y cambia la forma de organizar el trabajo. Pero cuando muchas tareas de un puesto se automatizan, el empleo también queda en cuestión.
El segundo efecto es que el mismo abaratamiento puede ampliar capacidades para actores que antes estaban excluidos. Una organización sindical puede analizar convenios, sistematizar reclamos, preparar materiales de formación o estudiar impactos tecnológicos con herramientas antes inaccesibles. Una escuela, liceo o universidad puede mejorar procesos de enseñanza e investigación. Un organismo público puede automatizar tareas administrativas sin depender necesariamente de grandes consultoras. La IA, por tanto, no tiene un efecto único: puede concentrar poder o ampliar capacidades, según quién la controle, cómo se implemente y bajo qué reglas.
Por lo tanto, la pregunta no debería ser si la IA es buena o mala en abstracto. La pregunta relevante es quién decide su incorporación, con qué objetivos, con qué evaluación de impacto, con qué garantías de transparencia y cómo se distribuyen las ganancias de productividad. Si una empresa reduce costos mediante IA, ¿esa productividad se traduce en mayores beneficios privados, reducción de jornada, capacitación, mejores salarios o pérdida de empleo? Esa no es una discusión técnica, es una discusión económica, laboral y democrática.
Que el usuario final pague poco no significa que el sistema cueste poco: significa que, por ahora, parte de la cuenta está siendo subsidiada por capital financiero, externalizada sobre territorios o apostada a rentas futuras.
Para Uruguay, el debate también debe formularse en términos de soberanía y política pública. No parece realista pensar que el país competirá en el corto plazo entrenando modelos de frontera con cientos de millones de dólares, pero sí es posible definir estrategias inteligentes: fortalecer capacidades públicas, promover usos abiertos y auditables, formar recursos humanos, evitar dependencias innecesarias, proteger datos sensibles, negociar condiciones de acceso y orientar la IA hacia necesidades sociales concretas. La pregunta no es si Uruguay debe “hacer IA” o “usar IA”, sino en qué capas de la cadena quiere construir capacidades propias y en cuáles acepta depender de proveedores externos.
También corresponde discutir regulación económica. Si los centros de datos consumen energía, agua e infraestructura pública, deben existir reglas claras sobre tributación, impacto ambiental, empleo local, transparencia y beneficios para el territorio. Si las instituciones públicas adoptan sistemas de IA, deben evaluar no solo el precio actual, sino el costo total de dependencia a largo plazo. Si una empresa incorpora IA en la organización del trabajo, debe haber negociación colectiva, información previa y mecanismos para discutir impactos sobre empleo, salarios, ritmos, control y derechos.
La IA suele presentarse como una tecnología inmaterial, casi mágica, que vive en “la nube”, pero la nube tiene cables, servidores, chips, agua, energía, trabajadores, contratos, monopolios y estados detrás. Su economía no es liviana; es intensiva en capital, concentrada en infraestructura y atravesada por disputas geopolíticas. Que el usuario final pague poco no significa que el sistema cueste poco: significa que, por ahora, parte de la cuenta está siendo subsidiada por capital financiero, externalizada sobre territorios o apostada a rentas futuras.
Por eso, la economía de la IA exige mirar más allá del entusiasmo tecnológico. Puede mejorar la productividad, ampliar capacidades y abrir oportunidades. Pero también puede reforzar la concentración, crear dependencias, desplazar trabajadores y trasladar costos al conjunto de la sociedad. La discusión pública no debería reducirse a si usamos o no usamos IA. La pregunta verdaderamente importante es bajo qué modelo económico, con qué reglas democráticas y al servicio de qué intereses.
En definitiva, la IA no es barata; lo que se abarató es el acceso a ciertos usos. La producción de frontera, en cambio, es cada vez más cara, más concentrada y estratégica. Entender esa diferencia es fundamental para no confundir precio con costo, ni acceso con poder. Y es también el punto de partida para una política pública y una acción sindical que no lleguen tarde a una transformación que ya está reorganizando la economía, el trabajo y la distribución del poder tecnológico.