La brecha en rendimiento de IA se cerró, pero la de IA responsable se amplió

Un nuevo mapa del poder en modelos de IA

El AI Index 2026, elaborado por el Institute for Human‑Centred Artificial Intelligence de Stanford, presenta 423 páginas de análisis sobre investigación, desempeño de modelos, inversiones, percepción pública y responsabilidad en IA. Entre sus hallazgos más relevantes está que la narrativa de un liderazgo tecnológico estadounidense incontestable en rendimiento de modelos ya no se sostiene con los datos más recientes.

Según el informe, desde principios de 2025 los modelos de EE. UU. y China han intercambiado el primer puesto en desempeño varias veces. En febrero de 2025 DeepSeek‑R1 alcanzó brevemente la paridad con el mejor modelo estadounidense, y para marzo de 2026 el modelo líder de Anthropic aventajaba al competidor principal por apenas 2.7%. En 2025 EE. UU. produjo más modelos de primera línea (50 frente a 30 de China) y mantiene una mayor presencia en patentes de alto impacto, pero China supera a EE. UU. en volumen de publicaciones, participación en citaciones y concesión de patentes.

La participación china en las 100 publicaciones de IA más citadas subió de 33 en 2021 a 41 en 2024. Además, Corea del Sur destaca por liderar en patentes de IA per cápita.

Vulnerabilidad en la cadena de hardware

Un punto estructural que alerta el reporte es la concentración del hardware. EE. UU. aloja 5,427 centros de datos, más de diez veces cualquier otro país, sin embargo casi todos los chips de vanguardia que operan en esos centros son fabricados por una sola fundición: TSMC, con base en Taiwán. Aunque una expansión de TSMC en EE. UU. comenzó operaciones en 2025, la dependencia global de una única foundry representa un riesgo de suministro y geopolítico que los responsables de infraestructura deben considerar.

El desfase en evaluación de seguridad y responsabilidad

Mientras que los desarrolladores de modelos reportan consistentemente benchmarks de capacidad, la situación es distinta para métricas de seguridad y responsabilidad. El AI Index documenta que la mayoría de los campos en la tabla de benchmarks responsables están vacíos. Solo Claude Opus 4.5 informa resultados en más de dos de los benchmarks de responsabilidad rastreados, y únicamente GPT‑5.2 reporta StrongREJECT en alguno de los tests citados.

El informe reconoce que muchas organizaciones realizan red‑teaming y pruebas de alineación internamente, pero esos esfuerzos rara vez se publican en formatos estandarizados que permitan comparación externa. El efecto práctico es que, desde afuera, es casi imposible evaluar de forma consistente cuán seguros o justos son los modelos de frontera.

Más incidentes documentados y una respuesta organizacional en deterioro

Los incidentes de IA documentados aumentaron a 362 en 2025, desde 233 en 2024; antes de 2022 eran menos de 100 por año. El monitor de la OCDE, que usa una canalización automatizada más amplia, registró un pico mensual de 435 incidentes en enero de 2026 y una media móvil de seis meses de 326.

Al mismo tiempo, la capacidad de las organizaciones para gestionar incidentes parece haberse debilitado: en una encuesta conjunta del AI Index y McKinsey, quienes calificaban su respuesta a incidentes como “excelente” cayeron del 28% en 2024 al 18% en 2025; los que calificaron como “buena” descendieron del 39% al 24%. Por el contrario, el porcentaje de organizaciones que sufrieron entre tres y cinco incidentes subió de 30% a 50%.

Trade‑offs: mejorar en una dimensión puede penalizar otra

El reporte subraya una dificultad técnica y práctica: mejoras en seguridad, privacidad o equidad no siempre son complementarias. Aumentar la seguridad puede degradar la precisión; reforzar privacidad puede afectar a la equidad. No existe aún un marco estandarizado para gestionar esos compromisos, y en áreas como la explicabilidad o la equidad faltan datos estandarizados para medir el progreso a lo largo del tiempo.

Brecha entre expertos y público, y sus implicaciones regulatorias

La encuesta incluida en el informe muestra un público que utiliza más IA pero no necesariamente confía más en ella. Globalmente, 59% de las personas estima que los beneficios de la IA superan sus desventajas (subida frente al 55% en 2024), mientras 52% declara sentirse inquieto por los productos y servicios de IA, un aumento de dos puntos en un año.

La divergencia entre expertos y público es notable: 73% de los expertos cree que la IA tiene un impacto positivo en el trabajo, frente a 23% del público general; en la economía la diferencia es 69% vs 21%, y en atención médica 84% vs 44%. Estas brechas afectan directo las expectativas sobre regulación: la confianza en el gobierno para regular la IA también varía mucho. EE. UU. reportó solo 31% de confianza en su gobierno para regular la IA responsablemente (promedio global 54%), mientras que países del sudeste asiático como Singapur (81%) e Indonesia (76%) mostraron niveles de confianza mucho más altos.

¿Qué significa esto para América Latina?

Para gobiernos y empresas de América Latina las lecciones son claras: el equilibrio en capacidad de desarrollo entre grandes potencias implica que la región no puede asumir disponibilidad constante de modelos seguros ni dependencia estable de proveedores únicos. La falta de estándares públicos y comparables en seguridad y equidad aumenta el riesgo de adoptar soluciones opacas que generen incidentes regulatorios, reputacionales y operativos.

Además, la concentración en la cadena de suministro de chips y la ubicación de data centers implican que las políticas de soberanía digital y diversificación de proveedores deben ser prioridad. Para países con ambición de incorporar IA en servicios públicos o sectores estratégicos, es crítico exigir transparencia en benchmarks de responsabilidad y diseñar pruebas locales que midan impacto social y sesgos en contextos latinoamericanos.

Recomendaciones prácticas para tomadores de decisión

• Exigir reportes estandarizados: incorporar cláusulas contractuales para que proveedores entreguen resultados en benchmarks responsables comparables.
• Invertir en capacidades de auditoría local: financiar laboratorios y equipos que puedan evaluar modelos en escenarios regionales.
• Diversificar la infraestructura: evitar dependencia única en la cadena de suministro de hardware y explorar alianzas regionales para centros de datos.
• Diseñar políticas que reconozcan trade‑offs: crear marcos regulatorios que permitan equilibrar precisión, privacidad y equidad según prioridades sectoriales.
• Fomentar educación pública: reducir la brecha experto‑público con campañas de comunicación que expliquen beneficios y riesgos reales de aplicaciones locales.

Conclusión

El AI Index 2026 cambia la narrativa: el liderazgo técnico en rendimiento de modelos ya no es una ventaja monolítica de EE. UU., pero la carrera por incorporar evaluaciones robustas de seguridad, equidad y responsabilidad sigue rezagada. Para América Latina esto representa tanto una amenaza como una oportunidad: la región puede aprender del ritmo acelerado de desarrollo global y, a la vez, adelantarse en gobernanza y auditoría para evitar los costos de adoptar tecnologías mal evaluadas. La recomendación es clara: no basta con acceso a modelos de vanguardia; se necesita exigir y construir mecanismos de transparencia y control que garanticen un despliegue responsable.