«IA pública» es una palabra de moda en la Cumbre de Acción sobre IA de París, que se celebra del 10 al 11 de febrero de 2025.
La IA pública es la noción de que los gobiernos necesitan construir su propia infraestructura de IA, de propiedad pública y bajo control público.
Pero, ¿qué sería eso en realidad?
Este artículo se publicó por primera vez en Futurepolis el 7 de febrero de 2025 con el título «Entonces, ¿qué?, algo parecido a un puente, pero para la IA».
La próxima semana tendrá lugar la Cumbre de Acción sobre IA en París, la mayor reunión mundial sobre IA desde la cumbre de 2023 en el Reino Unido. La mitad de la gente que conozco va a acudir y la otra mitad siente FOMO. Una de las palabras de moda que se oirán allí será «IA pública»: básicamente, la noción de que los gobiernos necesitan construir su propia infraestructura de IA, de propiedad pública y bajo control público, para servir a objetivos sociales en lugar de a intereses lucrativos. (EDICIÓN: No tiene que ser solo cosa de los gobiernos.)
Si eso te ha dado sueño, no me sorprende. Ni siquiera la «IA pública» es un grito de guerra como «sanidad gratuita» o «salvar el planeta». Sinceramente, quienes la promueven no han hecho un buen trabajo explicándola en términos que a cualquiera que no sea un apasionado de las políticas públicas le interesarían. Eso se debe en parte a que, sorprendentemente, no existe un buen paralelo histórico real: nada de «como X, pero para la IA». Desde luego, nada de puente.
Pero creo que es una idea potencialmente importante. Así que voy a intentarlo.
Resumen: imagine todo un ecosistema paralelo de tecnología de IA, pero construido y propiedad de los gobiernos. Al no estar sujeto a los intereses del lucro, podría ofrecer cosas que las grandes empresas privadas de IA no tienen incentivos para crear, como IA diseñada para investigar problemas sociales complejos y ciencia de vanguardia, o para atender regiones geográficas e idiomas específicos. No difundiría desinformación ni discurso de odio, y en general trataría de apoyar una esfera pública sana. Y se garantizaría el acceso asequible para todos. Buena idea, pero ¿alguien pagará por construirla?
Primero: el problema de la IA privada
Históricamente, el desarrollo de infraestructuras (pensemos en carreteras, ferrocarriles, electricidad, telefonía) ha seguido este patrón. Una empresa, o unas pocas, empieza a construir algo. Pero no resulta rentable construirlo en todas partes, así que el acceso es irregular. Si hay un monopolio, el servicio es caro. Si hay competencia, puede haber versiones incompatibles, como ocurre con los distintos anchos de vía ferroviaria. Quizá además sea peligroso.
Con el tiempo, el gobierno se da cuenta de que la sociedad realmente necesita ese servicio. Así que interviene para ampliar el acceso, estandarizar los requisitos, reducir los precios e imponer normas de seguridad. Podría, por ejemplo, nacionalizarlo (la electricidad en el Reino Unido), crear incentivos para que más personas lo construyan (la electricidad en Estados Unidos), romper monopolios (Standard Oil), o regularlos (los ferrocarriles). Así es como algo pasa de ser simplemente un servicio a convertirse en infraestructura.
Pero con los servicios digitales del siglo XXI (pensemos en redes sociales, computación en la nube, publicación en línea, IA), las cosas se convierten en infraestructura más rápido de lo que el gobierno logra reaccionar.1 Internet hace que el acceso a ese servicio sea casi universal. Su precio suele empezar en cero (salvo por el precio oculto de ceder tus datos personales). Las variaciones son una característica, no un defecto: elige la versión que más te guste. Y como la IA, en particular, es una tecnología de propósito general, mucha gente cree que podría ser peligrosa, pero nadie se pone de acuerdo sobre exactamente cómo, ni sobre si los peligros superan a los beneficios.
Así que ahora el servicio ya es infraestructura, es barato para los usuarios, la elección es buena y los riesgos son imposibles de precisar. Entonces, ¿qué tipo de intervención puede hacer realmente un gobierno?
Esta historia, por supuesto, le viene muy bien a las empresas tecnológicas. De hecho, hay muchos problemas en dejar que un puñado de organizaciones opacas e inmensamente ricas establezcan las reglas de una tecnología poderosa de propósito general, algo que probablemente no necesito detallar a los lectores de Futurepolis.2
La mayoría de la gente cree que la solución a estos problemas es la regulación. Los gobiernos imponen toda clase de normas a las empresas de infraestructura física. Si el suministro de agua se contamina, la empresa de agua (esperemos) paga las consecuencias. Pero eso funciona solo porque esos servicios tienen modos de fallo fácilmente identificables: el agua se contamina, los puentes se derrumban, los trenes descarrilan. Es mucho más difícil regular una tecnología como la IA, que puede adoptar cualquier número de formas y usarse de cualquier número de maneras.
Otra solución muy promocionada son los modelos de IA de código abierto o de pesos abiertos (3) (alternativas a los modelos propietarios como chatGPT), que cualquiera puede usar y adaptar libremente. Estos sí tienen el efecto de quitar poder a las grandes empresas de IA. Pero no garantizan que la IA se utilice para el bien público: solo permiten que más personas creen sus propios productos de IA, lo cual podría ser exactamente igual de malo por las mismas razones.
También se habla mucho de la gobernanza democrática de la IA, que básicamente significa conseguir que las empresas de IA, los financiadores y los reguladores escuchen a los ciudadanos e incorporen sus ideas sobre lo que es una IA «buena». Esto es estupendo, pero depende en cierta medida de que todas esas instituciones estén dispuestas a colaborar.
De ahí surge el movimiento por la IA pública.
¿En qué consistiría la IA pública?
La idea es que los gobiernos construyan versiones de propiedad pública de los componentes clave de la pila de IA, principalmente:
Centros de datos que las organizaciones del sector público, los investigadores y también las pequeñas empresas puedan utilizar para entrenar y ejecutar modelos.
Conjuntos de datos de entrenamiento que cualquiera pueda usar (lo que algunos denominan una «biblioteca abierta de Alejandría»), que no contengan datos basura, que no se hayan extraído de datos protegidos por derechos de autor y que puedan adaptarse a contextos culturales o usos específicos (por ejemplo, para la modelización climática).
Modelos fundacionales verdaderamente de código abierto que los países, los laboratorios de investigación y las empresas puedan adaptar y sobre los que puedan construir, entrenados con datos fiables y con valores democráticos integrados.
Normas, objetivos y mecanismos de gobernanza que orienten el desarrollo de la IA en una dirección socialmente beneficiosa
¿Qué obtendríamos a cambio?
Aquí es donde la falta de un paralelo histórico directo dificulta un poco explicar el sentido de la IA pública. Cuando los gobiernos han construido infraestructura pública en el pasado, normalmente ha sido para cubrir un vacío dejado por el sector privado. En este caso, la idea es construir un sistema alternativo completo a los que ya existen. Es como si se construyera una red ferroviaria entera junto a la existente, en lugar de subvencionar solo los ramales hacia lugares remotos.
Así que no se puede decir simplemente que esto son «puentes, pero para la IA» o «redes eléctricas, pero para la IA». Sin embargo, hay algunas metáforas «X para la IA» diferentes que pueden al menos explicar distintas facetas.
Es una BBC o una PBS para la IA. Los medios de comunicación privados son libres de adoptar las posturas que quieran, incluida la difusión de desinformación o de determinadas opiniones políticas. Pero muchos gobiernos crearon radiodifusoras públicas cuya misión incluye crear valores y entendimientos compartidos y una sociedad civil sana. (Y a veces algo más: la BBC llegó a impulsar la adopción de la radio en Gran Bretaña, porque su financiación estaba vinculada al número de radios vendidas). De la misma forma, la IA pública podría crear servicios de IA que promuevan valores democráticos y un discurso público sano, en lugar de utilizarse para difundir desinformación o odio.
Es un CERN o una DARPA para la IA. Muchas de las mayores innovaciones tecnológicas de Estados Unidos en el siglo XX surgieron de los laboratorios de investigación de empresas como AT&T, Xerox e IBM. Pero esas empresas seguían teniendo puesta la mirada en los beneficios, no en objetivos sociales. La DARPA, en cambio, financia investigaciones fundamentales para la seguridad nacional de Estados Unidos. El CERN reúne miles de millones de dólares en financiación para la investigación que los países por separado no podrían reunir por sí solos. La IA pública podría hacer lo mismo, dando a los científicos los medios para realizar investigaciones de vanguardia y desarrollar modelos de IA para usos que quizá el sector privado no contemple. Por ejemplo, una IA médica especializada en investigación de salud pública, una IA para la vivienda que ayude a resolver problemas de vivienda asequible, o una IA jurídica para mejorar el sistema de justicia.
Es una oficina de correos para la IA. Si DHL o FedEx dejan de prestar servicio en ciertas zonas o suben sus precios, el servicio postal garantiza que todos sigan teniendo una forma asequible de enviar correo. Hoy en día, quien quiera usar la IA gratis dispone de multitud de opciones, pero ¿las seguirá teniendo siempre? Basta con mirar Twitter para ver cómo una plataforma puede cambiar radicalmente cuando llega un nuevo propietario. La IA pública garantizaría que el público siempre tenga acceso a servicios de IA de alta calidad, gratuitos o a un coste bajo garantizado.
Son servicios públicos para la IA. Una empresa privada tiene un único objetivo: ganar dinero. Puede regularse para evitar que cause daños (la contaminación, por ejemplo, o los productos peligrosos), pero no se le puede obligar a hacer el bien. Un servicio público sí puede. Una empresa pública de electricidad, por ejemplo, podría tener que ganar suficiente dinero no solo para cubrir sus propios costes, sino también para ayudar a mantener la red eléctrica. Una empresa pública de agua puede estar obligada no solo a suministrar agua potable, sino también a financiar el alcantarillado o a proporcionar riego a los parques públicos. De la misma manera, un servicio público de IA podría estar obligado a incorporar valores democráticos en sus modelos o a apoyar la creación de conjuntos de datos públicos. (Aquí tiene una presentación con algunos diagramas útiles al respecto.)
Son bibliotecas públicas para la IA. El sistema bibliotecario garantiza que cualquiera pueda acceder al conocimiento. La IA pública garantiza que cualquiera pueda acceder a la IA.
Probablemente podrían elegirse otras metáforas. De nuevo, lo importante es que la IA pública es todas estas cosas. Eso es lo que, a mi juicio, dificulta hacerse una idea clara de ella, porque no existe una única descripción que la abarque.
¿Y una metáfora del supermercado?
Vale, aguanten un poco. Quizá la mejor forma de explicar la IA pública sea algo así.
Hay muchos supermercados, pero gran parte de los alimentos que venden no son saludables o se producen de forma insostenible, y en algunos lugares existen desiertos alimentarios donde una sola cadena tiene el monopolio. Entonces, ¿qué pasaría si el gobierno creara una cadena de supermercados alternativa completa que solo vendiera productos ecológicos y locales, alimentos con bajo contenido en azúcar, nada muy procesado, etc., a precio de coste, con sucursales por todas partes, y que además ofreciera gratuitamente clases de cocina y nutrición? Las economías de escala de esa cadena cambiarían los incentivos de la industria alimentaria e impulsarían una producción de alimentos sostenible y saludable, de modo que incluso los supermercados privados acabarían cambiando lo que venden. Y todo ello conduciría en última instancia a mejores resultados de salud, a menores costes sanitarios, a mayores ingresos fiscales (porque las personas sanas pueden trabajar) y a menos daños medioambientales, lo que compensaría de sobra cualquier inversión inicial en los supermercados.
En esta metáfora, el origen de los alimentos (ecológicos, bajos en azúcar, etc.) corresponde a los datos de entrenamiento. El alimento en sí son los modelos de IA. Los supermercados públicos son los centros de datos y demás infraestructura física. Los supermercados privados y la industria alimentaria son el sector privado de la IA. Y así sucesivamente.
Dicho así, suena disparatado. Ningún gobierno en su sano juicio haría esto con los supermercados. Pero quizá sí debería?
En fin, no sé cómo llamarlo. Pero tiene que haber algo más atractivo que «IA pública».
¿Pero llegará a construirse?
Hay esfuerzos dispersos para construir distintas partes de la pila de IA pública en diferentes países. Por ejemplo, un proyecto llamado OpenEuroLLM pretende construir modelos fundacionales para diversas lenguas europeas. Existe Euro Stack, que aspira a construir «un ecosistema digital completo» para Europa. Hay proyectos nacionales de IA en lugares como Suecia, Suiza, Singapur, y un par de proyectos en Estados Unidos (aunque lo que será de ellos con la administración Trump es una incógnita). Hay informes que indican que una fundación para la IA en interés público, aún sin nombre, se presentará en París la próxima semana.
Pero no se parece ni de lejos a la escala de lo que está haciendo el sector privado. Algunas personas están muy entusiasmadas con un informe de hace unos días según el cual la UE ha decidido invertir 56 millones de dólares en un modelo europeo de código abierto (presumiblemente OpenEuroLLM, aunque el artículo no lo dice). Algunos señalan que DeepSeek, de China, habría entrenado su modelo R1, que revolucionó el mundo hace un par de semanas, por solo 6 millones de dólares.
Pero esa cifra es probablemente una enorme subestimación. Mientras tanto, los 56 millones de dólares son menos de una décima parte de lo que Mistral, la mayor empresa europea de IA de capital propio, recaudó en una ronda de financiación el verano pasado. Es menos de una seiscientosava parte de los 30-35 000 millones de euros que un estudio estimó que costaría construir un «CERN para la IA» (y eso solo en los tres primeros años). Sin contar las decenas o quizá incluso cientos de miles de millones que Estados Unidos supuestamente planea destinar al proyecto «Stargate», aunque creo que deberíamos tomar esas afirmaciones con un enorme grano de sal.
Aun así, personas de la Red de IA Pública, una coalición informal de expertos en políticas e investigadores que trabajan en ello (y a quienes debo agradecer que me hayan ayudado a adquirir la escasa comprensión que tengo de este tema), planean proponer una serie de «proyectos ambiciosos» en la cumbre de París de la próxima semana. El principal es el LLM de código abierto, seguido de la «biblioteca de Alejandría» (grandes conjuntos de datos públicos), el «CERN para la IA» (es decir, una infraestructura informática masiva) y algunos marcos de gobernanza y regulación. Les deseo suerte… y también un nombre mejor.
1. En un ensayo breve pero excelente, Robin Berjon sostiene que la proliferación de infraestructura digital más rápida que la capacidad de reacción de los gobiernos "puede ser la sacudida mayor, pero menos reconocida, que ha provocado internet.”
2. Pero por si acaso lo hago:
Enshittification. Existe una tendencia general por la que los servicios tecnológicos del sector privado empeoran a medida que consolidan su dominio sobre un mercado, porque pierden el incentivo para atraer a más usuarios.
Bloqueo. Cuando el servicio empeora de verdad, las empresas intentan impedir que sus usuarios se marchen, por ejemplo, dificultando la exportación de sus datos.
Incentivos perversos. El objetivo principal de las grandes empresas de IA no es en realidad satisfacer las necesidades de sus usuarios. Es construir los modelos más grandes y potentes posibles, en la carrera por alcanzar (o eso esperan) la inteligencia artificial general. Esto las lleva a hacer cosas como absorber enormes cantidades de datos de entrenamiento que pueden estar protegidos por derechos de autor, o directamente basura.
Mínimo común denominador. Aun así, las empresas del sector privado sí quieren conseguir el mayor número posible de usuarios por el camino. Por eso valoran la utilidad general por encima de aplicaciones más específicas dirigidas a problemas sociales apremiantes.
Sesgos culturales. Los grandes LLM se entrenan de forma desproporcionada con datos en inglés. Aunque pueden responder en el idioma que se desee, esas respuestas son simplemente traducciones: el contenido subyacente está sesgado hacia lo que sería para los hablantes de inglés. Para otros usuarios, puede resultar culturalmente insensible o sencillamente erróneo. Esto se debe a que simplemente hay menos datos de entrenamiento disponibles en otros idiomas y, además, las empresas observan un rendimiento decreciente al entrenar modelos para atender a grupos culturales más pequeños.
Sin valores. Los LLM difunden con gran facilidad desinformación, discurso de odio y justificaciones del nazismo, si eso forma parte de sus datos de entrenamiento. Sus creadores pueden imponer moderación de contenidos, o pueden no hacerlo. Igual que Meta decidió recientemente dejar de verificar hechos y permitir algunas formas de discurso de odio que antes bloqueaba, las empresas de IA pueden decidir que les conviene comercialmente dejar que sus modelos campen a sus anchas.
Ausencia de rendición de cuentas. Nadie sabe realmente qué se incorpora en la construcción de modelos como ChatGPT: qué datos se utilizaron para entrenarlos o cómo se procesaron esos datos. Confiar en ellos es como confiar en que un puente es seguro sin saber qué materiales utilizó la empresa constructora. Si el puente se derrumba, ¿quién va a asumir la responsabilidad?
Concentración de riqueza y poder. Empresas valoradas en cientos de miles de millones de dólares, con un férreo control sobre una tecnología, pueden hacer que los gobiernos hagan lo que ellas quieren.
Otras externalidades negativas. Como los impactos climáticos derivados de la construcción de centros de datos masivos.
3. Los modelos de DeepSeek y Meta, por ejemplo, son de pesos abiertos, aunque a menudo se describen como de código abierto. La diferencia es que los modelos de pesos abiertos no revelan los datos con los que fueron entrenados ni los detalles del proceso de entrenamiento, solo el resultado; es como publicar los planos de un edificio sin los detalles del proceso de construcción ni de dónde procedían los materiales. Más detalles sobre esta distinción aquí y aquí.
