Top 10 de ciudades de IA

RESUMEN

Índice

Imagine: solo 4 ciudades controlan tecnologías que cambiarán la vida de 8000 millones de personas. Taiwán produce el 90% de los chips de IA. San Francisco crea modelos que mañana tomarán decisiones en lugar de médicos, banqueros y gobiernos. Pekín aprendió a hacer lo mismo 27 veces más barato.

Esto no es solo una carrera tecnológica, sino una nueva geografía del poder. Para 2030, la IA añadirá 15.7 billones de dólares a la economía mundial, pero ese dinero no llegará a todos. Las ciudades que lo entiendan ganarán: el éxito ya no depende del tamaño ni de la historia. Solo importa una cosa: qué papel desempeña en el nuevo ecosistema de IA de siete capas.

Singapur ya lo entendió. Zúrich también. ¿Y qué pasa con su ciudad?

Este análisis revela las nuevas reglas del juego, en el que está en juego el futuro de la humanidad.

RESUMEN EJECUTIVO

Índice

Lo que está ocurriendo ahora:

El mundo de la IA se ha reestructurado en siete capas de especialización, cada una controlada por ciudades distintas:

  • Capa 1: materias primas — Mongolia Interior (China: 90% del procesamiento de tierras raras)
  • Capa 2: infraestructura energética — Alaska, Islandia, Noruega (ventaja de 4-5 ¢/kWh)
  • Capa 3: hardware — Taiwán, Corea del Sur (TSMC: 92% de los chips avanzados)
  • Capa 4: nube — Seattle, Dublín (AWS/Azure/GCP: 70% del mercado)
  • Capa 5: orquestación — Nueva York, Londres, Singapur (plataformas de AgentOps)
  • Capa 6: modelos fundacionales — San Francisco, Pekín, París (ChatGPT, DeepSeek, Mistral)
  • Capa 7: aplicaciones — Singapur, Dubái, Zúrich (ciudades inteligentes, fintech, govtech)

Por qué esto es de importancia crítica:

1. Bomba de relojería geopolítica: si mañana ocurre algo en Taiwán, la IA mundial se detiene. El 80% de todos los modelos avanzados se crean solo en Estados Unidos y China.

2. Revolución económica: China logró un avance: sus costes de IA son de 2 dólares por millón de operaciones frente a 60 dólares en Estados Unidos. Misma calidad. Es como si un iPhone costara de repente 30 dólares en lugar de 1000.

3. Revolución laboral: el 60% de las personas necesitará reciclaje profesional para 2030. Pero hay esperanza: el 97% de las empresas que implantan IA obtienen beneficios.

Quién gana y quién pierde:

LÍDERES:

  • Singapur — la mejor preparación para la IA del mundo; el gobierno implanta la IA en todas partes
  • Zúrich — 6 años consecutivos como la mejor ciudad inteligente; IA en las finanzas
  • San Francisco — crea ChatGPT, Claude, Gemini, Grok y otros; los 'cerebros' de IA del mundo
  • Pekín/Hangzhou — modelos baratos y de calidad, implantación masiva

REZAGADOS:

  • Ciudades que intentan hacerlo todo en lugar de especializarse
  • Regiones sin estrategia de educación en IA

Qué significa esto para el futuro:

2026 es el punto de inflexión. La IA se vuelve autónoma (toma decisiones sin intervención humana). Las ciudades deben elegir su papel AHORA:

  • 1. Producir IA (como San Francisco): crear tecnologías
  • 2. Aplicar IA (como Singapur): implantarla en la vida de los ciudadanos
  • 3. Prestar servicios de IA (como Dublín): proporcionar infraestructura

Conclusiones prácticas:

  • Invierta en educación en IA AHORA: mañana será demasiado tarde
  • Elija una especialización; no intente abarcarlo todo
  • Las ciudades sin estrategia de IA para 2030 se convertirán en la periferia económica
  • $417 mil millones de dólares en inversiones en 2025: esto es solo el comienzo

Los próximos cinco años decidirán qué ciudades gobernarán el mundo durante los próximos cincuenta años.

1. INTRODUCCIÓN Y METODOLOGÍA

Índice

1.1 Contexto de la investigación

El panorama global de la inteligencia artificial ha evolucionado hacia un ecosistema complejo en el que determinados centros urbanos se han convertido en fuerzas dominantes en la investigación, el desarrollo y la implementación de la IA. Este panorama pasa de la concentración en unos pocos núcleos a un ecosistema multipolar, en el que distintas ciudades destacan por ventajas propias y por funciones diferenciadas en la cadena de valor de la IA.

Los centros urbanos desempeñan funciones especializadas en la estructura de dependencia de la IA de siete capas: materias primas (procesamiento de tierras raras), infraestructura energética (generación de energía renovable), infraestructura de hardware (concentración de semiconductores y centros de datos), infraestructura en la nube (desarrollo de plataformas computacionales), orquestación (coordinación de sistemas de IA), modelos fundacionales (creación de los sistemas básicos de IA) y aplicaciones (despliegue específico por sectores). Esta especialización multicapa crea interdependencias tecnológicas complejas y nuevas formas de ventaja competitiva que reconfiguran las relaciones económicas globales.

Marco terminológico

  • Centros de modelos fundacionales: Centros urbanos que desarrollan modelos de IA fundacionales y algoritmos centrales (p. ej., San Francisco - ChatGPT, Hangzhou - Qwen)
  • Ciudades consumidoras de IA: Centros que destacan en la implantación y el despliegue de tecnologías de IA existentes (p. ej., Dubái, con aplicaciones de ciudad inteligente; Zúrich, con IA financiera)
  • Centros híbridos de IA: Ciudades que equilibran las capacidades de desarrollo y de implantación (p. ej., Singapur, Shanghái)
  • IA agéntica: Sistemas autónomos capaces de tomar decisiones de forma independiente y ejecutar tareas complejas
  • IA constitucional (CAI): Marcos de gobernanza que incorporan principios éticos en los sistemas de IA
  • Organizaciones nativas de IA: Empresas cuyo producto o servicio principal es la IA, a diferencia de las empresas tradicionales que usan herramientas de IA para mejorar sus operaciones
  • Personal de desarrollo de IA: Profesionales que desarrollan directamente sistemas de IA (ingenieros de aprendizaje automático, investigadores de IA, científicos de datos), a diferencia de la plantilla general que usa herramientas de IA en su trabajo diario
  • Alcance geográfico: El análisis utiliza los límites administrativos de las ciudades, salvo que se indique lo contrario; los datos de áreas metropolitanas se señalan claramente cuando procede
  • Modelo de lenguaje de gran tamaño (LLM): Sistemas de IA fundacionales entrenados con grandes conjuntos de datos de texto, que sirven como base computacional para las aplicaciones de IA generativa y agéntica
  • Massive Multitask Language Understanding (MMLU): Referencia estándar del sector que evalúa el rendimiento de los modelos de IA en diversos ámbitos de conocimiento y tareas de razonamiento
  • Costes de inferencia: Gastos operativos de ejecución de modelos de IA entrenados para generar resultados; métrica clave para la viabilidad comercial del despliegue de IA
  • Infraestructura hiperescalar: Grandes empresas de infraestructura en la nube (Meta, Alphabet, Microsoft, Amazon, Oracle) que proporcionan recursos informáticos fundamentales para el desarrollo y despliegue de la IA

El panorama de inversiones muestra una escala sin precedentes: se prevé que las empresas tecnológicas hiperescalares (Meta, Alphabet, Microsoft, Amazon, Oracle) destinen $417 mil millones de dólares a gastos de capital en 2025 (fuente: informes de resultados del tercer trimestre de 2025). Los gastos de capital relacionados con la IA contribuyeron un 1.1% al crecimiento del PIB en el primer semestre de 2025, lo que demuestra que la IA ha pasado de ser una tecnología especulativa a un motor económico fundamental.

En el ámbito de la investigación, China ha alcanzado un liderazgo notable en la calidad de su producción científica. El Nature Index Research Leaders 2025 (basado en datos de 2024) sitúa la Share de China en 32,122, frente a 22,083 de Estados Unidos, lo que representa un aumento del 17.4% en la Share ajustada de China. Las instituciones chinas ocupan ahora 43 de las 100 primeras posiciones mundiales en investigación, y la Academia China de Ciencias mantiene la primera posición mundial con una Share más del doble que la de la Universidad de Harvard.

Esto representa un cambio fundamental en la geografía de la investigación mundial: solo dos instituciones no chinas siguen en el top diez (frente a tres en 2023), y ocho posiciones están ocupadas por instituciones chinas. La Academia China de Ciencias (CAS) lidera con una Share de 2,776.90, manteniendo su decimotercer año consecutivo de liderazgo mundial, mientras que la Universidad de Harvard ocupa el segundo puesto (Share 1,155.19). La Universidad de Ciencia y Tecnología de China (USTC, Hefei) logró el tercer puesto con una Share de 850.60, y la Universidad de Zhejiang (Hangzhou) subió del décimo al cuarto puesto. Las instituciones occidentales sufren caídas significativas: la Universidad de Stanford bajó del 6.º puesto (2022) al 16.º (2024), el MIT descendió al 17.º puesto, la Sociedad Max Planck de Alemania pasó del 4.º al 9.º, y el CNRS de Francia salió del top 10 por primera vez (puesto 13.º).

Este estudio sistematiza estas diversas trayectorias de desarrollo y analiza las capitales de la IA desde la perspectiva tanto de la capacidad tecnológica como del posicionamiento estratégico en la cadena de valor global de la IA, aportando perspectivas analíticas sobre lo que constituye el liderazgo en IA a partir de datos verificables sobre inversiones, productividad científica y marcos de políticas.

1.2 Alcance y objetivos

Esta investigación pretende:

  • Identificar las principales ciudades de IA del mundo según varios marcos de evaluación (IMD Smart City Index, Counterpoint AI City Index, Salesforce AI Readiness Index)
  • Analizar los patrones de inversión y los flujos de financiación en el desarrollo de la IA, distinguiendo entre la investigación fundamental y el despliegue de implementación
  • Examinar el papel de la política pública en el desarrollo del ecosistema de IA en distintos modelos de gobernanza
  • Evaluar el impacto de las instituciones académicas y de la colaboración del sector privado en la creación de conglomerados de innovación en IA
  • Evaluar la infraestructura tecnológica y la capacidad de innovación, en particular en el contexto de la transición hacia la IA agéntica
  • Establecer el marco de la geografía de la cadena de valor de la IA en cuatro capas de dependencia: infraestructura de hardware, infraestructura en la nube, modelos fundacionales y aplicaciones

1.3 Modelos de gobernanza de la IA: enfoques regulatorios globales

El panorama regulatorio de la gobernanza de la IA se ha consolidado en cuatro modelos diferenciados, cada uno de los cuales refleja distintas prioridades nacionales y estrategias tecnológicas:

1.3.1 Estados Unidos: enfoque centrado primero en el mercado

  • Énfasis en la innovación y en una mínima intervención regulatoria en las primeras etapas
  • Ecosistema impulsado por el capital de riesgo que prioriza las tecnologías revolucionarias
  • Entornos de pruebas regulatorios para los servicios financieros (alcance limitado)
  • Supervisión posterior al despliegue, en lugar de requisitos de aprobación previa

1.3.2 Unión Europea: enfoque centrado primero en los derechos

  • Aplicación integral de la Ley de IA (2025), que hace hincapié en la protección de los derechos fundamentales
  • Requisitos de IA explicable (XAI) para las aplicaciones de alto riesgo
  • Integración estricta de la protección de datos con el marco del RGPD
  • Principio de precaución aplicado al despliegue de la IA

1.3.3 China: enfoque centrado primero en el control

  • Desarrollo de la IA dirigido por el Estado, con coordinación estratégica nacional
  • Amplia participación del gobierno en la investigación y el despliegue de la IA
  • Integración del sistema de crédito social, que demuestra una gobernanza integral de la IA
  • Escalado rápido facilitado por la toma de decisiones centralizada

1.3.4 Reino Unido: enfoque centrado primero en la flexibilidad

  • Regulación específica por sectores en lugar de una legislación integral sobre IA
  • Marco regulatorio «favorable a la innovación»
  • Énfasis en mantener la ventaja competitiva tras el Brexit
  • Enfoque práctico en la implementación frente a los marcos teóricos

1.4 Competencia geopolítica por el liderazgo en IA: EE. UU. frente a Asia

La competencia entre Estados Unidos y China por el dominio de la IA se caracteriza por enfoques estratégicos fundamentalmente distintos: superioridad tecnológica mediante una inversión intensiva por parte de Estados Unidos, frente a eficiencia operativa y despliegue escalable por parte de China.

1.4.1 Estrategia de EE. UU.: supremacía tecnológica

La estrategia estadounidense se centra en el modelo de capital de riesgo y en la creación de los modelos más potentes, aunque costosos, de vanguardia. Silicon Valley controla más del 65 % de la financiación mundial de startups nativas de IA, siguiendo un modelo de «el ganador se lo lleva todo» que produce tecnologías revolucionarias pero intensivas en recursos.

Ventajas de EE. UU. (verificadas en el cuarto trimestre de 2025):

  • Se prevé que las empresas hiperescala asignen $417B en capex para 2025 (actualizado en el tercer trimestre de 2025)
  • La inversión en IA impulsa más del 70% de toda la actividad de capital riesgo a lo largo de 2025
  • Dominio en el desarrollo de modelos fundacionales (ChatGPT, Claude, GPT) y en el ecosistema de startups nativas de IA
  • Las principales instituciones académicas (MIT, Stanford) producen investigación pionera
  • Marcos regulatorios superiores para el despliegue comercial de la IA y la protección de la propiedad intelectual
  • Dominio de las plataformas globales (AWS 30%, Azure 20%, Google Cloud 13%), que permite el despliegue de la IA en todo el mundo
  • Ventaja del idioma inglés para el desarrollo de modelos globales y la adopción comercial internacional
  • Ecosistema de innovación multisectorial y diverso (finanzas, sanidad, defensa, entretenimiento) que impulsa aplicaciones variadas de la IA
  • El ecosistema de capital riesgo más sólido del mundo, con redes de capital de riesgo consolidadas

Desafío estratégico: Mantener la superioridad tecnológica exige una inversión continua en infraestructuras costosas (clústeres de GPU, sistemas energéticos), lo que plantea dudas sobre la competitividad de costes a largo plazo frente a los enfoques centrados en la eficiencia.

1.4.2 Estrategia de China: eficiencia y escalabilidad

China está cerrando rápidamente la brecha de calidad de sus modelos: las diferencias de rendimiento de los grandes modelos de lenguaje en pruebas clave (p. ej., MMLU) se han reducido hasta casi la paridad en 2024. Nota: las comparaciones mediante pruebas de referencia tienen limitaciones: miden un rendimiento académico acotado y no las capacidades de despliegue en el mundo real, lo que podría subestimar las ventajas prácticas de implementación. La ventaja estratégica de China radica en su capacidad para poner en funcionamiento la IA con una eficiencia notable.

Ventajas de China (datos verificados de 2025):

  • Educación formal en IA implantada para todos los estudiantes de primaria y secundaria (lanzada en 2025). Los retos de implementación incluyen importantes brechas de infraestructura entre zonas urbanas y rurales, y una cobertura de formación docente del 33 % a escala nacional
  • 4 veces más egresados universitarios de IA al año que las regiones competidoras
  • Iniciativas masivas de escalado respaldadas por el gobierno y coordinadas a nivel nacional
  • Centrarse en un despliegue práctico y rentable antes que en avances teóricos

Limitaciones estratégicas y compensaciones:

  • Las restricciones de contenido y los controles regulatorios pueden limitar la expansión global de los modelos de IA chinos
  • Aunque el volumen de producción investigadora lidera a nivel mundial, las innovaciones algorítmicas revolucionarias siguen concentradas en los centros occidentales de modelos fundacionales
  • Los retos de transparencia de datos dificultan la verificación en las alianzas internacionales
  • El modelo de desarrollo centralizado puede limitar la diversidad de enfoques frente a la competencia occidental impulsada por el mercado

El enfoque en reducir los costes de inferencia tiene implicaciones decisivas. Al lograr costes operativos 27 veces inferiores a los de sus competidores occidentales ($2.19 frente a $60 por millón de tokens de salida, comparando DeepSeek R1 con OpenAI o1), las empresas chinas pueden democratizar el acceso a la IA y captar mercados globales sensibles al precio.

Idea clave: fortalezas complementarias en la competencia por la IA

La competencia entre EE. UU. y China refleja enfoques complementarios más que puramente competitivos. EE. UU. destaca en la innovación revolucionaria, el despliegue comercial y el dominio de las plataformas globales, mientras que China lidera en volumen de investigación, optimización de costes y escalado rápido. Ambos enfoques aportan capacidades esenciales al ecosistema global de la IA.

Esta competencia impulsa patrones de especialización geográfica: las ciudades estadounidenses (San Francisco, Seattle) se centran en la innovación disruptiva y el despliegue de capital riesgo, mientras que las ciudades chinas (Hangzhou, Pekín) optimizan el volumen de investigación y la eficiencia de costes. La competencia acelera la estructura de dependencia de siete capas, obligando a cada bando a desarrollar fortalezas en distintos componentes de la cadena de valor de la IA.

1.5 Concentración del ecosistema global de startups de IA

El panorama global del capital riesgo en IA muestra una concentración geográfica extrema: 15 áreas metropolitanas captan más del 80% de la financiación de startups de IA. El ecosistema muestra un dinamismo notable: mientras San Francisco mantiene su dominio con 430 startups de IA por millón de habitantes y $28.4B en financiación, los nuevos polos crecen con rapidez y desafían las jerarquías tradicionales.

Ecosistemas de IA de crecimiento más rápido (2023-2025)

  • Bangalore (+26 % de crecimiento): 890 startups de IA, 4,9 mil millones de dólares de financiación, y se perfila como líder mundial en herramientas de programación con IA y automatización B2B
  • Singapur (+22 % de crecimiento): 920 startups, 5,4 mil millones de dólares de financiación, 170 startups por millón de habitantes, excelente implementación gubernamental de IA
  • Dubái (+21 % de crecimiento): 640 startups, 3,2 mil millones de dólares de financiación, un espacio de pruebas de políticas de IA (sandbox) que crea ventajas regulatorias
  • Toronto (+18 % de crecimiento): 980 startups, $5.7B de financiación, el hub del Vector Institute que impulsa el liderazgo en IA ética, Cohere con una valoración de $6.8B (pioneros de los transformers)
  • Tel Aviv (+14 % de crecimiento): 1.150 startups, 6,1 mil millones de dólares de financiación, 260 startups por millón de habitantes, especialización en ciberseguridad con IA y tecnología de defensa

La concentración del capital de riesgo genera efectos de red: las ciudades líderes atraen no solo startups, sino también brazos de capital corporativo (Google Ventures, NVIDIA Inception, Microsoft M12) y fondos soberanos (Temasek de Singapur, Mubadala de los EAU). Este magnetismo de capital refuerza las ventajas geográficas: las rondas de gran tamaño ($100M+) representaron el 69% de la financiación de la IA en 2024 y fluyeron, en su mayoría, hacia centros de innovación consolidados.

Las métricas de éxito varían significativamente según la etapa de desarrollo y el enfoque geográfico. Los ecosistemas norteamericanos alcanzan un múltiplo de salida promedio de 4.8x, mientras que los mercados europeo (3.5x) y asiático (3.9x) muestran perfiles distintos de riesgo y rentabilidad. El tiempo mediano hasta el mercado va desde 17 meses (el más corto, en San Francisco) hasta plazos más largos en los ecosistemas emergentes, lo que refleja diferencias en la madurez de la infraestructura y en la densidad de talento.

Aceleración de spin-offs académicos: World Labs, cofundada por Fei-Fei Li de Stanford, alcanzó una valoración de $1B en 4 meses (de abril a julio de 2024), mientras que el NextGenAI Consortium de OpenAI distribuye $50M entre 15 universidades de élite, lo que demuestra la rapidez de los circuitos de investigación a mercado.

Especializaciones urbanas en el ecosistema de startups de IA

Capa de hardware e infraestructura:
Santa Clara/San José: 430 startups por millón de habitantes, 28,4 mil millones de dólares de financiación, predominio del ecosistema de NVIDIA
Austin: +19 % de crecimiento, 3,5 mil millones de dólares de financiación, especialización en hardware de IA y sistemas autónomos
Seúl: 4,4 mil millones de dólares de financiación, 10 unicornios, enfoque en semiconductores de IA y robótica

Capa de modelos fundacionales e investigación:
Área de la Bahía de San Francisco: 3.900 startups de IA, 82 unicornios, tecnología profunda y modelos fundacionales
Pekín: 2.450 startups, 14,7 mil millones de dólares de financiación, 54 unicornios, respaldo político a la IA generativa
París: 850 startups, 4,6 mil millones de dólares de financiación, valoración de Mistral AI de 5.000 millones de euros, acelerador gubernamental de IA

Capa de aplicación e implementación:
Tel Aviv: 1.150 startups, 260 por millón de habitantes, ciberseguridad con IA y tecnología de defensa
Singapur: 920 startups, 170 por millón de habitantes, excelencia gubernamental en IA
Dubái: 640 startups, +21 % de crecimiento, ventajas del espacio de pruebas de políticas de IA

Capa de excelencia en investigación:
Boston/Cambridge: MIT, instituciones líderes, cercanía a investigaciones revolucionarias
Princeton: Base de las redes neuronales de Hopfield (Premio Nobel de Física 2024)
Seattle: Liderazgo en diseño de proteínas de la Universidad de Washington (Premio Nobel de Química 2024)

2. GEOGRAFÍA DE LA CADENA DE VALOR DE LA IA: ESTRUCTURA DE DEPENDENCIA DE SIETE CAPAS

Índice

2.1 La estructura de dependencia de la IA en siete capas

El panorama global de la IA funciona a través de una estructura de dependencia de siete capas, ampliada desde el modelo tradicional de cuatro capas para incluir capas fundamentales críticas que se convirtieron en campos de batalla estratégicos en 2025. Esta estructura abarca desde la extracción de materias primas hasta la infraestructura energética, el hardware, la nube, la orquestación, los modelos fundacionales y las aplicaciones.

Capa 1: centros de materias primas
Mongolia Interior, China: 90% del procesamiento mundial de tierras raras, cuello de botella estratégico
Chile/Argentina: El triángulo del litio para las baterías de los chips de IA
Mountain Pass, California: La única mina activa de tierras raras de EE. UU. (14% de la producción mundial)

Capa 2: centros de infraestructura energética
Alaska: Ventaja energética de 4-5¢/kWh, base óptima para la infraestructura de caché, posicionamiento estratégico en IA
Islandia/Noruega: 100% de energía renovable hidroeléctrica y geotérmica
Estado de Washington: Excedente hidroeléctrico para centros de datos
Texas: Mezcla energética diversificada de nuclear y renovable

Capa 3: centros de infraestructura de hardware
Santa Clara/San José: Desarrollo de GPU de NVIDIA, diseño de semiconductores
Hsinchu, Taiwán: Fabricación de chips de TSMC, semiconductores avanzados
Seúl: Fabricación de memoria y procesadores de Samsung

Capa 4: centros de infraestructura en la nube
Seattle: Amazon Web Services (AWS), Microsoft Azure
Área de la Bahía de San Francisco: Google Cloud Platform, infraestructura computacional
Dublín: Centros europeos de infraestructura en la nube

Idea clave: La estrategia de integración vertical de las grandes tecnológicas desafía el modelo lineal de «productor frente a consumidor». Meta, Amazon, Alphabet y Microsoft planean un gasto de capital combinado en IA de entre 320 000 y 325 000 millones de dólares en 2025, controlando varias capas de la cadena de valor simultáneamente. Esta integración vertical crea bucles de datos autorreforzados: mejores recursos informáticos → modelos de IA superiores → más datos → versiones mejoradas, lo que permite a estas empresas captar valor en toda la cadena de suministro de la IA.

Capa 5: centros de orquestación
Nueva York: Orquestación de IA financiera, coordinación de trading algorítmico, Renaissance Technologies
Londres: Gestión de sistemas de IA interindustriales, marcos regulatorios, integración de servicios financieros
Singapur: Orquestación gubernamental de IA, coordinación de Smart Nation, integración de sistemas multiagencia
Tel Aviv: Orquestación de IA para defensa, coordinación de sistemas de ciberseguridad

Capa 6: centros de modelos fundacionales
Área de la Bahía de San Francisco: ChatGPT (OpenAI), Claude (Anthropic), Gemini (Google), Grok (xAI), Llama 4 (Meta): liderazgo estadounidense en modelos fundacionales
Pekín: DeepSeek, centro chino de investigación en IA
París: Mistral AI, Le Chat, modelos europeos de código abierto (también de pago)
Hangzhou: Qwen (Alibaba), liderazgo chino en modelos fundacionales

Capa 7: centros de implementación de aplicaciones
Dubái: Aplicaciones de ciudad inteligente, gestión del tráfico con IA, gobernanza digital
Zúrich: Aplicaciones financieras de IA, trading algorítmico, gestión de patrimonios
Singapur: Líder en optimización de la eficiencia de sesiones, experiencia en despliegue de caché de IA, iniciativa Smart Nation
Oslo: Aplicaciones de sostenibilidad, integración de tecnología verde
Tel Aviv: IA de ciberseguridad, aplicaciones de defensa, ecosistema de startups
Nueva York: Servicios financieros con IA, plataforma BlackRock Aladdin

Economía de la caché: división entre entrenamiento e inferencia

La idea más crítica para comprender el coste energético de la IA: El 90-95% del consumo energético mundial de la IA se destina a cargas de trabajo de "inferencia" (usar modelos entrenados), no entrenar modelos nuevos.

• Entrenamiento: Crear modelos desde cero (~5-10% del consumo energético total), no se puede optimizar de forma significativa

• Inferencia: Uso de modelos entrenados para generar respuestas (~90-95% de la energía), se puede optimizar un 50-75% mediante caché

Esta división explica por qué el DeepSeek de China logra ventajas de coste de 10x: optimiza el 95%, mientras que la política estadounidense se centra solo en el 5%.

En términos sencillos: cómo funciona la optimización de caché

Imagínese trabajar con un asistente de IA y subir el mismo archivo varias veces. En la primera solicitud, el sistema procesa por completo su consulta y «recuerda» el resultado en una memoria rápida especial (caché). Cuando vuelve a acceder al mismo archivo en menos de 5 minutos, el sistema no lo vuelve a calcular todo, sino que recupera al instante la respuesta lista de la memoria.

Resultado: La segunda operación cuesta un 90% menos y se ejecuta mucho más rápido. Es como la diferencia entre buscar un contacto en una guía telefónica (la primera vez) y usar la marcación rápida (las veces siguientes).

Escala: Singapur aplica esta lógica en toda su infraestructura gubernamental de IA, lo que le permite alcanzar una eficiencia general del 75%. Las empresas chinas utilizan enfoques similares para obtener ventajas de costos de 10x.

Análisis detallado: mapa de la infraestructura mundial de IA

Tabla 1: Estructura de dependencia de la IA en siete capas

Capa Actores clave Concentración geográfica Control del mercado
Materias primas China (procesamiento del 90% de tierras raras), Chile (24% del litio), RDC (70% del cobalto) Mongolia Interior, Salar de Atacama, provincia de Katanga Concentración extrema
Infraestructura energética Alaska (4-5¢/kWh), Islandia/Noruega (100% renovable), estado de Washington (hidroeléctrica) Regiones con abundante energía, base estratégica de infraestructura de caché Ventaja geográfica
Infraestructura de hardware NVIDIA (90% de la cuota del mercado de GPU para IA), TSMC (67.6% del mercado mundial de fundición de semiconductores en el primer trimestre de 2025), Samsung (7.7% del mercado de fundición) Taiwán (Hsinchu), Corea del Sur (Suwon), EE. UU. (Santa Clara) Concentración extrema
Infraestructura en la nube AWS, Microsoft Azure, Google Cloud (65-70% combinado del mercado mundial de servicios de infraestructura en la nube en 2025) Norte de Virginia, Seattle, Texas (EE. UU.), Irlanda, Singapur Alta concentración
Orquestación Plataformas AgentOps, coordinación multimodelo, gestión de sistemas complejos Nueva York (financiero), Londres (transversal a sectores), Singapur (gobierno), Tel Aviv (defensa) Coordinación distribuida
Modelos fundacionales OpenAI (25%), Anthropic (32%), Google (20%), Meta, DeepSeek, Qwen Área de la bahía de San Francisco (5-6 empresas), Hangzhou (2), París (1) Concentración moderada
Aplicaciones Miles de empresas especializadas, implementaciones específicas por dominio Distribuidas globalmente, agrupaciones específicas por sector Distribuida
Idea clave: El ecosistema de la IA se estructura como una pirámide de dependencias de siete capas: China controla las materias primas (90% de las tierras raras) y la base de hardware, las regiones con abundante energía aportan la ventaja de infraestructura, Estados Unidos domina la nube y los modelos fundacionales (70%), los centros regionales se especializan en datos culturales y las aplicaciones se distribuyen por todo el mundo. Cada capa depende de forma crítica de todos los niveles inferiores.

Control del mercado de IA por capa (2025)

Control del mercado de IA por capa (2025)
Aplicaciones 25%
Infraestructura energética 30%
Orquestación 40%
Infraestructura en la nube 66%
Modelos fundacionales 77%
Infraestructura de hardware 85%
Materias primas 90%

Las fuentes de la IA no son solo laboratorios: forman una pirámide completa

La idea central es que las fuentes de la inteligencia artificial representan una estructura de múltiples capas. Incluyen no solo a los desarrolladores de modelos, sino también:

• Materias primas (China, 90% del procesamiento de tierras raras)
• Infraestructura energética (Alaska, Islandia, regiones renovables)
• Hardware (chips de NVIDIA, TSMC, ASML)
• Infraestructura en la nube (AWS, Azure, Google Cloud)
• Orquestación (AgentOps, coordinación multimodelo)
• Modelos fundacionales (OpenAI, Anthropic, Google, Meta, DeepSeek, Mistral)
• Aplicaciones construidos sobre estos modelos

Así se crea una pirámide de dependencia, en la que cada nivel superior depende por completo de las capas inferiores.

Tabla 2: Distribución mundial de la inversión en IA (2025)

Región Inversión privada Participación en la inversión mundial Principales fortalezas
EE. UU. $109.08 mil millones ~58% Modelos fundacionales, capital privado, infraestructura
China $9.29 mil millones ~20% Volumen de investigación (36.05% de las publicaciones), optimización de costes
Reino Unido $4.52 mil millones ~12% Investigación científica (DeepMind), liderazgo en ética
Asia (otros) ~$5-7 mil millones ~7% Fabricación de hardware, robótica, localización
Idea clave: Estados Unidos domina la inversión (58%) con $109B, mientras que China lidera la investigación con el 36% de las publicaciones y $9B. El Reino Unido muestra la mayor eficiencia: $4.5B en inversiones generan liderazgo mundial en ética de la IA y en sanidad.

Los modelos fundacionales se concentran en 6–7 centros mundiales

• Estados Unidos (San Francisco y Silicon Valley) — el núcleo absoluto: OpenAI, Anthropic, Google, Meta, xAI
• China (Hangzhou) — DeepSeek y Alibaba (Qwen), respaldados por una enorme financiación estatal
• Francia (París) — Mistral AI
• Reino Unido (Londres) — DeepMind y AlphaFold (Nobel de Química 2024: predicción de proteínas de Hassabis y Jumper)

El desarrollo de modelos de IA a escala mundial muestra una clara concentración geográfica, con dinámicas de mercado diferenciadas. **Silicon Valley lidera las aplicaciones de consumo** (ChatGPT con entre el 60-83% de cuota de mercado) y **la adopción empresarial** (Claude 32%, OpenAI 25%, Google 20% combinados). **China domina el mercado interno** con Qwen (17.7% de cuota empresarial) y DeepSeek, que capta más del 75% del mercado local. **Europa construye soberanía** mediante Mistral AI (valoración de €11.7B), aprovechando sus ventajas regulatorias. La estructura del mercado varía enormemente: el segmento de consumo está muy concentrado, mientras que el empresarial está fragmentado en casos de uso especializados.

Mapa de las fuentes mundiales de inteligencia artificial (2025)

Este mapa actualizado presenta los orígenes globales de la inteligencia artificial en 2025, incluidos tanto los modelos multimodales fundacionales como los centros sectoriales de IA: los verdaderos "puntos de origen" de la IA en el mundo actual.

Tabla 3: Centros mundiales de modelos de IA multimodales

Región Modelos y empresas clave Centros de desarrollo Comentario
Silicon Valley (EE. UU.) GPT (OpenAI), Claude (Anthropic), Gemini (Google DeepMind), Grok (xAI), Meta AI/Llama (Meta) San Francisco, Mountain View, Palo Alto Dominio en el consumo: ChatGPT lidera con una cuota de mercado del 62.5%. Liderazgo empresarial: Claude 32%, OpenAI 25%, Google 20% combinados (77% en total).
Pekín y Hangzhou, China Qwen (Alibaba), DeepSeek, Ernie (Baidu), Kimi (Moonshot AI) Pekín, Hangzhou Líderes del mercado interno: Qwen capta entre el 20 y el 25% del mercado de IA en la nube de China, y DeepSeek el 6.6% del mercado mundial (tercer puesto). En conjunto, más del 75% del mercado interno, con una presencia internacional en crecimiento.
París, Francia Mistral AI París, Station F Líder europeo en soberanía de IA, con una valoración de €11.7-14B. Le Chat superó 1M de descargas en 13 días. Ventaja regulatoria en el mercado de la UE y adopción empresarial en crecimiento.

Centros globales de modelos fundacionales de IA

Centros mundiales de modelos fundacionales de IA (2025)
Silicon Valley 69.2%
China (Pekín/Hangzhou) 28.1%
París (Francia) 2.7%

Metodología de medición de la cuota de mercado

La cuota de mercado varía notablemente según la metodología de medición. Las métricas de consumo (tráfico web, descargas de aplicaciones) muestran el dominio de ChatGPT con un 62.5%, mientras que las encuestas de uso empresarial revelan el liderazgo de Claude con un 32%. Los patrones geográficos difieren: los modelos chinos capturan más del 75% del mercado interno, pero crecen a escala mundial (DeepSeek 6.6%, Qwen más del 20% en programación).

Dependencias tecnológicas del ecosistema de IA

Aplicaciones populares de IA como Microsoft Copilot y Perplexity funcionan como interfaces especializadas construidas sobre modelos fundacionales, aprovechando principalmente la arquitectura GPT de OpenAI mediante integración por API. Aunque estos productos ofrecen funcionalidades propias —Copilot para flujos de trabajo de productividad, Perplexity para búsqueda con atribución de fuentes—, sus capacidades centrales derivan de la misma base tecnológica que impulsa ChatGPT. Esta estructura del ecosistema demuestra cómo los centros de modelos fundacionales (San Francisco) habilitan a los centros de aplicaciones de todo el mundo, creando dependencias tecnológicas que concentran el control subyacente de la IA en ubicaciones geográficas específicas, a pesar de la amplia implantación de la IA a nivel superficial.

Tabla 4: Fuentes sectoriales y aplicadas de la IA

Sector Centros y empresas de ejemplo Ubicaciones
Industria y robótica Siemens AI Lab, Boston Dynamics, Fanuc Múnich, Waltham MA, Japón
Medicina y bioinformática Google DeepMind, NVIDIA BioNeMo, Insilico Medicine Londres, Santa Clara CA, Boston
Sistemas de defensa y seguridad Palantir, Shield AI, Anduril Industries Denver CO, San Diego CA, Costa Mesa CA
Automoción y transporte Tesla AI, Wayve, Toyota Research Institute Austin TX, Londres (Reino Unido), Los Altos CA
Fintech y analítica Bloomberg LP, AlphaSense, Databricks Nueva York NY, Nueva York NY, San Francisco CA
Ecología y clima ClimateAI, Tomorrow.io California, Boston
Ciencia y supercomputación CERN, El Capitan/Frontier/Aurora (EE. UU.), JUPITER (Alemania) Ginebra (Suiza), Oak Ridge TN

Las IA sectoriales ya no son independientes

Los sistemas de IA médicos, militares, industriales y robóticos ya no se construyen desde cero: se edifican sobre modelos fundacionales como GPT, Claude, Gemini, DeepSeek y otros.

Por ejemplo:

  • Siemens AI y Microsoft crean un modelo fundacional industrial
  • Medtronic y Tempus AI usan GPT para el análisis de datos clínicos
  • Anduril y Palantir integran modelos de OpenAI en sistemas de defensa

Esto representa una arquitectura híbrida: un núcleo especializado combinado con un modelo fundacional como su motor cognitivo.

Tabla 5: Geografía de los "puntos de origen de la IA"

Región Característica Participación en la inversión mundial en IA (2025)
EE. UU. Núcleo de la IA generativa y multimodal ~65%
China Modelos de IA soberanos y foco en I+D nacional ~8%
Canadá Instituciones de investigación y desarrollo de talento en IA ~5%
Reino Unido Desarrollo comercial e investigación en IA ~4%
Europa (Francia, Alemania) IA de código abierto y aplicaciones industriales ~4%
Asia (Corea, Japón, Singapur) Robótica, automoción y localización ~4%
India Servicios y desarrollo de IA empresarial ~3%
Israel Ciberseguridad con IA y aplicaciones empresariales ~3%
Oriente Medio y otros Inversión y despliegue de infraestructura ~4%

Dos pilares de la IA: modelos fundacionales y aplicaciones sectoriales

El panorama global de la IA opera en dos niveles distintos pero interconectados:

1. Desarrollo de modelos fundacionales — concentrados en EE. UU. (65% de la inversión), China (8%), Canadá (5%) y Reino Unido (4%), con aportaciones especializadas de Francia, Alemania, Corea e Israel.
2. Aplicaciones de IA específicas por sector — sistemas distribuidos a nivel global que aprovechan los modelos fundacionales para casos de uso especializados en industrias, medicina, defensa, automoción y sectores financieros.

Idea clave: Mientras que la creación de modelos fundacionales sigue muy concentrada (EE. UU. domina con el 65 % de la inversión privada), las aplicaciones sectoriales de IA muestran diversidad geográfica. Así se crea una estructura de dependencia en la que el despliegue global de la IA depende de bases tecnológicas controladas por un número reducido de centros geográficos, principalmente en Norteamérica.

Cuellos de botella críticos de la infraestructura

Riesgo extremo

TSMC Taiwán: 67.6% de la fundición mundial de semiconductores (primer trimestre de 2025). Punto único de fallo para todo el ecosistema de la IA.

Monopolio del hardware

NVIDIA: 90% del mercado de chips para IA. Controla el ritmo mundial del desarrollo de la IA.

Oligopolio en la nube

AWS/Azure/GCP: Control del 65-70% del mercado mundial de servicios de infraestructura en la nube (2025). Dependencia de la infraestructura.

Ventaja energética

China: Los costes energéticos subvencionados permiten entrenar modelos por 6 M$ frente a más de 100 M$ en Occidente.

El verdadero poder está en la infraestructura

  • TSMC (Taiwán) produce el 67.6% del mercado global de fundición de semiconductores (primer trimestre de 2025)
  • NVIDIA (Santa Clara) controla el 90% del mercado de GPU
  • AWS, Azure y Google Cloud Platform controlan el 65–70% del mercado global de servicios de infraestructura en la nube (2025)

Esto significa que cualquier interrupción o sanción dirigida contra estos nodos podría paralizar todo el ecosistema global de la IA.

El control geopolítico está en manos de unos pocos

  • Estados Unidos — diseña chips, posee hiperescaladores y controla alrededor del 75 % de la capacidad mundial de supercomputación
  • Taiwán — fabrica chips físicos
  • China — desarrolla sus propios equivalentes y persigue la autosuficiencia tecnológica
  • Europa — se centra en la regulación y la ética (AI Act, XAI, Edge AI)
  • Israel y Canadá — destacan en seguridad de la IA, analítica y aplicaciones de defensa

Tendencia 2025–2027: la concentración sigue creciendo

  • Los modelos de código abierto (DeepSeek, Llama) y los modelos alternativos (Mistral) ofrecen alternativas, pero no rompen el monopolio
  • Surgen modelos fundacionales específicos de cada dominio en medicina, derecho y analítica industrial
  • La IA se está convirtiendo cada vez más en una plataforma, similar a Windows o iOS, con la mayoría de las aplicaciones construidas sobre arquitecturas fundacionales

2.2 Implicaciones estratégicas de la estructura de siete capas

Esta especialización por capas genera varias dinámicas de dependencia críticas:

Dependencias multicapa:

Los centros de aplicaciones dependen de los centros de modelos fundacionales, que a su vez dependen de los centros de datos y conocimiento, que dependen de los centros de infraestructura en la nube, que dependen de los centros de infraestructura de hardware, que dependen de los centros de infraestructura energética, que dependen de los centros de materias primas, lo que genera vulnerabilidades geopolíticas complejas en la soberanía tecnológica.

Distribución del valor económico:

Los centros de materias primas controlan las cadenas de suministro fundamentales, los centros energéticos captan el arbitraje de infraestructuras, los centros de hardware captan los márgenes de fabricación, los centros de nube captan los márgenes de plataforma, los centros de datos y conocimiento captan el valor cultural y lingüístico, los centros de modelos fundacionales captan el valor de la propiedad intelectual, mientras que los centros de aplicaciones se centran en la eficiencia de implementación y en la optimización específica por sector.

Control de la innovación:

Los centros de materias primas y de energía controlan las limitaciones fundamentales, mientras que los centros de hardware y de modelos fundacionales fijan los estándares y capacidades tecnológicas a los que deben adaptarse las demás capas. Las restricciones de semiconductores y la dependencia de las tierras raras influyen especialmente en las direcciones del desarrollo mundial de la IA.

Especialización del talento:

Los centros de materias primas atraen a ingenieros de minería y procesamiento, los centros de energía atraen a especialistas en energías renovables, los centros de hardware atraen a ingenieros de semiconductores, los centros de nube atraen a ingenieros de infraestructura, los centros de datos y conocimiento atraen a lingüistas y expertos culturales, los centros de modelos fundacionales atraen a investigadores de IA, mientras que los centros de aplicaciones se centran en especialistas en implementación y expertos sectoriales.

Tabla 6: Análisis de concentración de talento en IA

Comparación entre Singapur y San Francisco
Métrica Singapur San Francisco
Excelencia en investigación 95 90
Atracción de inversión 90 95
Calidad de la infraestructura 95 85
Enfoque estratégico Implementación de IA Desarrollo de IA
Idea clave: Singapur lidera en excelencia en investigación (95) e infraestructura (95), mientras que San Francisco domina en atracción de inversión (95). Los roles estratégicos difieren: Singapur destaca en la implementación de IA, y San Francisco en el desarrollo.

2.3 Marco de excelencia en ciudades inteligentes (Índice de Ciudades Inteligentes de IMD 2025)

El Índice de Ciudades Inteligentes 2025 del IMD muestra cómo las ciudades convierten sus capacidades tecnológicas en calidad de vida para los ciudadanos:

Ciudades inteligentes líderes (con enfoque en la calidad de vida):

  • Zúrich (Suiza) - Sexto año consecutivo en primera posición, con calificación AAA en los pilares de Estructuras y Tecnologías
  • Oslo (Noruega) - Puntuaciones AAA en infraestructura digital y servicios urbanos verdes
  • Ginebra (Suiza) - Herramientas pioneras de gobernanza electrónica y cooperación internacional
  • Dubái (EAU) - Ascenso notable del 12.º al 4.º puesto gracias a la transformación digital
  • Abu Dabi (EAU) - Subió del 10.º al 5.º puesto gracias a inversiones en infraestructura

Ciudades inteligentes (Índice IMD)

Ciudades inteligentes (Índice IMD 2025)
#1 Zúrich
Líder durante el sexto año consecutivo
#2 Oslo
Infraestructura digital AAA
#3 Ginebra
Pionera en gobierno electrónico
#4 Dubái
8 posiciones arriba (del 12.º al 4.º)
#5 Abu Dabi
Inversiones en infraestructura

Patrón clave de éxito: Las ciudades europeas medianas destacan por su escala equilibrada: tecnología avanzada sin los desafíos de las megaciudades, como la congestión y la contaminación. Las ciudades de Oriente Medio muestran la mejora más rápida gracias a inversiones masivas y coordinadas en infraestructura.

Consideraciones sobre escalabilidad: El modelo de ciudad-estado de Singapur ofrece ventajas únicas (gobernanza centralizada, alta densidad de talento) que podrían ser difíciles de replicar en sistemas federales más grandes y complejos. Los patrones de éxito de ciudades compactas y ricas en recursos requieren adaptación para una implementación más amplia.

2.4 Análisis por ciudad: líderes de la cadena de valor de la IA

EXCELENCIA EN LA IMPLEMENTACIÓN DE APLICACIONES

Singapur: líder en optimización de la eficiencia de sesiones de IA

Líder mundial en optimización de la eficiencia de sesiones de IA, pionero en estrategias de despliegue de caché a través de la iniciativa Smart Nation 2.0 ($140M de financiación). Singapur logra tasas de eficiencia de caché del 75% en los sistemas de IA del gobierno, lo que demuestra cómo una optimización adecuada crea una sinergia complementaria con una infraestructura energéticamente eficiente. Mantiene la mayor densidad de talento en implementación de IA del mundo, con el 5.3% del empleo nacional (214,000 trabajadores) y una prima salarial del 64% (IMDA 2025).

La Autoridad Monetaria de Singapur (MAS), a través de Project Guardian, colabora con las principales instituciones financieras internacionales para desarrollar estándares y marcos regulatorios para la tokenización de activos financieros, lo que posiciona a Singapur como el principal centro de implementación de IA para la innovación en FinTech. Este enfoque sistemático del despliegue y la gobernanza de la IA ejemplifica una estrategia sofisticada de implementación de aplicaciones.

Sin embargo, el marco regulatorio de Singapur presenta limitaciones críticas en la gobernanza de la IA generativa. El marco original AI Verify no puede evaluar la IA generativa ni los LLM, lo que crea una brecha regulatoria significativa precisamente en el ámbito que define el desarrollo futuro de la IA. Para abordarla, Singapur elaboró en mayo de 2024 el Marco de gobernanza de modelos de IA para la IA generativa, que establece nueve dimensiones clave para una IA generativa fiable. El Gobierno también lanzó «Project Moonshot», una de las primeras herramientas de evaluación de LLM del mundo, y el Global AI Assurance Pilot en febrero de 2025. Pese a estos avances, Singapur mantiene un marco voluntario y específico por sector en lugar de una legislación integral sobre IA, lo que refleja el desafío global de regular sistemas de IA generativa en rápida evolución.

El liderazgo de Singapur en infraestructura va más allá de la regulación: la inversión gubernamental de 270 millones de S$ en la integración de computación cuántica y HPC del NSCC sitúa a la ciudad-estado ante avances en computación híbrida, mientras que la inversión de más de 400 millones de $ del Empire AI Consortium demuestra el compromiso institucional de Nueva York con la infraestructura de investigación colaborativa en IA.

Dubái: potencia en implementación de aplicaciones

Potencia por excelencia en la implementación de aplicaciones, que alcanza un notable 4.º puesto en el ranking mundial (±2-3 posiciones según las variaciones de medición) gracias a un despliegue sistemático de la IA en los servicios públicos. La gestión del tráfico impulsada por IA logró mejoras de eficiencia del 37%, con un 84.5% de satisfacción de los residentes con las citas médicas en línea y un 85.4% de satisfacción con la tramitación digital de documentos (finales de 2025). Dubái demuestra cómo una implementación estratégica de la IA puede transformar rápidamente la eficiencia urbana.

DOMINIO DEL MODELO FUNDACIONAL

San Francisco: capital mundial de los modelos fundacionales

Capital global de modelos fundacionales que alberga a los creadores de sistemas de IA fundacionales OpenAI (ChatGPT), Anthropic (Claude), Google (Gemini) y Meta (Llama 4). Reúne a más de 1.550 empresas de IA (ámbito del Área de la Bahía, definición de empresas nativas de IA) y atrae al 35 % de todos los ingenieros de IA de Estados Unidos. California alberga 32 de las 50 principales empresas de IA del mundo, con importantes compromisos corporativos, como la inversión de 15.000 millones de $ de Salesforce a lo largo de cinco años para el desarrollo de su AI Incubator Hub. El Área de la Bahía emplea un 630 % más de talento en investigación de IA que otras ciudades del mundo, y se centra en el desarrollo de modelos fundacionales en la capa 3 de la estructura de dependencias de la IA.

Londres: líder europeo en implementación de IA

Líder europeo en implementación de IA, que alberga más de 2,250 empresas de IA (área metropolitana de Londres, incluidas las empresas que utilizan IA), centradas en la tecnología financiera y las aplicaciones sanitarias. Aproximadamente el 60% de las más de 1,300 empresas principales de IA de Londres se especializan en la tecnología financiera y en la implementación de IA en sanidad. Las colaboraciones de investigación de DeepMind con el Moorfields Eye Hospital lograron una precisión del 94% en las recomendaciones de derivación para más de 50 enfermedades retinianas, lo que demuestra la excelencia de Londres en la implementación y el despliegue de investigación avanzada en IA en aplicaciones del mundo real.

Pekín: principal centro de modelos fundacionales de Asia

Principal centro de modelos fundacionales de Asia (puesto n.º 2 del TOP-10: 95.4 puntos), que alberga a DeepSeek y a otros creadores de modelos fundacionales, mientras que el desarrollo principal de modelos de China se concentra cada vez más en Hangzhou (Qwen/Alibaba). Alberga más de 1,380 startups (área metropolitana de Pekín, con una transparencia pública limitada) con una estrategia dirigida por el Gobierno que permite una rápida expansión: entre el 48% y el 66% de la financiación de startups se destina a empresas de IA (la metodología del cuarto trimestre de 2025 varía). Pekín gradúa cuatro veces más especialistas universitarios en IA que las ciudades competidoras, con énfasis en la investigación y el desarrollo de modelos. La implantación formal de la educación en IA en todas las escuelas primarias y secundarias de China (puesta en marcha en 2025) respalda esta estrategia de desarrollo de modelos fundacionales.

Tabla 7: Comparación de estrategias gubernamentales de IA (T4 2025)

Modelo de políticas Ciudad Inversión Resultados clave Impacto
Todo el gobierno Singapur $140M Smart Nation 2.0 1.64% de la fuerza laboral de IA $500M en acuerdos autónomos
Escala impulsada por el Estado Pekín 61% de la financiación de startups $98B de inversión 4 veces más graduados que los competidores
Innovación regulatoria Londres £10B tras el Brexit Más de 1,300 empresas 60% de enfoque en salud
Crecimiento liderado por la infraestructura Washington DC/Bahía de San Francisco $3.3B en I+D federal Plan de Acción de IA 2025 Liderazgo global en IA
Idea clave: Smart Nation 2.0 de Singapur ($140M) logra un 1.64% de la fuerza laboral en IA, la escala estatal de Pekín impulsa una inversión de $98B y 4 veces más graduados, la innovación de Londres tras el Brexit crea más de 1,300 empresas, mientras que el crecimiento impulsado por la infraestructura de EE. UU. ($3.3B en I+D federal) aspira al liderazgo mundial en IA a través del Plan de Acción de IA 2025 de Estados Unidos.

La estrategia de la cadena de valor de la IA de China: de productor a distribuidor global

El crecimiento de China en IA se sustenta en un sólido respaldo estatal y en un avance notable de la producción de investigación de alta calidad. Según Nature Index Research Leaders 2025 (con datos de 2024), la cuota de China alcanzó 32,122, un aumento del 17.4% en la cuota ajustada, frente a los 22,083 de Estados Unidos. Las instituciones chinas ocupan ahora 43 de las 100 primeras posiciones de investigación a nivel mundial, y la Academia China de Ciencias mantiene la primera posición a nivel global.

Mientras que Estados Unidos mantiene el dominio en la innovación de modelos fundacionales (40 frente a los 15 modelos de China en 2024), China cierra rápidamente la brecha de calidad. Las diferencias de rendimiento de los grandes modelos de lenguaje (LLM) en los principales benchmarks (MMLU: prueba de comprensión lingüística masiva multitarea) se redujeron hasta casi la paridad a finales de 2025. Advertencia importante: los benchmarks académicos como MMLU miden el rendimiento en pruebas estandarizadas, pero pueden no reflejar las capacidades del mundo real, la eficiencia de despliegue ni el éxito de la aplicación práctica, ámbitos en los que las ciudades centradas en la implementación pueden demostrar un rendimiento superior pese a obtener puntuaciones más bajas en los benchmarks.

La ventaja estratégica de China reside en poner en funcionamiento la IA con una eficiencia notable, lo que posiciona a las ciudades chinas tanto como desarrolladoras de modelos fundacionales como distribuidoras rentables. Las innovaciones clave se centran en reducir los costes de «inferencia», es decir, el gasto que supone ejecutar modelos entrenados. Empresas chinas como 01.ai optimizan modelos y hardware para obtener resultados competitivos con menos recursos computacionales. Como se detalla en nuestra sección de metodología, esto crea la importante ventaja de costes que se ha convertido en el eje de la competencia en IA entre Estados Unidos y China.

Este enfoque centrado en la eficiencia permite la proliferación de la IA gracias a la máxima accesibilidad. Pekín (quinto puesto en el ranking global de ecosistemas de startups de 2025) aprovecha enormes ventajas de infraestructura (una capacidad computacional 12 veces mayor que la de las regiones competidoras) para un despliegue masivo y rentable de la IA.

Impacto global: Los bajos costes de inferencia permiten directamente que las ciudades de Asia-Pacífico lideren las aplicaciones masivas de IA. Esta ventaja de precio acelera la adopción de la IA en las economías en desarrollo y proporciona a los centros asiáticos de modelos fundacionales ventajas de distribución global que los modelos occidentales, intensivos en recursos, no pueden igualar en mercados sensibles al precio.

2.5 Implicaciones políticas: la oportunidad económica de la caché

La estructura de dependencia de la IA en siete capas revela un punto ciego crítico en las políticas: mientras los gobiernos de todo el mundo invierten billones en infraestructura energética, el 90-95% del consumo energético de la IA destinado a cargas de inferencia permanece sin optimizar. Esto representa la mayor oportunidad de ventaja competitiva internacional en la economía de la IA.

Ventana de política crítica: se requiere acción a corto plazo

La trayectoria global actual compromete billones en infraestructura energética en los próximos años, mientras que las economías avanzadas logran ventajas de costos de 10x mediante la optimización de la caché, algo que las políticas convencionales ignoran por completo.

Los recientes avances de la IA en China demuestran el éxito de una estrategia centrada primero en la eficiencia: GPT-5 con un rendimiento mucho mayor a costos operativos mucho más bajos, posibilitado por un enfoque sistemático en la optimización de software en lugar del escalado de hardware.

El desafío global entre energía y eficiencia

Las estrategias gubernamentales de IA en todo el mundo se centran en el escalado de hardware mediante inversiones masivas en infraestructura energética. Sin embargo, este enfoque ignora las tecnologías de optimización de caché, que pueden reducir el consumo energético en un 50-75% mediante mejoras de eficiencia en el software.

Las implicaciones económicas son globales: los programas nacionales centrados en la eficiencia podrían lograr un rendimiento de IA superior al de las infraestructuras intensivas en energía, lo que supone un ahorro potencial de cientos de miles de millones en fondos públicos, manteniendo al mismo tiempo la competitividad tecnológica en los mercados internacionales.

Dinámicas competitivas internacionales

Oportunidades de liderazgo en eficiencia global

  • China: estrategia de optimización sistemática con un costo de entrenamiento de DeepSeek de $5.6M frente a más de $200M en Occidente para capacidades equivalentes
  • Singapur: líder mundial en optimización de la eficiencia de sesiones con el marco Smart Nation
  • Países nórdicos: integración de energías renovables con programas de eficiencia en IA
  • UE: €1 mil millones de inversión en el Plan de Acción para el Continente de IA centrado en la optimización

Cada vez más naciones consideran que los sistemas de IA intensivos en energía son insostenibles. Las economías avanzadas que persiguen estrategias de eficiencia incluyen regiones con altos costos energéticos que desarrollan capacidades independientes de optimización, y países en desarrollo que buscan alternativas a modelos de despliegue de IA intensivos en recursos.

Recomendaciones para un marco de política global

Acciones internacionales a corto plazo

  • Evaluación de políticas: Revisar los compromisos energéticos nacionales en IA para encontrar alternativas de eficiencia
  • Contratación pública: Exigir estándares de optimización de caché en los contratos gubernamentales de IA
  • Incentivos económicos: Tax credits for organizations achieving >Tasas de eficiencia de la IA del 50%
  • Programas de demostración: Desplegar la optimización en instalaciones públicas para demostrar su efectividad

Respuesta estratégica a medio plazo

  • Programas nacionales de eficiencia: Coordinar inversiones en infraestructura nacional de optimización
  • Liderazgo en estándares internacionales: Acoger el desarrollo de estándares globales de eficiencia en IA
  • Alianzas tecnológicas: Apoyar a las industrias nacionales en el desarrollo de tecnologías de eficiencia
  • Estrategia competitiva: Posicionar los sistemas nacionales de IA eficientes para la competitividad en el mercado global

Urgencia de plazos: El panorama competitivo global de la IA estará determinado en gran medida por las decisiones que se tomen en el futuro cercano entre eficiencia e infraestructura energética. Las naciones que den prioridad a la optimización de caché frente al escalado energético obtendrán ventajas de costos permanentes que les permitirán penetrar en los mercados de todo el mundo, mientras que los países que apuesten por enfoques intensivos en energía enfrentarán desventajas estructurales en mercados globales sensibles a los costos.

2.6 La capa de orquestación: arquitectura de la coordinación de la IA

Dentro de la estructura de dependencia de la IA de siete capas, la capa de orquestación (capa 5) funciona como el nivel de coordinación que convierte modelos de IA aislados en sistemas coherentes y manejables. En lugar de añadir otro componente técnico más, la orquestación aporta la lógica de gobernanza que decide cómo interactúan los distintos elementos de IA, cuándo se invocan y bajo qué restricciones económicas y regulatorias operan.

Orquestación frente a automatización: la distinción clave

En términos conceptuales, la automatización ejecuta tareas discretas, mientras la orquestación coordina procesos completos. La automatización envía un único pago, ejecuta un modelo o activa una notificación. La orquestación encadena estos pasos en un flujo de trabajo de extremo a extremo: ingesta de datos, selección de modelos, aplicación de generación aumentada por recuperación, aplicación de políticas de acceso, registro de acciones y envío de resultados a los sistemas posteriores.

El paradigma del «director de orquesta»: La orquestación actúa como el «cerebro» del sistema, proporcionando control centralizado sobre una infraestructura distribuida. Al igual que un director que dirige una orquesta, la capa de orquestación asegura que todos los componentes trabajen en armonía para alcanzar el objetivo general, adaptándose a los cambios y manteniendo el rendimiento incluso cuando fallan componentes individuales.

Arquitectura multinivel

En el nivel técnico, la orquestación se manifiesta como middleware que recibe una solicitud y la descompone en subtareas que gestionan distintos modelos, herramientas y agentes. Realiza el enrutamiento dinámico de modelos (elegir entre modelos económicos y costosos), gestiona la caché, asigna recursos de GPU y memoria, controla la latencia y los costos de tokens, y gestiona los fallos mediante reintentos, alternativas de respaldo y degradación controlada.

En el nivel operativo, la orquestación proporciona observabilidad y control sobre implementaciones complejas de IA. Centraliza el registro, el trazado y las métricas de calidad; aplica reglas de negocio y políticas regulatorias; y expone paneles que permiten a las organizaciones y a los reguladores ver cómo se producen las decisiones de la IA. Esto es especialmente importante en ámbitos de alto riesgo como las finanzas, la salud y la administración pública.

En el nivel estratégico, la orquestación se convierte en una fuente de diferenciación geográfica y ventaja competitiva mediante la economía de la caché y la optimización de la inferencia.

Especialización geográfica en la orquestación

Las ciudades especializadas en orquestación no necesariamente construyen los modelos fundacionales más grandes; en cambio, destacan en integrar y gobernar la IA en todos los sectores:

  • Nueva York: Coordina sistemas financieros de IA (negociación algorítmica, gestión de riesgos y optimización de carteras), donde los orquestadores dirigen la información entre modelos, flujos de datos y restricciones regulatorias.
  • Londres: Desarrolla capacidades de orquestación transversal para la banca, los seguros, los servicios jurídicos y los sectores sujetos a cumplimiento normativo.
  • Singapur: Actúa como centro gubernamental de orquestación, utilizando la IA para integrar los servicios ciudadanos, el transporte, la identidad digital y la infraestructura de nación inteligente bajo una política y una gestión de caché unificadas.
  • Tel Aviv: Se especializa en la orquestación de defensa y ciberseguridad, conectando datos de múltiples sensores, modelos de detección de amenazas y sistemas de respuesta autónoma en tiempo real.

Economía de la caché: la ventaja competitiva oculta

Es crucial que la capa de orquestación sea donde la economía de la caché y la optimización de la inferencia se implementan en la práctica. Como se ha comentado antes, El 90–95% del consumo energético global de la IA procede de la inferencia y no del entrenamiento. Los orquestadores deciden cuándo se puede servir una respuesta desde la caché, cuándo reutilizar cálculos intermedios y cuándo cambiar a modelos más económicos o a infraestructura local.

Impacto económico: Estas decisiones de orquestación pueden reducir los costos efectivos de inferencia entre un 50 y un 75%, lo que explica cómo algunos ecosistemas logran ventajas de costos de un orden de magnitud a pesar de utilizar arquitecturas de modelos subyacentes similares. Así es como China logra una reducción de costos de 27x ($2.19 frente a $60 por millón de tokens) y Singapur consigue mejoras de eficiencia del 75%.

Evolución de la madurez en orquestación

Las organizaciones progresan a través de niveles diferenciados de madurez en orquestación:

  • Nivel 0-2: Procesos manuales que evolucionan hacia una automatización básica (scripts, infraestructura como código)
  • Nivel 3-4: Sistemas de apoyo a la decisión y predictivos que utilizan analítica y aprendizaje automático
  • Nivel 5: Orquestación autónoma impulsada por IA, con capacidades de autoaprendizaje y autorreparación

Aplicaciones prácticas en todos los sectores

La orquestación moderna permite:

  • Gestión de contenedores y microservicios: Kubernetes orquesta los ciclos de vida de las aplicaciones, el escalado automático y las actualizaciones progresivas
  • Coordinación de canalizaciones de datos: Apache Airflow gestiona flujos de trabajo ETL/ELT en entornos multinube
  • Coordinación de agentes de IA: Sistemas multiagente en los que agentes especializados colaboran a través de flujos de trabajo orquestados
  • Automatización de procesos de negocio: Automatización de flujos de trabajo de extremo a extremo en departamentos y sistemas

Trayectoria futura: coordinación autónoma

En la cadena de valor más amplia de la IA, la orquestación transforma un panorama fragmentado de modelos, herramientas y silos de datos en sistemas de IA coherentes que pueden gobernarse, escalarse y optimizarse económicamente. Es el punto donde los paradigmas de gobernanza emergentes, como Constitutional AI, las políticas de seguridad y las regulaciones específicas de cada sector, se llevan a la práctica en tiempo real. A medida que la IA agéntica se vuelve más autónoma y no determinista, la capa de orquestación funcionará cada vez más como la principal superficie de control a través de la cual las ciudades, los estados y las empresas gestionan el comportamiento sistémico de la IA en toda la pirámide de dependencias de siete capas.

Idea estratégica: La orquestación no es solo un componente técnico, sino la capa estratégica que determina la eficacia, la escalabilidad y la rentabilidad de ecosistemas de IA completos. Comprender y desarrollar esta capa se convierte en un factor competitivo clave tanto para las empresas como para los países en la carrera mundial por el liderazgo en IA.

3. SERVICIOS FINANCIEROS Y CADENA DE VALOR DE LA IA: INNOVACIÓN CUANTITATIVA

Índice

3.1 Trading algorítmico y finanzas de alta frecuencia: la revolución financiera de la IA

Los mercados financieros muestran las aplicaciones más sofisticadas de la cadena de valor de la IA a nivel mundial. Los centros de modelos fundacionales desarrollan los sistemas básicos de trading algorítmico, mientras que los centros de implementación de aplicaciones los despliegan y escalan para un uso masivo. Esta diferenciación crea una clara especialización geográfica: la creación de algoritmos se concentra en unos pocos centros de élite, mientras que la implementación se extiende por los centros financieros de todo el mundo.

INNOVACIÓN ALGORÍTMICA FUNDACIONAL

Renaissance Technologies (Nueva York): la revolución del Ghost Trading

Empresa cuantitativa de modelos fundacionales líder que logra el santo grial del trading algorítmico: investigación original que crea sistemas de IA propietarios capaces de transformar los datos brutos del mercado en rentabilidades sin precedentes. Rendimiento del Medallion Fund desde 1988: 66% anual antes de comisiones (39% después de comisiones), lo que demuestra capacidades extremas de los modelos fundacionales para crear sistemas de trading algorítmico.

Innovación Ghost Trading (T4 2025): Renaissance desarrolla sistemas originales de IA de «reconocimiento de patrones» que identifican ineficiencias del mercado invisibles para el análisis tradicional. Estos modelos fundacionales procesan volúmenes masivos de datos en tiempo real, creando nuevos marcos matemáticos para la predicción del mercado: tecnologías que las firmas cuantitativas globales adoptaron posteriormente.

Métricas clave de rendimiento (T4 2025):

  • Medallion Fund: $7B de beneficios
  • Operaciones diarias con IA: 10M+
  • Salarios de IA en SF: $350K+

IMPLEMENTACIÓN DE APLICACIONES: DISTRIBUCIÓN MUNDIAL DE PLATAFORMAS

Plataforma Aladdin de BlackRock (con sede en Nueva York, de consumo global)

Procesa un volumen de datos equivalente a 8 millones de novelas al día (T4 2025). BlackRock gestiona $13,5 billones en AUM con la plataforma Aladdin, que funciona como software de gestión de riesgos para instituciones financieras globales y procesa $21,6 billones en activos totales de clientes (cifra de 2020, la más reciente publicada). Demuestra un modelo sofisticado de implementación de aplicaciones: una tecnología desarrollada en Nueva York que identifica riesgos de mercado un 30% más rápido que los métodos tradicionales y que después se distribuye globalmente a los mercados de implementación de aplicaciones.

Calendario de ROI por sector

El retorno de la inversión en la implementación de IA varía significativamente según el sector: la sanidad y los servicios financieros muestran los resultados más rápidos, mientras que la industria manufacturera y el sector público requieren estrategias de inversión a más largo plazo.

ROI RÁPIDO: 12-24 meses
24 meses
Salud
Servicios financieros

Beneficios operativos claros, métricas bien definidas, flujos de trabajo consolidados

ROI MEDIO: 18-36 meses
36 meses
Transporte
Comercio minorista y comercio electrónico
Energía y servicios públicos

Integraciones complejas, actualizaciones de infraestructura necesarias

ROI A LARGO PLAZO: 24-48 meses
48 meses
Manufactura
Gobierno
Agricultura

Cambios sistémicos, cumplimiento normativo, adopción cultural

Factores de ROI rápido
  • Métricas operativas claras
  • Flujos de datos establecidos
  • Marcos regulatorios
  • Ahorros de costos inmediatos
Factores de ROI medio
  • Modernización de la infraestructura
  • Complejidad de la integración
  • Requisitos de formación de usuarios
  • Ganancias de eficiencia graduales
Factores de ROI a largo plazo
  • Transformación cultural
  • Adaptación regulatoria
  • Desarrollo del ecosistema
  • Posicionamiento estratégico

3.2 Revolución de las finanzas cuantitativas: la cadena de valor de la IA en acción

Tabla 8: Aplicaciones financieras avanzadas de la IA (T4 2025)

Empresa/Innovación Métrica clave Ciudad sede Tecnología Impacto en el mercado
Renaissance Technologies $1 → más de $100M de ROI desde los años 80 Nueva York, Londres Ghost Trading, ML 10M+ operaciones diarias, rendimientos del 30% en 2025
Two Sigma Analytics Estacionamientos de Walmart → predicción de ganancias San Francisco Imágenes satelitales, análisis de ML Mercado de datos alternativos de $2B+
IA en banca suiza Análisis de expresiones faciales en tiempo real Zúrich Visión artificial, IA emocional Evaluación de riesgos en banca privada
BlackRock Aladdin $21.6T procesados a nivel global Plataforma global Gestión de riesgos, automatización Análisis diario de 5M+ escenarios
Idea clave: Renaissance Technologies ofrece un ROI de $1 → más de $100M con más de 10M de operaciones diarias, Two Sigma utiliza imágenes satelitales para predecir resultados de ganancias, y BlackRock procesa $21.6T a nivel mundial mediante automatización.

INNOVACIÓN CUANTITATIVA PRODUCTORA DE IA

Bridgewater Associates (Westport, CT)

Desarrolla un sistema propietario de «Culture AI» que proporciona señales tempranas de alerta económica y detección de anomalías en el mercado, creando marcos originales de IA para la identificación de riesgos financieros emergentes. Lidera el desarrollo de sistemas híbridos cuántico-IA que resuelven problemas de optimización de carteras 1 mil millones de veces más rápido que los métodos tradicionales (métricas de rendimiento del cuarto trimestre de 2025). Produce tecnologías de IA fundacionales que la gestión de activos global adopta posteriormente.

Two Sigma Analytics (Nueva York)

Crea una monetización de datos alternativos de vanguardia mediante IA satelital que analiza los aparcamientos de Walmart para predecir resultados de beneficios antes de su anuncio. Demuestra una gran sofisticación en la producción de IA: desarrolla visión artificial original, análisis de imágenes satelitales y modelos predictivos que extraen señales de fuentes de datos no convencionales. Estos sistemas de IA propietarios ofrecen ventajas informativas medidas en horas o días, lo que representa una producción de IA de vanguardia para los mercados financieros.

EXCELENCIA FINANCIERA EN LA IMPLEMENTACIÓN DE APLICACIONES

Banca suiza con IA (Zúrich)

Implementa una gestión patrimonial avanzada impulsada por IA mediante plataformas sofisticadas de modelización de riesgos desarrolladas en otros lugares. Aprovecha tecnologías de aprendizaje automático (creadas en centros de modelos fundacionales) para la optimización de carteras y el cumplimiento normativo, lo que demuestra una implementación sofisticada de aplicaciones y, al mismo tiempo, mantiene los estándares de confidencialidad bancaria suiza. Ejemplifica una implementación de IA de alto valor sin desarrollo de modelos fundacionales.

3.3 Enfoques cuantamentales y ética: estándares globales de implementación de la IA

Adopción de modelos híbridos IA-humano (datos del cuarto trimestre de 2025)

Los enfoques «quantamental», que combinan la IA con el juicio humano, abordan los sesgos algorítmicos mediante marcos éticos y son adoptados por el 62% de las firmas financieras globales a T4 2025. Los componentes tecnológicos clave incluyen:

  • IA generativa para la generación automatizada de informes (TCAC proyectada de 26.92% para 2025-2032)
  • Sistemas de gestión de riesgos en tiempo real que detectan anomalías en los mercados
  • Marcos de IA constitucional (CAI) que garantizan un despliegue responsable de la IA en el sector financiero

Desafíos de implementación (análisis 2025)

La aparición de nuevos patrones de adaptación al fraude subraya la necesidad crítica de modelos híbridos humano-IA en los centros financieros. Los altos costes computacionales crean barreras: OpenAI gasta aproximadamente $5B anuales en infraestructura de cómputo (estimaciones de 2025), lo que pone de relieve las ventajas económicas de los modelos de inferencia de bajo coste de China para el despliegue masivo de IA financiera.

3.4 Innovación regulatoria e iniciativas de IA de los bancos centrales: gobernanza de la cadena de valor

3.4.1 MAS Project Guardian: excelencia regulatoria en la implementación de aplicaciones de Singapur

Estado a T4 2025

La Autoridad Monetaria de Singapur (MAS) lidera el Project Guardian, un ejemplo de estrategia regulatoria sofisticada para la aplicación de tecnologías. Esta iniciativa colaborativa con grandes instituciones financieras internacionales mejora la liquidez y la eficiencia del mercado mediante la tokenización de activos, implementando (en lugar de desarrollar) tecnologías avanzadas de IA y blockchain. El proyecto funciona como un «entorno de pruebas» transfronterizo para las finanzas descentralizadas (DeFi), y prueba casos de uso reales de fondos, bonos y pasivos bancarios tokenizados, con la participación de los principales bancos y gestoras de activos del mundo.

Objetivos clave de implementación de la IA (marco 2025)
  • Creación de redes abiertas e interoperables que integren la infraestructura financiera existente mediante contratos inteligentes impulsados por IA
  • Desarrollo de protocolos estandarizados y marcos regulatorios para activos financieros tokenizados mediante tecnologías de IA ya probadas
  • Establecimiento de «anclas de confianza»: instituciones financieras reguladas que verifican activos digitales en entornos DeFi mediante sistemas de seguridad y cumplimiento mejorados con IA
Capacidades demostradas de consumo de IA (T4 2025)

Participantes como Kinexys y Apollo demostraron una implementación sofisticada de tecnologías de blockchain e IA para la gestión discrecional y automatizada de carteras. Mediante contratos inteligentes potenciados con toma de decisiones basada en IA, el sistema estandariza los procesos de suscripción y reembolso, al tiempo que escala de forma eficiente la personalización de las carteras. Esto ejemplifica un consumo avanzado de IA en entornos regulatorios controlados, y refuerza la posición de Singapur como principal centro global de implementación de FinTech y referente en la adopción responsable de la IA.

Iniciativa relacionada: BIS Project Nexus (implementación de IA en Asia-Pacífico): El Project Nexus del Centro de Innovación del BIS (en el que participan los bancos centrales de India, Malasia, Filipinas, Singapur y Tailandia) muestra una estrategia regional de implementación de aplicaciones, que vincula sistemas de pagos inmediatos nacionales mediante un procesamiento transfronterizo de transacciones potenciado con IA. Complementa el ecosistema más amplio de innovación financiera de Singapur mediante una implementación colaborativa de la IA, en lugar de su desarrollo.

3.4.2 Banco de Inglaterra: innovación regulatoria en la implementación de IA en Londres

Posición estratégica a T4 2025

El Banco de Inglaterra (BoE) ejemplifica el liderazgo regulatorio en la implementación de la IA, al reconocer que los avances tecnológicos en IA y DLT transforman profundamente el sistema financiero mundial. La estrategia del BoE contempla implementar una IA prescriptiva avanzada: sistemas de IA sofisticados que van más allá de la predicción (IA predictiva) o la descripción (IA descriptiva), al analizar grandes volúmenes de datos para recomendar decisiones y acciones financieras concretas.

Aplicaciones de desarrollo de IA prescriptiva (2025)
  • Monitoreo de la estabilidad financiera y sistemas de alerta temprana (algoritmos originales del BoE)
  • Detección de fraude en tiempo real en sistemas de pago (modelos fundacionales para su adopción global)
  • Evaluación del riesgo de mercado y modelos de optimización de carteras (marcos exportados a otros bancos centrales)
Colaboración con el Centro de Innovación del BIS: centro de producción de IA de Londres

El BoE colabora con el Centro de Innovación del BIS en Londres para desarrollar (y no solo implementar) arquitecturas originales de IA que identifiquen patrones emergentes de fraude financiero en sistemas de pagos en tiempo real. Esta investigación fundacional crea analítica avanzada para detectar patrones anómalos que indican delitos financieros o riesgos sistémicos: tecnologías que más tarde adoptaron los bancos centrales de todo el mundo.

Nota sobre la distinción de Project Nexus: Project Nexus (iniciativa del Centro de Innovación del BIS con bancos centrales asiáticos: India, Malasia, Filipinas, Singapur y Tailandia) se centra en implementar tecnologías de pago inmediato ya probadas, en lugar de desarrollar nuevos marcos. Esto distingue el papel de Londres como desarrollador de modelos fundacionales del enfoque colaborativo de implementación de aplicaciones de Asia-Pacífico.

Implicación estratégica: cadena de valor global de la IA en las finanzas

Los bancos centrales muestran una geografía clara de la cadena de valor de la IA: Londres (BoE) produce tecnologías fundacionales de IA prescriptiva para la estabilidad financiera mundial, mientras que Singapur (MAS) destaca en implementar y escalar marcos de IA ya probados mediante entornos regulatorios de pruebas colaborativos. Esto indica que el sistema financiero avanza hacia el despliegue de la IA agéntica mediante funciones geográficas especializadas: centros de producción que crean algoritmos originales y centros de implementación que los adaptan para su despliegue masivo.

4. TENDENCIAS EMERGENTES Y PERSPECTIVAS DE FUTURO: EVOLUCIÓN DE LA CADENA DE VALOR DE LA IA

Índice

Análisis de la aceleración del crecimiento (T4 2025)

Este ritmo supera la expansión de la computación en la nube y de la economía de las aplicaciones móviles de la década de 2010, lo que representa la adopción tecnológica más rápida de la historia económica moderna. Las últimas previsiones del FMI confirman que la IA aporta un 15 % al PIB mundial, lo que respalda un crecimiento global resistente, del 3,2 %.

Tabla 9: Proyecciones de crecimiento del mercado de la IA por fuente (actual - 2030)

Fuente de la proyección Tamaño actual del mercado Proyección para 2030 Multiplicador de crecimiento CAGR
Grand View Research $390B $1.77T 4.5x 35.2%
Fortune Business Insights $638B $3.68T 5.8x 42.1%
McKinsey & Company $450B $2.10T 4.7x 36.5%
Stanford AI Index $371B $1.85T 5.0x 38.0%
Rango de consenso $371-639B* $1.85-3.68T 4.6x prom. 38% prom.

Nota metodológica: El rango de $371-639B refleja distintos enfoques de medición: el extremo inferior abarca solo el software y las plataformas de IA básicas, mientras que el rango superior incluye el hardware, los servicios y la implementación habilitados por IA. Las metodologías asiáticas suelen incluir inversiones gubernamentales en IA que quedan excluidas de los cálculos occidentales.

Idea clave: El consenso del mercado de IA proyecta un crecimiento de 4.6x hasta $1.85-3.68T en 2030, con un TCAC medio del 38%. Fortune Business Insights lidera con un TCAC del 42.1% (proyección de $3.68T), lo que representa la adopción tecnológica más rápida de la historia.

Ola de inversión en infraestructura: capital de la carrera por los centros de modelos fundacionales (datos de 2025)

Las empresas tecnológicas de hiperescala asignaron un total de $417B en gastos de capital para 2025. Esta inversión sin precedentes apunta a la infraestructura de IA en las regiones de modelos fundacionales: despliegue de GPU, centros de datos e infraestructura energética de apoyo, concentrada en el Área de la Bahía de San Francisco, Seattle y algunos centros internacionales seleccionados.

Inversiones en IA por región

Inversiones en IA por región (2025)
EE. UU.
$526B (72%)
China
$120B (16%)
UE
$50B (7%)
Otros
$30B (4%)
Total: $726B de inversión mundial en IA

Tabla 10: Flujos de inversión en IA por ciudades líderes (T4 2025)

Ciudad Inversión total Empresas Métrica clave
San Francisco $164B 4,255 empresas de IA 35% de talento de EE. UU.
Pekín $98B 2,100+ empresas 61% enfocado en startups
Londres £10B 1,300+ empresas de IA 60% salud
Singapur $140M Gobierno 900+ startups 1.64% de la fuerza laboral en IA
Idea clave: San Francisco lidera con $164B de inversión y 4,255 empresas de IA (35% del talento de EE. UU.), Pekín le sigue con $98B y un 61% de enfoque en startups, y Londres alcanza £10B con una especialización del 60% en sanidad.

Concentración de inversión en ciudades productoras de IA

  • Meta Platforms (Menlo Park): Capex de $66-72B (crecimiento interanual del 70%), con el objetivo de alcanzar más de 1.3 millones de GPU a finales de 2025
  • Alphabet/Google (Área de la Bahía de San Francisco): Aumentos sustanciales del capex en infraestructura de IA
  • Amazon (Seattle): Importantes inversiones en centros de datos y capacidades de IA en la nube
  • Microsoft (Redmond): Expansión agresiva de la capacidad de centros de datos para cargas de trabajo de IA
  • Oracle, OpenAI, SoftBank: Compromiso de $500B con Stargate para la infraestructura de IA en EE. UU., con los primeros emplazamientos ya operativos (2025)

Impacto geográfico: Los centros de modelos fundacionales reciben una inversión en infraestructura desproporcionada, mientras que los centros de implementación de aplicaciones se benefician de un mejor acceso a estos recursos computacionales mediante el despliegue en la nube y la distribución de computación en el borde.

Dependencias geopolíticas y concentración de infraestructura

La estructura de dependencia de la IA de siete capas genera vulnerabilidades geopolíticas sin precedentes. La concentración de materias primas en China (procesamiento del 90% de las tierras raras) y las dependencias del triángulo del litio crean riesgos fundamentales. La concentración de infraestructura de hardware en Taiwán (TSMC) y Corea del Sur (Samsung) crea puntos únicos de fallo para el ecosistema mundial de la IA. El desarrollo de modelos fundacionales se concentra en EE. UU. y China, mientras que los centros de implementación de aplicaciones de todo el mundo dependen de todas las capas superiores.

Dependencias de infraestructura crítica

  • Cuello de botella en materias primas: China controla el 90% del procesamiento de tierras raras, fundamental para el hardware de IA
  • Infraestructura energética: El entrenamiento de IA requiere enormes recursos energéticos, lo que concentra el consumo de energía en regiones específicas
  • Cuello de botella en semiconductores: 90% de los chips de IA avanzados se fabrican en Taiwán y Corea del Sur, lo que crea una vulnerabilidad sistémica
  • Infraestructura en la nube: AWS, Google Cloud y Microsoft Azure controlan el 70% de la infraestructura global en la nube que da soporte a las cargas de trabajo de IA
  • Dependencias de orquestación: Las capacidades de coordinación de sistemas de IA complejos están concentradas en centros financieros y gubernamentales
  • Concentración de modelos fundacionales: El 80% de los modelos líderes se desarrolla en EE. UU. (área de la bahía de San Francisco) y en China (Hangzhou, Pekín)
  • Vulnerabilidades de la capa de aplicaciones: La experiencia en implementación está concentrada en algunos centros globales

Implicaciones estratégicas: Los países que buscan la soberanía en IA deben desarrollar capacidades en las siete capas, pero los requisitos de capital (instalaciones de procesamiento de tierras raras, más de $100B para fábricas avanzadas de semiconductores y más de $10B para el desarrollo de modelos fundacionales) crean barreras que pocas naciones pueden superar por sí solas. Esto impulsa la formación de alianzas estratégicas y asociaciones tecnológicas en las capas de dependencia.

Trayectoria del mercado global de la IA (2026-2030)

  • Tamaño actual del mercado: $371-639B (según la metodología; estimaciones del T4 2025)
  • Proyección para 2030: $1,85T (consenso)
  • Múltiplo de crecimiento: 4,6 veces en 5 años
  • Crecimiento total: 363%
  • Implicación para la cadena de valor: Los centros de modelos fundacionales obtienen márgenes más altos en los modelos fundacionales, mientras que los centros de implementación de aplicaciones se benefician del despliegue masivo y de los servicios de implementación

Cuatro cambios estratégicos que redefinen la competencia global

Las mega inversiones en infraestructura se encuentran con la revolución de la eficiencia

A finales de 2025, un consorcio liderado por BlackRock adquirió Aligned Data Centers por 40 mil millones de $, la mayor operación con centros de datos de la historia. El capex de hiperescala alcanzó 364 mil millones de $ en 2025 (Meta, 66-72 mil millones de $; Microsoft, 88,7 mil millones de $ en el ejercicio fiscal 2025; Google, 85 mil millones de $; Amazon, 118,5 mil millones de $), lo que sienta unas bases de infraestructura sin precedentes. Sin embargo, esta carrera enfrenta una tensión existencial: los costes de inferencia se han reducido 280 veces desde noviembre de 2022 (Stanford HAI), y los modelos chinos alcanzan un rendimiento comparable con un coste diez veces menor (DeepSeek, 0,55 $ frente a OpenAI, 15 $ por millón de tokens). La cuestión estratégica es si la escala o la eficiencia definirán las ventajas competitivas.

La IA agéntica alcanza la escala de producción

El despliegue de agentes de IA en empresas alcanzó la madurez a finales de 2025. Las encuestas de PwC muestran que el 79% de las empresas despliegan agentes de IA, con un ROI medible: Reddit logró una reducción del 46% en consultas derivadas, Best Buy registró un aumento del 200% en el autoservicio, y Google Cloud constató que el 88% de los líderes agénticos obtienen retornos. Entre los principales lanzamientos de 2025 figuran Claude Opus 4 (72.5% en codificación SWE-bench), Salesforce Agentforce, que atiende a 12,000 clientes, y los 30 agentes de producción de C.H. Robinson, que ahorran más de 300 horas al día. Sin embargo, Gartner advierte que más del 40% de los proyectos se cancelarán para 2027 por sus costos y por un valor poco claro, lo que separa a los implementadores maduros de los experimentadores.

La brecha de rendimiento entre EE. UU. y China se reduce al 0.3%

The Washington Post declaró en el cuarto trimestre de 2025 que «China ahora lidera a Estados Unidos en esta parte clave de la carrera de la IA», citando el dominio chino en los modelos de código abierto mejor clasificados. Stanford HAI documentó la convergencia: la brecha de rendimiento se redujo del 20% (2023) a solo el 0.3% (2024) en los benchmarks MMLU/HumanEval. Nota sobre las limitaciones de los benchmarks: estas métricas académicas de rendimiento podrían no reflejar las diferencias en la preparación para el despliegue comercial, el cumplimiento normativo ni la eficacia en aplicaciones reales, que favorecen enfoques regionales distintos. Ling-1T de Ant Group (1 billón de parámetros, lanzado en el cuarto trimestre de 2025) superó a GPT-5 en matemáticas. La ventaja de China se centra en la eficiencia de ingeniería: el entrenamiento oficial de DeepSeek cuesta $5.58M (sin contar I+D, infraestructura ni los costes totales de desarrollo, que los analistas estiman en $500M+) frente a los $58M+ de Meta Llama, lo que demuestra una optimización algorítmica y no solo una reducción de costes. Para las ciudades de IA, la sofisticación del software compite cada vez más con la escala del hardware a la hora de determinar la ventaja competitiva.

Aceleración de la transformación laboral

El WEF prevé que el 60% de la plantilla necesitará recualificación para 2030, y el 94% de los directivos se enfrenta a la escasez de perfiles clave para la IA. A lo largo de 2025, grandes empresas exigieron formación integral en IA: Citi, para 175,000 empleados, mientras que los datos de LinkedIn muestran que la demanda de competencias en IA se multiplicó por seis interanual. La brecha entre la adopción de la IA (78% de las organizaciones según McKinsey) y la obtención de valor (solo el 1% declara despliegues «maduros» y el 25% alcanza el ROI esperado) refleja esta escasez de talento. Las ciudades que inviertan en una infraestructura integral de alfabetización en IA se posicionarán para captar las ventajas del desarrollo de modelos fundacionales, mientras que los centros de aplicación con poblaciones formadas convertirán las ganancias de productividad en crecimiento.

Idea clave: Aunque el 37% de los directivos del nivel C planea invertir en formación (L&D) para la IA, la implementación avanza muy despacio: solo el 6% de las organizaciones ha empezado a mejorar competencias «de forma significativa». Así surge una brecha crítica: el 79% de los trabajadores quiere formación en IA, pero el 57% considera insuficientes los esfuerzos de su empresa, lo que subraya la urgencia de estrategias sistemáticas de desarrollo del talento.

5. ESTUDIO DE CASO: TRANSFORMACIÓN POLÍTICA MEDIADA POR LA IA EN NEPAL

Índice

El precedente de Nepal: el papel de ChatGPT en la selección de líderes

Aunque este informe se centra en la transformación de las economías urbanas por la IA y en la especialización de la cadena de valor de siete capas, los acontecimientos recientes en Nepal (septiembre de 2025) muestran cómo ciudades con modelos fundacionales como San Francisco (donde se desarrolló ChatGPT) influyen ahora en las decisiones de gobernanza en ciudades no dedicadas a la IA de todo el mundo, lo que ilustra el enorme alcance de la cadena de valor especializada de la IA más allá de sus orígenes geográficos.

Resumen del caso

Tras el bloqueo, impuesto por el gobierno el 4 de septiembre de 2025, de 26 plataformas de redes sociales (entre ellas YouTube, Facebook, Instagram, WhatsApp y Twitter), Nepal vivió un levantamiento de cinco días que provocó la dimisión del gobierno del primer ministro K.P. Sharma Oli. Lo que hace único este caso no es la protesta en sí, sino la infraestructura tecnológica que la hizo posible y el proceso mediado por la IA que vino después.

Cifras clave:
  • más de 160.000 participantes en el servidor de Discord «Youth Against Corruption»
  • 51-72 víctimas mortales durante las protestas (según distintas fuentes)
  • más de 1.300 heridos
  • 5 días desde el bloqueo hasta la caída del gobierno
  • Primer caso documentado de IA que influye directamente en la elección del jefe de Estado

Infraestructura digital de la revolución

Los manifestantes, en su mayoría de la Generación Z, eludieron el bloqueo de las redes sociales organizándose a través de Discord, una plataforma de comunicación para videojuegos que las autoridades no habían restringido. El servidor se transformó en lo que los participantes llamaron «el nuevo parlamento de Nepal», con canales especializados para la verificación de datos, la logística de las protestas, la ayuda médica y el seguimiento de la policía. La televisión nacional emitió en directo los debates de Discord, y representantes militares negociaron directamente con los moderadores del servidor, entre ellos Shaswot Lamichhane, de 19 años, recién graduado de secundaria.

ChatGPT como consultor político

En el vacío de poder tras la caída del gobierno, los participantes de Discord se enfrentaron a una pregunta sin precedentes: cómo elegir un líder interino sin instituciones políticas tradicionales. La comunidad elaboró una lista de cinco candidatos mediante nominaciones abiertas y filtrado de expertos:

  • Harka Sampang (alcalde de Dharan)
  • Mahabir Pun (activista social)
  • Sagar Dhakal (político independiente, ingeniero formado en Oxford)
  • Balen Shah (rapero, alcalde de Katmandú)
  • Sushila Karki (expresidenta del Tribunal Supremo, 2016-2017)

A continuación, los participantes consultaron a ChatGPT, le proporcionaron perfiles detallados de los candidatos y le pidieron una recomendación. La respuesta de la IA fue inequívoca:

«Si la elección fuera mía, me inclinaría por Sushila Karki como jefa del gobierno interino [...] Para un gobierno permanente tras las elecciones, recomendaría a Balen Shah.»

Tras la votación posterior en Discord, que reflejó la recomendación de ChatGPT, la expresidenta jubilada del Tribunal Supremo Sushila Karki, de 73 años, fue nombrada primera ministra interina el 12 de septiembre de 2025, convirtiéndose en la primera mujer al frente del gobierno de Nepal.

Marco analítico: implicaciones para la gobernanza de la IA

Este caso plantea preguntas fundamentales sobre el papel de la IA en la toma de decisiones políticas:

  • Democratización de la experiencia: ChatGPT proporcionó acceso instantáneo a una capacidad analítica que tradicionalmente requeriría una amplia infraestructura de consultoría política, lo que podría igualar las condiciones para los movimientos que carecen de recursos institucionales.
  • Legitimidad algorítmica: La recomendación de la IA actuó como catalizador del consenso en un entorno muy polarizado. Esto sugiere que, en determinados contextos, la autoridad algorítmica puede tener un peso comparable al de la experiencia tradicional.
  • Política de plataformas: La transformación de Discord, de plataforma de juegos en infraestructura política, demuestra cómo los espacios digitales no regulados pueden convertirse en herramientas de construcción estatal cuando los canales tradicionales están bloqueados o no inspiran confianza.
  • Brecha generacional: La mediana de edad en Nepal es de 25.1 años. Para los participantes de la generación Z (40% de la población), consultar a la IA para decisiones importantes es tan natural como lo fue para las generaciones anteriores consultar a expertos o instituciones: un cambio fundamental en la autoridad epistemológica.

Contexto geopolítico

La posición de Nepal entre India y China añade capas de complejidad. La orientación prochina del primer ministro Oli y el momento del bloqueo de las redes sociales (inmediatamente después de su visita a China) dieron pie a especulaciones sobre la influencia china. La posterior selección de liderazgo a través de plataformas estadounidenses (Discord) y de IA estadounidense (ChatGPT de OpenAI) representa un cambio geopolítico digital, con posibles repercusiones para la alineación tecnológica de la región.

Los factores económicos fueron igualmente decisivos: aproximadamente un 20% de desempleo juvenil, junto con el hecho de que muchos jóvenes nepalíes obtienen ingresos a través de plataformas en línea, hizo que el bloqueo de las redes sociales amenazara literalmente la supervivencia económica. La protesta tuvo tanto que ver con los derechos económicos digitales como con las libertades políticas.

Precaución metodológica

Advertencia crítica: Estos hechos ocurrieron en septiembre de 2025. Aunque se informó sobre ellos en múltiples fuentes, entre ellas Al Jazeera, The New York Times y The Kathmandu Post, el carácter extraordinario de las afirmaciones exige una verificación continua. Los investigadores deben tratar estos datos como preliminares y necesitados de confirmación independiente por parte de organizaciones internacionales de monitoreo, de declaraciones oficiales de OpenAI y Discord Inc., del acceso a los archivos de los servidores de Discord (si están disponibles) y de entrevistas de campo con los participantes.

Relevancia para el marco de ciudades de IA

Si bien Nepal no figura entre los principales centros de modelos fundacionales analizados en este informe, el caso demuestra que el impacto transformador de la IA en la gobernanza puede surgir en lugares inesperados, especialmente donde:

  • Las poblaciones jóvenes crean comunidades nativas digitales
  • Los déficits de confianza institucional generan demanda de marcos alternativos para la toma de decisiones
  • La dependencia económica de las plataformas digitales eleva lo que está en juego en el acceso a internet
  • El posicionamiento geopolítico hace que las decisiones tecnológicas sean estratégicamente significativas

Esto sugiere que la influencia de la cadena de valor de la IA se extiende más allá de los centros de producción hacia los patrones de consumo que remodelan las estructuras políticas, una dinámica que merece seguimiento a medida que la IA generativa se vuelve omnipresente en todo el mundo. Para el análisis de las ciudades de IA, esto demuestra cómo los centros de modelos fundacionales (San Francisco) y las ciudades de implementación de aplicaciones (como Singapur, tratada en nuestra sección de servicios financieros) proyectan ahora su influencia mucho más allá de sus límites geográficos, remodelando la gobernanza a lo largo de la estructura de dependencia de la IA de siete capas.

6. EL CAMBIO DE PARADIGMA: DE LA IA GENERATIVA A LA IA AGÉNTICA

Índice

6.1 Surgimiento de la IA agéntica: transformación de la cadena de valor

T4 2025: transición crítica de la cadena de valor de la IA

El panorama mundial de la IA marca una transición crítica de la IA generativa a la IA agéntica: sistemas autónomos capaces de tomar decisiones de forma independiente y ejecutar tareas complejas. Este cambio transforma de forma fundamental la geografía de la cadena de valor de la IA, ya que la IA agéntica requiere tanto el desarrollo de modelos fundacionales (en centros de modelos fundacionales) como marcos de implementación sofisticados (en centros de implementación de aplicaciones).

Definición y arquitectura de la IA agéntica

La IA agéntica representa sistemas de inteligencia artificial autónomos que fijan objetivos de alto nivel, planifican los pasos de ejecución y completan tareas complejas con una intervención humana mínima. A diferencia de la IA reactiva tradicional, que sigue reglas predeterminadas, la IA agéntica es proactiva y adaptable, y utiliza modelos de lenguaje de gran tamaño (LLM) como su "cerebro" para orquestar acciones a través de herramientas y sistemas externos.

Capacidades clave de la IA agéntica (finales de 2025)
  • Rebalanceo autónomo de carteras basado en contratos inteligentes (sector financiero)
  • Optimización logística proactiva (monitoreo del clima, previsión de interrupciones, redirección de envíos)
  • Anticipar necesidades y problemas en lugar de limitarse a responder a ellos
  • Ejecución autodirigida de flujos de trabajo empresariales completos
  • Toma de decisiones contextual e independiente en el trading financiero y la gestión de riesgos
Impacto en la cadena de valor de la IA
  • Ciudades productoras de IA: Desarrollar modelos fundacionales de IA agéntica y marcos de IA constitucional
  • Ciudades consumidoras de IA: Implantar y escalar sistemas de IA agéntica en los servicios públicos y las aplicaciones empresariales
  • Transformación global: Pasar de la sustitución a la complementariedad, en la que la tecnología responde a la intención humana en toda la cadena de valor

6.2 IA constitucional (CAI): marco ético de la cadena de valor de la IA

Desafío de gobernanza global para los sistemas autónomos (cuarto trimestre de 2025)

Con sistemas autónomos que toman decisiones en sectores críticos, la gobernanza transparente y controlada se ha vuelto imprescindible. La IA constitucional (CAI), desarrollada por Anthropic (San Francisco), es un método de entrenamiento que garantiza que los modelos de IA sigan un conjunto de normas éticas predeterminadas o una «constitución», basada posiblemente en documentos como la Declaración Universal de Derechos Humanos.

Idea clave: Los líderes empresariales se enfrentan a crecientes desafíos éticos: los incidentes de privacidad relacionados con la IA aumentaron un 56% interanual, mientras que el 64% cita preocupaciones por la inexactitud de la IA, el 63% se preocupa por los problemas de cumplimiento normativo y el 60% identifica vulnerabilidades de ciberseguridad. Sin embargo, la implantación de salvaguardas va a la zaga, lo que crea una exposición peligrosa, ya que las organizaciones despliegan una IA sofisticada sin los controles éticos correspondientes.

Geografía de la cadena de valor de la CAI
Papel de las ciudades productoras de IA en el desarrollo de la CAI
  • San Francisco: Anthropic lidera la investigación en CAI y crea marcos éticos fundacionales para su adopción global
  • Londres: El sector financiero implanta marcos de seguridad de la IA y aplica principios constitucionales en la banca y el cumplimiento normativo
  • París: Mistral AI integra marcos constitucionales con principios europeos centrados en los derechos
Ciudades consumidoras de IA: implementación de la CAI
  • Singapur: Los entornos regulatorios de pruebas (sandboxes) de la MAS prueban marcos de CAI para los servicios financieros
  • Dubái: Implanta principios constitucionales en el despliegue de IA de las ciudades inteligentes
  • Ciudades europeas: Aplicar los requisitos constitucionales de la Ley de IA de la UE para un consumo seguro de la IA
Ventajas técnicas y regulatorias (análisis de 2025)

La CAI resuelve los problemas de escalabilidad de los métodos tradicionales de alineamiento de la IA, que dependen de una retroalimentación humana lenta y subjetiva (RLHF). En cambio, la CAI entrena a los modelos para criticar sus respuestas según normas constitucionales internas, lo que aumenta la seguridad, reduce los sesgos y garantiza la coherencia en los despliegues globales.

Imperativo estratégico de la IA agéntica

Dado que la IA agéntica afronta de forma autónoma situaciones de juicio ético o jurídico, la CAI funciona como un mecanismo interno de verificación obligatorio. Sin la CAI, los reguladores de todo el mundo no permitirán la IA agéntica en tareas de alto riesgo o críticas. Así, la CAI se convierte en una condición reguladora obligatoria para el despliegue a gran escala de la IA agéntica, y transforma los principios éticos abstractos en normas algorítmicas concretas que pueden implantarse en toda la cadena de valor de la IA.

7. PERSPECTIVAS REGIONALES: PARTICIPANTES EMERGENTES EN LA CADENA DE VALOR DE LA IA

Índice

7.1 Asia oriental: potencias emergentes de la IA que desafían al top 10

Los datos del cuarto trimestre de 2025 revelan dos ciudades de Asia oriental con trayectorias de crecimiento excepcionales que las sitúan como aspirantes inmediatos al liderazgo mundial en IA. A diferencia de los mercados emergentes tradicionales centrados en el consumo de IA, Tokio y Seúl representan capacidades avanzadas de producción de IA que rivalizan con las de las ciudades consolidadas del top 10. Su rápido desarrollo de ecosistemas justifica un análisis prioritario como posibles candidatas a entrar en el top 10 en 2026.

Tokio: aceleración de la IA impulsada por la infraestructura (contendiente global n.º 11)

$2.5B
Valoración de Sakana AI (cuarto trimestre de 2025)
+143.57%
Crecimiento de la inversión en IA (2025 frente a 2024)
271+
Empresas de tecnologías profundas ($2.12B)

Logro destacado: Sakana AI, de Tokio, alcanzó una valoración de $2.5 mil millones en el cuarto trimestre de 2025, convirtiéndose en la startup de IA de más rápido crecimiento de Japón, y registró un aumento del 66% respecto a su ronda de financiación anterior. Este rápido ascenso, respaldado por inversiones de NVIDIA y New Enterprise Associates, indica que Tokio está emergiendo como un centro serio de IA a escala global.

Liderazgo en infraestructura: Japón puso en marcha el supercomputador ABCI 3.0 en enero de 2025, que proporciona una potencia de cálculo sin precedentes para la investigación y el desarrollo de la IA. La alianza estratégica entre SoftBank y OpenAI sitúa a Tokio como un centro clave de soluciones de IA empresariales en toda Asia, y demuestra un enfoque de desarrollo del ecosistema de IA centrado primero en la infraestructura.

Ecosistema de inversión: La ciudad alberga una importante actividad de capital riesgo (VC) con fondos como DEEPCORE (vinculado a la Universidad de Tokio) y presencia internacional de Alchemist Accelerator y Techstars, que establecieron operaciones en Tokio en 2024. Más de 271 empresas de Deep Tech con una financiación colectiva de 2.12 mil millones de dólares demuestran la profundidad considerable de su ecosistema.

Seúl: transformación de la IA impulsada por el gobierno (contendiente global n.º 12)

$390M
Inversión pública en IA (2025)
10K
Objetivo de profesionales de IA al año
5
Programa de campeones de IA

Estrategia de IA soberana: Corea del Sur puso en marcha en finales de 2025 su iniciativa de IA más ambiciosa, con la que se compromete a destinar ₩530 000 millones ($390 millones) a cinco empresas locales que desarrollan modelos fundacionales. El Ministerio de Ciencia y TIC seleccionó para este programa competitivo a LG AI Research, SK Telecom, Naver Cloud, NC AI y a la startup Upstage, lo que demuestra un compromiso gubernamental sin precedentes.

Excelencia de las startups: Upstage fue la única startup entre los beneficiarios de las subvenciones gubernamentales; su modelo Solar Pro 2 se convirtió en el primer modelo coreano reconocido como modelo de frontera por Artificial Analysis. Empresas como Lunit (IA médica en colaboración con Fujifilm, GE Healthcare y Philips) y MakinaRocks (IA industrial) demuestran la creciente capacidad de IA de Seúl.

Desarrollo del talento: El alcalde de Seúl, Oh Se-hoon, anunció una estrategia para formar 10,000 profesionales de la IA al año, con el objetivo de posicionar a Seúl como «el centro de una de las tres grandes potencias mundiales de la IA». Este ambicioso programa de desarrollo de la fuerza laboral aborda la brecha crítica de talento que limita el crecimiento del ecosistema de la IA a escala mundial.

Proyección 2026: desafiando el orden establecido

La ventaja de Tokio: Un enfoque centrado en la infraestructura, con capacidades de supercomputación de nivel mundial, una rápida maduración del ecosistema de startups y alianzas internacionales estratégicas, sitúa a Tokio en posición de entrar en el top 10 mundial para 2026.

La ventaja de Seúl: Una estrategia gubernamental coordinada, con un respaldo financiero considerable, un enfoque en integrar las industrias tradicionales con la innovación en IA y ambiciosos programas de desarrollo de talento, crea ventajas competitivas sostenibles.

Implicaciones estratégicas: Ambas ciudades demuestran que un desarrollo rápido del ecosistema de la IA es posible mediante estrategias focalizadas, ya sea impulsado por la infraestructura (Tokio) o coordinado por el gobierno (Seúl). Su surgimiento cuestiona las suposiciones sobre la concentración del liderazgo en IA y apunta a un panorama más multipolar.

7.2 África: excelencia en el consumo de IA mediante un desarrollo de salto de etapa

Estrategia de implementación de ciudades inteligentes en África (finales de 2025)

El mercado africano de ciudades inteligentes muestra estrategias sofisticadas de implementación de aplicaciones, centradas en la sostenibilidad y el desarrollo mediante el despliegue estratégico de tecnologías desarrolladas en centros de modelos fundacionales. Los países del norte de África y naciones insulares como Mauricio lideran gracias a inversiones tempranas en administración electrónica y a estrategias nacionales de IA que enfatizan la implementación más que el desarrollo de modelos fundacionales.

Excelencia en la implementación de IA en terrenos vírgenes
Konza Technopolis (Kenia): modelo de implementación de aplicaciones «Silicon Savannah»

Este proyecto emblemático de 1.300 millones de dólares demuestra una estrategia de implementación de aplicaciones de nivel mundial. La fase 1 está cerca de completarse, con movilidad inteligente, gestión automatizada de residuos y servicios en la nube ya operativos, todos ellos implementando tecnologías de IA desarrolladas en otros lugares. El proyecto ejemplifica la incorporación de la IA en la infraestructura urbana desde su concepción, en lugar de adaptarla posteriormente, y representa el desarrollo óptimo de un centro de implementación de aplicaciones.

Hope City (Ghana): implementación sostenible de IA

Un rápido crecimiento gracias a alianzas centradas en tecnologías verdes, conectividad 5G y gestión urbana integrada con IA. Enfatiza el despliegue sostenible de tecnologías de IA probadas, alineado con los objetivos nacionales de desarrollo, y demuestra un consumo estratégico de IA para mercados emergentes.

Liderazgo regional en el consumo de IA

A diferencia de los mercados maduros, los líderes africanos (Ruanda, Kenia) vinculan directamente la preparación para la IA con el desarrollo nacional, implementando IA para la previsión agrícola, el diagnóstico sanitario y los sistemas de identidad digital. Ciudad del Cabo surge como líder regional en la implementación de IA, especialmente en aplicaciones de biotecnología.

Paradigma estratégico del salto de etapa

Las iniciativas africanas demuestran un modelo de desarrollo revolucionario: utilizar el consumo de IA para crear sistemas nuevos, digitales y sostenibles desde cero, en lugar de optimizar infraestructuras heredadas. Esto permite saltarse etapas tradicionales de desarrollo y posiciona a las ciudades africanas como líderes mundiales al demostrar que la IA es una herramienta esencial para el crecimiento sostenible y para abordar desafíos sociales urgentes mediante la implementación estratégica, más que mediante el desarrollo.

7.3 América Latina: especialización híbrida en la cadena de valor de la IA

Desarrollo del ecosistema de IA en América Latina (cuarto trimestre de 2025)

Latinoamérica desarrolla rápidamente ecosistemas de IA, con São Paulo, Ciudad de México y Buenos Aires emergiendo como centros líderes de startups, y demuestra enfoques híbridos que combinan el consumo de IA con capacidades especializadas de producción.

Especialización regional en la cadena de valor de la IA
São Paulo (Brasil): centro de inversión e implementación de IA

El mayor centro tecnológico, que atrae inversiones significativas de gigantes globales como Google. Es el principal destino de inversión en IA de América Latina y se centra en implementar tecnologías de IA probadas para los mercados regionales, a la vez que desarrolla aplicaciones especializadas para mercados de habla portuguesa y española.

Guadalajara (México): productor emergente de IA

Se posiciona como centro de I+D que alberga el primer Laboratorio de IA Generativa (G.A.I.L.) de América Latina, lo que demuestra un enfoque en la investigación y el desarrollo fundamentales de la IA. Representa una transición regional hacia las capacidades de modelos fundacionales, en lugar de la mera implementación de aplicaciones.

Montevideo (Uruguay): líder en densidad de talento en IA

Cuenta con el mayor porcentaje de programadores con habilidades en tecnología de IA de América Latina, lo que crea un entorno con alta concentración de talento tanto para la implementación de IA como para el desarrollo especializado. Demuestra cómo las ciudades pequeñas pueden competir mediante una experiencia concentrada.

Aplicaciones prácticas de implementación de IA (2025)

La IA mejora activamente la eficiencia operativa en toda la región, en particular en la gestión de TI, con plataformas de IA que implementan análisis predictivo y la creación automatizada de bases de conocimiento, lo que demuestra una implementación sofisticada de tecnologías desarrolladas en los principales centros de modelos fundacionales.

Conclusión sobre el modelo híbrido estratégico

Las ciudades latinoamericanas demuestran que los mercados emergentes pueden posicionarse estratégicamente a lo largo de la cadena de valor de la IA: no solo como implementadores de aplicaciones, sino también como desarrolladores especializados de modelos fundacionales para los mercados regionales. Al centrarse en especializaciones concretas (idioma, cultura, necesidades de sectores específicos) y crear sistemas nativos digitales, estas ciudades se posicionan como centros híbridos de IA competitivos que atienden tanto a mercados regionales como globales, uniendo el desarrollo de modelos fundacionales con las estrategias de implementación de aplicaciones.

7.4 Mercados emergentes de Asia-Pacífico: diversas estrategias de implementación de IA

Bengaluru: la transformación del Silicon Valley de Asia (cuarto trimestre de 2025)

Bengaluru (n.º 26 en el Índice Global de Ciudades de IA de Counterpoint)

Surge como el principal centro de IA no occidental, combinando una gran herencia en servicios de TI con la implementación estratégica de IA y capacidades de producción especializadas. Alberga importantes centros tecnológicos globales (Google, Microsoft, Amazon) mientras desarrolla capacidades de IA propias para los mercados nacionales y regionales.

Posición híbrida estratégica: A diferencia de los centros de pura implementación de aplicaciones, Bengaluru aprovecha su ecosistema consolidado de desarrollo de software para convertirse tanto en implementador de aplicaciones (despliegue de soluciones globales) como en desarrollador especializado de modelos fundacionales (creación de soluciones de IA para mercados de idiomas indios, aplicaciones rurales y segmentos sensibles al precio).

Impacto regional: El éxito de Bengaluru demuestra que los mercados emergentes pueden evolucionar más allá de la mera implementación de aplicaciones hacia el desarrollo especializado de modelos fundacionales. Gracias a Project Nexus (iniciativa del BIS Innovation Hub con bancos centrales asiáticos), la India participa en una implementación colaborativa de IA en Asia-Pacífico y se posiciona como puente entre los centros avanzados de modelos fundacionales y los centros emergentes de implementación de aplicaciones.

Sudeste Asiático y otros mercados emergentes

Yakarta (Indonesia): centro regional de implementación

La mayor economía del Sudeste Asiático está desarrollando capacidades de implementación de IA para un mercado de 274 millones de habitantes. Se centra en la IA para servicios financieros, la optimización del comercio electrónico y la infraestructura de ciudades inteligentes, mediante el despliegue estratégico de tecnologías desarrolladas en centros avanzados de IA.

Manila (Filipinas): implementación de IA financiera

Participante estratégico en Project Nexus (BIS Innovation Hub), que demuestra un enfoque colaborativo de implementación de IA. Aprovecha su amplia fuerza laboral angloparlante para aplicaciones de IA en atención al cliente y externalización de procesos de negocio.

Bangkok (Tailandia): centro de coordinación de IA de la ASEAN

Se está convirtiendo en un centro regional de coordinación para las iniciativas de IA de la ASEAN. Se centra en aplicaciones de IA agrícola, optimización del turismo y sistemas de pago transfronterizos mediante estrategias de implementación colaborativa con otros miembros de la ASEAN.

Patrón de desarrollo: Estos mercados emergentes de Asia-Pacífico muestran estrategias de implementación colaborativa, aprovechando la cooperación regional (Project Nexus, iniciativas de la ASEAN) para desplegar tecnologías de IA de forma eficiente y, al mismo tiempo, desarrollar gradualmente capacidades propias. A diferencia de los enfoques centrados únicamente en el consumo, estas ciudades combinan la implementación estratégica con la formación de la fuerza laboral para participar en la futura industria de la IA.

Singularidad del ecosistema asiático de IA: la Hoja de Ruta de IA Responsable de la ASEAN de marzo de 2025 crea un marco de gobernanza regional, mientras que las plataformas «super-app» centradas en el móvil (WeChat, Grab, Kakao) demuestran modelos de negocio únicos, ausentes en los mercados occidentales.

8. TOP 20 DE CIUDADES GLOBALES DE IA

Índice

Para ofrecer una perspectiva adicional sobre el liderazgo mundial en IA, analizamos los rankings generados por 10 modelos de IA líderes, cada uno de los cuales evaluó de forma independiente las ciudades según la solidez de su ecosistema de IA. Este enfoque de consenso entre múltiples modelos ofrece una visión más amplia de qué ciudades son reconocidas de forma constante como potencias de la IA en distintos marcos analíticos.

Metodología: análisis de consenso entre modelos de IA

Diez modelos avanzados de IA (ChatGPT, Claude, Gemini, DeepSeek, Qwen, Grok, Kimi, Meta AI, Le Chat, Ernie) recibieron la instrucción de clasificar las 10 principales ciudades globales de IA según:

  • Producción de investigación y desarrollo en IA
  • Sedes y operaciones de empresas tecnológicas
  • Inversión de capital riesgo en startups de IA
  • Concentración de talento en IA e instituciones educativas
  • Iniciativas y políticas gubernamentales de IA
  • Infraestructura que sustenta el desarrollo de la IA

Las siguientes 20 ciudades aparecieron con más frecuencia en todas las clasificaciones de los modelos, lo que representa el consenso más amplio sobre los centros de liderazgo global en IA:

Top 20 de ciudades de IA: consenso entre múltiples modelos

1
San Francisco
Capital de la IA
2
Pekín
Centro chino de IA
3
Nueva York
Centro financiero de IA
4
Londres
Líder europeo en IA
5
Shanghái
IA industrial y fabricación inteligente
6
Boston
Capital de la IA en biotecnología
7
Singapur
Líder en IA de Smart Nation
8
París
Centro de soberanía europea en IA
9
Toronto
Centro de investigación en aprendizaje profundo
10
Tel Aviv
Centro de talento e innovación en IA
11
Seúl
Centro de innovación tecnológica
12
Seattle
Plataforma de IA en la nube
13
Berlín
Centro de investigación en IA
14
Tokio
Centro de robótica e IA
15
Dubái
Smart City Leader
16
Hong Kong
Centro de IA para fintech
17
Shenzhen
Centro de IA de hardware
18
Abu Dabi
Centro de IA soberana
19
Sídney
Centro de innovación en IA
20
Bangalore / Wuhan
Centros emergentes de IA

Observaciones clave del análisis de múltiples modelos

Líderes constantes: San Francisco, Pekín y Nueva York aparecieron entre los tres primeros en 9 de los 10 rankings de modelos, lo que demuestra un claro consenso sobre el liderazgo de estas ciudades en IA.

Equilibrio regional: El consenso del Top 20 incluye una fuerte presencia de Norteamérica (6 ciudades: San Francisco, Nueva York, Boston, Toronto, Seattle), Asia-Pacífico (10 ciudades: Pekín, Shanghái, Singapur, Seúl, Tokio, Hong Kong, Shenzhen, Bangalore, Wuhan, Sídney), Europa (3 ciudades: Londres, París, Berlín) y Oriente Medio (2 ciudades: Dubái, Abu Dabi), lo que refleja la distribución global de los centros de innovación en IA.

El surgimiento de Berlín como centro de IA orientado a la sostenibilidad, con más de 100 empresas que integran principios ESG, representa la evolución de la especialización europea en IA más allá de los centros tecnológicos tradicionales.

Estabilidad del top 10: Las primeras 10 posiciones muestran una notable coherencia: ciudades consolidadas como potencias de IA, como Shanghái (#5), Boston (#6), Singapur (#7), París (#8), Toronto (#9) y Tel Aviv (#10), forman un nivel estable de centros de IA reconocidos.

Variaciones entre modelos: Aunque los líderes principales se mantuvieron constantes, los modelos mostraron variaciones interesantes en la ponderación de factores como el apoyo gubernamental (favoreciendo a Singapur y Dubái), la densidad de startups (favoreciendo a Tel Aviv y Berlín), la producción de investigación (favoreciendo a Pekín y Boston) y la aplicación industrial (favoreciendo a Shanghái y Shenzhen). El consenso revela el buen desempeño de Seúl (#11) y las ventajas de infraestructura en la nube de Seattle (#12), mientras que el enfoque en investigación de Berlín (#13) y la especialización en robótica de Tokio (#14) demuestran la diversidad de fortalezas de los ecosistemas de IA.

Nota: Este consenso entre modelos representa una perspectiva complementaria a nuestro análisis detallado de las diez primeras posiciones. Aunque las clasificaciones de los modelos de IA aportan información valiosa sobre las percepciones globales del liderazgo urbano en IA, pueden reflejar sesgos de los datos de entrenamiento y carecer de información de mercado en tiempo real. Nuestras clasificaciones principales de la Sección 1 siguen basadas en un análisis cuantitativo exhaustivo de datos de mercado actuales, flujos de inversión y capacidades técnicas.

9. LIMITACIONES Y CONSIDERACIONES METODOLÓGICAS

Índice

9.1 Accesibilidad de los datos y sesgo de la cadena de valor de la IA

Limitaciones fundamentales (finales de 2025)

  • Los algoritmos propietarios de los centros de modelos fundacionales reducen la transparencia y la reproducibilidad
  • Los cambios de metodología de un año a otro limitan la comparabilidad longitudinal
  • Sesgo de la cadena de valor de la IA: las métricas tradicionales pueden favorecer a los centros de modelos fundacionales frente a los centros de implementación de aplicaciones, pese a que las contribuciones de la implementación son igualmente importantes

9.2 Limitaciones específicas de los marcos y consideraciones geográficas

Los marcos de evaluación tradicionales pueden subestimar la capacidad de escalado rápido en modelos de innovación impulsados por el gobierno, lo que afecta en particular a la evaluación de centros de implementación de aplicaciones como Singapur y Dubái, que destacan en la implementación más que en el desarrollo.

Desafíos de precisión y verificación de los datos (análisis 2025)

Varios datos representan estimaciones y no hechos verificados, lo que afecta en particular a las comparaciones entre ciudades:

  • Recuento de empresas: Las estimaciones de empresas de IA en San Francisco van de 1,129 a 4,255, según el alcance de la definición y la clasificación entre modelos fundacionales e implementación de aplicaciones
  • Porcentajes de financiación: La concentración de financiación de IA en Pekín muestra una amplia variación (48-66%) según las distintas metodologías de medición.
  • Incertidumbre de las proyecciones: Las proyecciones del tamaño del mercado para 2030 varían casi el doble ($1,77T a $3,68T) según la metodología y el alcance geográfico.
  • Clasificación de la cadena de valor: No existe un marco estandarizado para distinguir entre el desarrollo de modelos fundacionales y las capacidades de implementación de aplicaciones

9.3 Riesgos críticos de los sistemas de IA

Monopolización de datos

Las 5-7 empresas principales controlan el 90 % de los flujos de datos alternativos, lo que genera efectos monopolísticos y limita el acceso competitivo.

Comportamiento de manada en la IA

El 68 % de los algoritmos imitan las estrategias de sus competidores durante los periodos de volatilidad, lo que podría amplificar los desplomes del mercado (BIS 2025).

9.4 Variabilidad de las definiciones

No existe una definición universal de "preparación para la IA", lo que da lugar a enfoques de medición inconsistentes. El rápido avance de la IA suele superar el desarrollo de métricas de evaluación estandarizadas, lo que crea brechas entre las capacidades medidas y el rendimiento real.

10. CONCLUSIONES: LA GEOGRAFÍA DE LA CADENA DE VALOR DE LA IA TRANSFORMA EL LIDERAZGO URBANO GLOBAL

Índice

10.1 Principales hallazgos: un marco revolucionario de la cadena de valor de la IA

Este análisis exhaustivo (cuarto trimestre de 2025) revela ideas clave sobre el liderazgo global en IA. El liderazgo en IA se distribuye entre centros urbanos especializados a través de la estructura de dependencia de siete capas, en lugar de la concentración tradicional en centros. Este cambio fundamental crea nuevas formas de interdependencia y de ventaja competitiva que definen el análisis urbano de la IA.

La revolución de la geografía de la cadena de valor de la IA

El liderazgo en IA se distribuye entre centros urbanos especializados a través de la estructura de dependencia de siete capas, en lugar de la concentración tradicional en centros. Este cambio fundamental crea nuevas formas de interdependencia y de ventaja competitiva que definen el análisis urbano contemporáneo de la IA.

Especialización en modelos fundacionales frente a implementación de aplicaciones
  • Centros de modelos fundacionales (San Francisco, Hangzhou, París, Tel Aviv): crean modelos fundacionales (ChatGPT, Claude, Gemini, Qwen, DeepSeek, Mistral, Le Chat, Grok, AI21) y capturan la economía de desarrollo de alto valor
  • Centros de implementación de aplicaciones (Singapur, Dubái, Zúrich, Oslo, Londres): destacan en la implementación, el despliegue y el escalado de tecnologías de IA ya existentes, con mejores resultados para los ciudadanos
  • Ciudades híbridas (Shanghái, Nueva York): equilibran el desarrollo y la implementación a lo largo de la cadena de valor
Diferenciación de la estrategia gubernamental según el papel en la cadena de valor

La eficacia de la participación del Estado varía según la posición: Singapur y Dubái demuestran excelencia en una estrategia coordinada de consumo de IA, mientras que Pekín y San Francisco lideran el apoyo gubernamental centrado en la producción. Los EAU representan la transformación más ambiciosa de la fuerza laboral en el consumo de IA a escala mundial.

Reequilibrio geográfico de la cadena de valor

Las métricas tradicionales de innovación subvaloran la excelencia en la implementación de aplicaciones. Las ciudades europeas de tamaño medio (Zúrich, Oslo, Ginebra) representan el modelo óptimo de implementación de aplicaciones: un aprovechamiento eficaz de la tecnología sin las deseconomías de las megaciudades, lo que logra una satisfacción ciudadana superior mediante una implementación estratégica.

Patrones de inversión y especialización
  • Inversión en producción: Concentrada en San Francisco ($35B) y Pekín ($25B), con el 70% del capital de riesgo estadounidense dirigido a la producción de IA
  • Excelencia en el consumo: El cuarto puesto de Dubái en ambos índices demuestra la convergencia entre el consumo de IA y los resultados de las ciudades inteligentes
  • Estrategias regionales: Asia lidera las iniciativas de consumo respaldadas por los gobiernos; Europa pone el énfasis en los marcos éticos de implementación; Norteamérica domina la innovación en producción

10.2 Limitaciones del análisis y consideraciones sobre los datos

Desafíos de integración de fuentes de datos
  • Variaciones metodológicas: Las comparaciones entre índices (el Índice de Ciudades Inteligentes de IMD, el AI City Index de Counterpoint y el Nature Index) emplean marcos de medición y referencias temporales distintos
  • Desfases temporales: Los ciclos de publicación varían considerablemente entre fuentes: algunos datos reflejan el desempeño de 2024, mientras que otros incorporan estimaciones parciales de 2025
  • Inconsistencias en el alcance geográfico: Algunas métricas usan los límites administrativos de las ciudades y otras incorporan áreas estadísticas metropolitanas, lo que afecta a la comparabilidad
  • Agregación de inversiones: Las cifras de capital de riesgo y de financiación pública pueden contar dos veces las mismas inversiones al cruzar distintos marcos de presentación de informes
Intervalos de confianza e incertidumbre

Los rankings deben interpretarse con márgenes de incertidumbre de ±2-3 posiciones debido a las variaciones metodológicas entre índices. Las ciudades ubicadas entre los puestos 4 y 7 a nivel mundial pueden reclamar legítimamente el estatus de top 5. Consideraciones específicas de incertidumbre: (1) rankings de preparación para la IA: ±2 posiciones; (2) cifras de inversión: precisión de ±25%, dada la rápida evolución del mercado; (3) rankings de producción científica: ±1-2 posiciones anuales debido a los ciclos de publicación; (4) porcentajes de cuota de mercado: ±3-5% según el alcance de la definición; (5) rankings de ecosistemas de startups: ±3-4 posiciones debido a las diferencias regionales de medición.

10.3 Implicaciones futuras: evolución de la cadena de valor de la IA hasta 2030

Cronología de la evolución de las ciudades de IA

Tabla 11: Cronología de la evolución de las ciudades de IA (2017-2030)

Período Tema dominante Regiones líderes Desarrollos clave
2017-2020 Era del dominio asiático Singapur, Seúl Primeros rankings de ciudades inteligentes
2021-2023 Auge europeo Liderazgo de Zúrich Comienza el dominio de 6 años en ciudades inteligentes
2025-2026 Revolución de la IA financiera Nueva York, San Francisco Renacimiento: más de $100B en ganancias totales de trading y BlackRock con $11.6T AUM
2025+ Convergencia global Liderazgo multipolar Surgimiento de la geografía de la cadena de valor de la IA
Idea clave: La evolución de las ciudades de IA muestra el paso del dominio asiático (2017-2020) al liderazgo europeo en ciudades inteligentes (el dominio de 6 años de Zúrich) y a la revolución financiera de la IA en EE. UU. (2025-2026), hacia una convergencia global.

El futuro panorama de la IA estará marcado por la profundización de la geografía de la cadena de valor (proyecciones 2026-2030):

Intensificación de la especialización en la cadena de valor de la IA
  • Ciudades productoras: Concentración continuada en el desarrollo de modelos fundacionales, con creciente capacidad en IA agéntica e IA constitucional
  • Ciudades consumidoras: Mayor sofisticación en la implementación, los marcos regulatorios y el despliegue centrado en el ciudadano
  • Ciudades híbridas: Posicionamiento estratégico a lo largo de la cadena de valor, que genera ventajas competitivas
  • Mercados emergentes: Desarrollo por salto tecnológico mediante el consumo estratégico de IA (África, América Latina)
Impacto económico por posición en la cadena de valor (proyecciones 2030)

El potencial de la IA, con una contribución al PIB mundial de 15,7 billones de dólares, se distribuirá de manera desigual: los centros de modelos fundacionales (San Francisco, Hangzhou, París, Tel Aviv) captarán la economía de desarrollo de alto margen; los centros de implementación de aplicaciones (Singapur, Dubái, Zúrich, Oslo, Londres) se beneficiarán de los servicios de implementación y de los resultados para la ciudadanía; y las ciudades híbridas optimizarán toda la cadena de valor. El éxito requiere abordar desafíos técnicos y éticos diferenciados según el papel de cada eslabón de la cadena de valor.

Trayectoria del mercado de IA 2025-2030

$428B (2025) → $750B (2027) → $1.85T (2030)

Crecimiento de 4,6 veces: una expansión exponencial más rápida que la de la computación en la nube y las aplicaciones móviles juntas

10.4 Imperativos estratégicos para los próximos 5 años

Para mantener la competitividad y gestionar eficazmente los riesgos de la era emergente de los sistemas autónomos, los planificadores estratégicos y los reguladores deben centrarse en los siguientes imperativos clave:

10.4.1 Imperativo regulatorio: implementación de la IA constitucional

Las organizaciones que quieran usar la IA agéntica para la toma de decisiones autónoma (especialmente en finanzas e infraestructuras críticas) deben desarrollar e implementar de inmediato «constituciones» internas y transparentes para la IA. Esto es necesario para cumplir los requisitos de rendición de cuentas y éticos que inevitablemente exigirán los reguladores.

10.4.2 Imperativo de eficiencia: centrarse en la competencia de precios

Las empresas tecnológicas occidentales que dominan la creación de los modelos más potentes, pero también más intensivos en recursos, deben adoptar medidas agresivas para reducir los costes de inferencia. Mantener brechas de precio significativas (donde los modelos asiáticos cuestan decenas de veces menos de operar) amenaza su capacidad para competir en los mercados mundiales de aplicaciones y en la adopción masiva de la IA en las regiones en desarrollo.

10.4.3 Imperativo social: priorizar una implementación humana

El éxito de las «ciudades inteligentes» en 2025 se define por su impacto social, no solo por su capacidad tecnológica (Zúrich, Oslo y Dubái lo demuestran). Las inversiones en IA deben dirigirse estratégicamente a mitigar crisis sociales como la asequibilidad de la vivienda, el acceso a la sanidad, la calidad de la educación, la sostenibilidad ambiental y la creación de oportunidades económicas.

10.5 Indicadores clave de riesgo sistémico

  • Brecha de implementación: El 87% de los proyectos de ciencia de datos fracasan en la transición del desarrollo a la puesta en producción
  • Concentración del mercado: Los costos de entrenamiento de los modelos fundacionales (p. ej., Gemini, estimado en $650M) crean barreras de entrada casi insalvables
  • Riesgo de contagio financiero: El 68% de los algoritmos de trading muestran comportamiento de manada durante la volatilidad
  • Impacto ambiental: El consumo energético de la infraestructura de IA se acerca a niveles equivalentes al de pequeños países

10.6 Evaluación final: el futuro de la geografía de la cadena de valor de la IA

El panorama mundial de la IA se ha transformado a fondo: de una competencia centrada en la tecnología a una geografía de cadena de valor en la que los roles especializados determinan la ventaja competitiva. Este análisis muestra que el liderazgo sostenible en IA requiere dominar funciones específicas dentro del ecosistema mundial de la IA, en lugar de intentar una autosuficiencia integral.

Ciudades productoras

San Francisco, Londres y París destacan en el desarrollo de modelos fundacionales, en los marcos de IA constitucional y en la innovación algorítmica revolucionaria. Estas ciudades seguirán impulsando los límites teóricos y técnicos de las capacidades de la IA.

Ciudades consumidoras

Singapur, Dubái y Pekín demuestran una implementación, una eficiencia de escalado y un despliegue práctico superiores. Estas ciudades convierten las capacidades de la IA en soluciones reales que benefician a miles de millones de usuarios.

La aparición de la IA agéntica y de los requisitos de IA constitucional intensificará esta especialización, creando interdependencias más profundas entre los centros de desarrollo de modelos fundacionales y los centros de implementación de aplicaciones. El éxito en la próxima década dependerá de la capacidad de las ciudades para sobresalir en los roles que han elegido, al tiempo que construyen alianzas estratégicas a lo largo de la cadena de valor.

Perspectivas estratégicas 2026-2030

Los cuatro imperativos críticos —implementación de la IA constitucional, optimización de la eficiencia, despliegue humano y equilibrio geopolítico— determinarán qué ciudades mantienen su liderazgo. Las ciudades que integren con éxito estos imperativos y fortalezcan sus ventajas especializadas se consolidarán como las capitales de la IA de la próxima década.

FUENTES Y REFERENCIAS

Índice

Fuentes de investigación

Top 10 de ciudades de IA