Desarrollo de capacidades nacionales en IA: invertir localmente, colaborar globalmente.

Calista Redmond, vicepresidenta de Iniciativas Globales de IA, Nvidia

Calista Redmond es vicepresidenta de Iniciativas Globales de IA en NVIDIA, donde lidera colaboraciones estratégicas con diversas regiones, socios del ecosistema y grupos de productos para impulsar programas nacionales de IA en todo el mundo. Antes de incorporarse a NVIDIA, Calista ocupó el cargo de directora ejecutiva (CEO) de RISC-V International, impulsando la adopción global de la arquitectura de conjunto de instrucciones abierta RISC-V en la industria, el ámbito académico y el sector público. Previamente, trabajó durante más de una década en IBM desempeñando cargos directivos, incluida la vicepresidencia del ecosistema IBM Z y la dirección de iniciativas de código abierto como Open Mainframe Project, OpenPOWER y OpenDaylight. En una etapa anterior de su trayectoria profesional, Calista fue emprendedora y participó en la creación de cuatro empresas tecnológicas exitosas. Posee títulos de la Universidad de Michigan y de la Universidad Northwestern, y reside en Washington D. C.

El auge de la IA nacional

El debate sobre la IA a nivel nacional se ha intensificado recientemente. ¿Qué está impulsando esa urgencia?

La IA generativa ha transformado verdaderamente el valor estratégico en este ámbito. Los datos nacionales y empresariales se convierten en la materia prima para la productividad y la competitividad industrial. La urgencia de la situación deriva del riesgo de dependencia. Si un país enfrenta dificultades para acceder, ajustar, auditar u operar sistemas de IA que cumplan con sus normativas locales —y, en su lugar, se ve obligado a adoptar la cobertura lingüística, los criterios normativos y los niveles de servicio de terceros—, tanto la IA generativa como la IA de inferencia se ven afectadas.

La transición de las pruebas de concepto y la experimentación a la integración de la IA en flujos de trabajo críticos eleva el nivel de exigencia. Ahora entran en juego factores como la ubicación de los datos, la procedencia del modelo, la ciberseguridad, la auditoría y otros controles operativos; en definitiva, se configura una visión estratégica integral de dicho valor. En esencia, todo se reduce a fomentar un ecosistema local y a garantizar el acceso a la capacidad de cómputo.

¿Cómo concibe NVIDIA su papel en este panorama?

Cada nación necesita desarrollar su propia capacidad nacional de IA. Esto significa que los países deben ser capaces de generar inteligencia utilizando sus propios datos, infraestructura, fuerza laboral y redes empresariales. Ya no se trata simplemente de consumidores de inteligencia producida en otros lugares; deben poder aprovechar el potencial de la IA para generar inteligencia significativa que impulse el progreso de sus países.

NVIDIA está presente para apoyar a los gobiernos y a sus actores nacionales clave: desarrolladores locales de modelos, empresas emergentes y líderes industriales consolidados. Realmente se requiere integrar todos los componentes de la arquitectura tecnológica, desde los distintos niveles de infraestructura y energía hasta los modelos de lenguaje de gran tamaño (LLM) y las aplicaciones orientadas a los objetivos específicos que se persiguen. Un primer paso habitual consiste en desarrollar un modelo local que incorpore datos y conocimientos especializados de la región, refleje las características geográficas y sectoriales propias, y se sustente en una infraestructura de categoría mundial. Es ahí donde unimos fuerzas y adoptamos un enfoque colaborativo.

Cada nación necesita desarrollar su propia capacidad nacional de IA.

Desarrollar una IA nacional

Si estuvieras asesorando a un gobierno sobre cómo desarrollar capacidades nacionales de IA desde cero, ¿cuáles serían los pilares fundamentales?

Lo abordo desde seis áreas.

En primer lugar, los datos. Es fundamental contar con conjuntos de datos nacionales y sectoriales de alta calidad, fiables y con los permisos adecuados, incluyendo los derechos de propiedad intelectual y las normas para compartir datos. La calidad de los datos de entrada es clave.

En segundo lugar, la capacidad de cómputo y la infraestructura. Se requiere la capacidad de combinar computación acelerada, redes y almacenamiento con fuentes de energía limpia, seguridad y la orquestación que las naciones necesitan para el entrenamiento, el ajuste fino (fine-tuning) y la simulación de cargas de trabajo.

En tercer lugar, los modelos. Yo ampliaría este concepto más allá de un único modelo local para abarcar una cartera de modelos abiertos, comerciales y entrenados o ajustados localmente. Esto permite elegir el modelo adecuado según la carga de trabajo y optimiza el uso de tokens.

En cuarto lugar, el software. Esto implica disponer de las herramientas adecuadas para personalizar, evaluar, establecer salvaguardas, desplegar y gestionar todo lo relacionado con dichos modelos. Aquí es donde entra en juego la orquestación.

En quinto lugar, las aplicaciones y los agentes. Las aplicaciones pueden abarcar servicios al ciudadano, detección de fraude, salud pública, aduanas y asistentes de IA (copilotos) para la administración tributaria. En el ámbito gubernamental, muchas de estas aplicaciones buscan mejorar la eficiencia. Los agentes van un paso más allá y pueden potenciar las capacidades de una nación mediante gemelos digitales, logística, meteorología y agricultura. Son iniciativas que los gobiernos respaldan no solo por la eficiencia operativa, sino también para fortalecer a la nación.

En sexto lugar, las personas y los ecosistemas. En los países con los que interactúo, un tema recurrente es el desarrollo de la fuerza laboral y el fomento del talento. Ese talento surge de la alfabetización en IA —para que cada disciplina adopte la IA como parte de su labor— y de ingenieros y desarrolladores de IA que crean capacidades en startups y enriquecen el ecosistema. Parte de la labor gubernamental en este ámbito consiste en transformar los resultados universitarios y de investigación en soluciones comercializables.

Si analizamos estos seis puntos en conjunto, el enfoque es: «invertir localmente, colaborar globalmente». Se necesita fortaleza y capacidad a nivel local, pero también una participación global —en comunidades de desarrolladores, cadenas de suministro, resiliencia y mercados— para poder aprovechar el valor económico de esa inversión local.

¿Cuál es el enfoque de gobernanza adecuado para los países que desean tener control sobre los modelos y flujos de trabajo de IA, en particular aquellos que dependen de modelos de frontera que no les pertenecen?

El desafío de la gobernanza está pasando de centrarse en la calidad del contenido a centrarse en la calidad de la acción. Los agentes ahora pueden planificar, invocar herramientas, acceder a sistemas y desencadenar acciones posteriores. La gobernanza debe abarcar todo el flujo de trabajo, no solo el contenido que se genera.

Esto requiere un enfoque de riesgos escalonado. Los agentes de bajo riesgo pueden operar con un alto grado de automatización; por ejemplo, en un flujo de trabajo de revisión de documentos, pueden procesar información rápidamente y señalar únicamente las anomalías. Los agentes de alto impacto requieren aprobación humana, separación de funciones, verificaciones de cumplimiento de políticas y medidas claras de rendición de cuentas. El objetivo es lograr la automatización y la intervención humana en los niveles adecuados.

Entre los controles fundamentales se incluyen el acceso privilegiado a herramientas, los permisos basados ​​en roles, los entornos de ejecución aislados (sandboxes), los puntos de control con intervención humana en etapas críticas y las disciplinas más tradicionales: registros de auditoría, equipos de pruebas de intrusión (red teams) y capacidad de reversión. Estos conceptos no son nuevos en el desarrollo de software; la novedad radica en aplicarlos a los flujos de trabajo de IA y verificar continuamente el cumplimiento de las normas.

El desafío de la gobernanza está pasando de la calidad del contenido a la calidad de la acción.

¿Ralentiza la regulación la innovación?

Todo depende de la calidad de la regulación. Una buena regulación acelera la adopción y la innovación, mientras que una regulación confusa o deficiente las ralentiza.

Una regulación positiva genera confianza, aporta claridad en los procesos de contratación y establece un lenguaje común para la implementación en los sectores público y privado. Cuando todos conocen las reglas y el marco de trabajo, resulta más sencillo ponerse en marcha. La clave reside en definir requisitos basados ​​en el riesgo y orientados a resultados, en lugar de imponer normas prescriptivas. Es fundamental centrarse en aspectos críticos como la seguridad, la capacidad de auditoría y la residencia de los datos, evitando limitarse a un único enfoque técnico estático. Cabe considerar herramientas como los entornos de pruebas regulatorios (sandboxes), las arquitecturas de referencia validadas y las vías de certificación. ¿Qué métodos y procedimientos pueden servir de estándar para acelerar la puesta en producción, garantizando al mismo tiempo la protección de los ciudadanos y las empresas?

Lo contrario también es cierto: unos requisitos confusos o inadecuados pueden obligar a adoptar una arquitectura de uso exclusivo local para todas las cargas de trabajo, impedir la elección de modelos o hacer imposible el cumplimiento normativo, especialmente para las startups y las pymes. El principio rector debería ser facilitar la construcción correcta de los sistemas, en lugar de permitir operaciones sin gobernanza o dejar la resolución de estos aspectos para una etapa posterior.

Una buena regulación acelera la adopción y la innovación. Una regulación confusa o deficiente las ralentiza.

¿Qué importancia estratégica tiene la infraestructura de computación para un país que persigue ambiciones en materia de IA?

La capacidad de cómputo es fundamental. Los datos y el talento no pueden convertirse en una fortaleza o capacidad nacional sin acceso a dicha capacidad de cómputo. Se requiere cómputo para el entrenamiento, el ajuste, la simulación y la inferencia. Si el talento local carece de acceso, o si no es posible procesar los datos locales utilizando esos recursos de cómputo, la capacidad de innovación se verá frenada. En realidad, la capacidad de cómputo es el factor determinante de quién puede experimentar, quién puede desarrollar modelos lingüísticos locales y quién puede desplegar servicios de baja latencia y operar sistemas de IA a gran escala.

Fomentar líderes locales —ya sean creadores de modelos, desarrolladores de aplicaciones o empresas que aplican la IA a sectores industriales existentes— resulta crucial para la competitividad y el progreso de un país. La capacidad de cómputo constituye la base de todo ello.

No todas las cargas de trabajo requieren sistemas de vanguardia a gran escala, pero todos los países necesitan un plan escalonado. Trabajo con países que cuentan con centros de producción de IA a escala nacional, complementados con capacidad de centros de datos empresariales, acceso a la nube e infraestructura de borde (edge). Es fundamental considerar la infraestructura y los modelos adecuados para afrontar el desafío en cuestión. Al tomar estas decisiones con criterio, una nación puede desarrollar una infraestructura de IA muy similar a un servicio público esencial.

No todas las cargas de trabajo requieren sistemas a escala de frontera.

Fábricas de IA e infraestructura nacional

Utiliza con frecuencia el término «fábrica de IA». ¿Qué distingue a una fábrica de IA de un centro de datos convencional?

Un centro de datos tradicional es más bien un lugar donde se procesa información de forma rutinaria. Una fábrica de IA, en cambio, produce inteligencia; genera una inteligencia a la que antes no se podía acceder. Los datos ingresan, se ejecutan modelos y agentes a gran escala y, como resultado, se obtiene información digital útil.

Una fábrica de IA está diseñada específicamente para este fin e integra cinco capas —lo que denominamos la estructura de «pastel de cinco capas»—: energía, chips, infraestructura, modelos y aplicaciones. Los gobiernos suelen concebirla como una fábrica de IA pública, como una implementación local (on-premises) para gestionar cargas de trabajo gubernamentales o como una nube local que presta servicios a incubadoras, empresas industriales, pymes y startups de su jurisdicción.

Se convierte en infraestructura crítica cuando empieza a dar soporte a cargas de trabajo intersectoriales; por ejemplo, en los ámbitos de servicios públicos, ciberseguridad, sanidad, industria manufacturera, agricultura o transporte. Si la economía de un país se sustenta en sectores clave como la manufactura, la agricultura o el textil, interesa que estos formen parte de lo que el gobierno respalda a este nivel. Además, su optimización difiere de la de un centro de datos convencional: se ajusta con precisión a un flujo de trabajo o modelo concreto, prioriza la eficiencia energética y opera de manera segura y continua.

¿Qué papel desempeñan los ecosistemas abiertos en el desarrollo de capacidades nacionales en IA?

Siempre que hablo con un desarrollador, una empresa, un país o una ciudad, fomento la colaboración. En esta etapa, nadie debería trabajar en solitario ni empezar desde cero. En prácticamente todos los sectores existe ya una base de partida en IA —aplicaciones de las que aprender y sobre las que construir— y gran parte de estos recursos son abiertos.

Los ecosistemas abiertos reducen fundamentalmente la dependencia de un único proveedor. Los equipos locales pueden examinar, adaptar, comparar y mejorar su propio trabajo. Pueden tomar modelos abiertos e incorporar en ellos su propio idioma, legislación, cultura y sectores industriales, reflejando así las capacidades nacionales en materia de IA. Estos modelos y herramientas abiertos facilitan el ajuste fino para idiomas locales, la técnica RAG (generación aumentada por recuperación), la investigación académica y la experimentación por parte de empresas emergentes.

Los países se fortalecen técnicamente cuando colaboran con sus pares, aprenden conjuntamente y aceleran el desarrollo de sus propias capacidades técnicas. Cabe aclarar que “abierto” no significa un entorno sin control ni normas. Los países siguen necesitando gestionar aspectos como las licencias, la procedencia, los análisis de seguridad y los mecanismos de salvaguardia para garantizar que el despliegue se ajuste a sus objetivos. En NVIDIA somos firmes defensores de los ecosistemas abiertos y amplios. Un aspecto clave de este enfoque es utilizar el modelo adecuado para cada flujo de trabajo: no siempre se requiere un modelo de frontera, y el ajuste fino resulta fundamental para cualquier carga de trabajo.

Los ecosistemas abiertos reducen fundamentalmente la dependencia de un único proveedor.

¿Cuáles son los mayores conceptos erróneos con los que se encuentra cuando los líderes piensan en una estrategia nacional de IA?

La idea errónea más extendida es que contar con capacidad nacional de IA implica desarrollar todo de forma aislada o adquirir un único modelo nacional. Un enfoque más adecuado se basa en los conceptos de capacidad y control. Los datos, la capacidad de cómputo y los modelos operan dentro de un ecosistema más amplio que integra componentes locales y se beneficia de la fortaleza de una comunidad global.

La segunda idea errónea es considerar que la IA es meramente software. La IA a escala nacional constituye una infraestructura que abarca la energía, el desarrollo de la fuerza laboral, la contratación y la disciplina operativa. Este es un aspecto fundamental que debe tenerse en cuenta.

La mayor idea errónea es que la capacidad nacional de IA implica construirlo todo por cuenta propia o comprar un único modelo nacional.

El tercer punto es la afirmación de que la gobernanza ralentiza la innovación. De hecho, una gobernanza adecuada acelera la adopción. Brinda a los ciudadanos, a los reguladores y a otras partes interesadas la confianza necesaria para utilizar la IA en flujos de trabajo de alto valor. Todos comenzamos utilizando la IA para planificar vacaciones y ahora la empleamos para fundamentar decisiones y resultados empresariales. La IA no es simplemente una aplicación que se implementa; es un nuevo sistema de producción, una nueva plataforma sobre la cual es posible acelerar la innovación e impulsar el crecimiento económico. Eso es mucho más que una aplicación.

Si tuviera que sintetizar sus consejos para un líder de política nacional de IA en tres prioridades, ¿cuáles serían?

En primer lugar, seleccione entre tres y cinco misiones de alto valor. No aplicaciones, sino misiones. Analice los conjuntos de datos e identifique casos de uso con resultados medibles, como los tiempos de respuesta en servicios al ciudadano, la detección de fraudes o la resiliencia de la cadena de suministro. Elabore una hoja de ruta de colaboración que identifique a las partes interesadas clave y defina los hitos que se pueden celebrar y los resultados que cabe esperar.

En segundo lugar, desarrolle un plan para una «fábrica de IA» segura. Comprenda los distintos niveles, el enfoque híbrido y los controles de datos, y comience la implementación. Sin acceso a capacidad de cómputo, se limitan la innovación, la utilidad y los flujos de trabajo.

En tercer lugar, integre la IA responsable en el modelo operativo desde el principio. Esto abarca la evaluación de modelos, los mecanismos de salvaguarda, los puntos de control con supervisión humana y las normas de adquisición que exigen rendición de cuentas. Considere qué implica la IA responsable para el talento y la fuerza laboral, así como las medidas de responsabilidad asociadas al despliegue.

Y si hay un mensaje fundamental, es este: invierta a nivel local, pero actúe con una perspectiva global.