Enrique Dans

La inteligencia artificial ya no es solo una cascada de algoritmos entrenados con cantidades masivas de datos: se ha convertido en un fenómeno físico e de infraestructuras, cuyo futuro no vendrá determinado por nuevos récords en benchmarks, sino por realidades mucho más prosaicas: energía, geografía, regulación y la propia naturaleza de la inteligencia. Las empresas que no entiendan este cambio acabarán pilladas por sorpresa.

Los centros de datos fueron durante mucho tiempo los cuartos traseros estériles de Internet: importantes, pero invisibles. Hoy son el corazón palpitante de la inteligencia artificial generativa, los motores físicos que hacen posibles los grandes modelos de lenguaje. Pero ¿y si esos motores —y los modelos que alimentan— estuvieran alcanzando límites que no se pueden resolver simplemente con más capital, más centros de datos o chips más potentes?

En 2025 y 2026, cada vez más comunidades de todo Estados Unidos están empezando a oponerse activamente a la construcción de nuevos centros de datos. En lugares como Springfield, Loudoun County (Virginia) y varios más, los residentes y las autoridades locales han mostrado su rechazo a instalaciones gigantescas que consumen enormes cantidades de electricidad, alteran barrios enteros y tensionan redes eléctricas ya de por sí al límite. Estos conflictos no son anecdóticos: son una señal clara, un punto de fricción estructural en la expansión de la economía de la inteligencia artificial.

Al mismo tiempo, las compañías eléctricas advierten de una colisión inminente entre el apetito energético de la inteligencia artificial y el coste de la infraestructura necesaria para sostenerlo. Varios estados están considerando tarifas más altas para operaciones intensivas en datos, argumentando que el consumo masivo de energía de los centros de datos está alterando la economía de la distribución eléctrica, a menudo en perjuicio de los consumidores domésticos.

Esta fricción entre la resistencia local a los centros de datos, los límites físicos de la red eléctrica y la presión política sobre las utilities es algo más que un problema de planificación. Revela una verdad incómoda: la restricción más seria de la inteligencia artificial no es algorítmica, sino física.

Cuando la realidad irrumpe en el sueño de la inteligencia artificial

Durante años, la narrativa dominante en tecnología ha sido que más datos y modelos más grandes equivalen a mayor inteligencia. La lógica resultaba seductora: aumentamos los datos de entrenamiento, escalamos la capacidad de cálculo, y la inteligencia emergerá. Pero esa lógica se apoya en tres supuestos muy concretos:

• Que los datos siempre pueden recopilarse y procesarse a gran escala
• Que podemos construir todos los centros de datos que queramos y donde queramos
• Que los modelos basados en lenguaje pueden servir como sustitutos del entendimiento del mundo

El primero empieza a fallar. El segundo, como hemos visto, se topa con resistencias políticas y físicas. Y el tercero, la idea de que el lenguaje por sí solo puede modelar la realidad, se está desmoronando silenciosamente.

Los grandes modelos de lenguaje se entrenan con enormes corpus de texto generado por humanos. Pero ese texto no es un reflejo transparente de la realidad: es una destilación de percepciones, sesgos, omisiones y malentendidos filtrados por el uso humano del lenguaje. Parte de ese material es útil. Mucho del mismo es parcial, anecdótico o directamente erróneo. A medida que estos modelos crecen, sus datos de entrenamiento se convierten en la lente a través de la cual interpretan el mundo. Y en muchos casos, esa lente está inevitablemente distorsionada.

Esto es relevante porque el lenguaje no es la realidad: es una representación de narrativas individuales y colectivas. Un modelo de lenguaje aprende la distribución del lenguaje, no la estructura causal de los acontecimientos, ni la física del mundo, ni la riqueza sensorial de la experiencia vivida. Esta limitación se hará cada vez más evidente a medida que la inteligencia artificial se introduzca en ámbitos donde el contexto del mundo real, y no solo los patrones textuales, resulta esencial para el rendimiento, la seguridad y la utilidad práctica.

Una crisis estructural en ciernes

Nos acercamos a una paradoja inquietante: el propio éxito de la inteligencia artificial basada en modelos de lenguaje está conduciendo a su obsolescencia estructural.

Las organizaciones que invierten miles de millones en infraestructuras de inteligencia artificial generativa lo hacen bajo el supuesto de que modelos más grandes, con más parámetros y con más datos seguirán produciendo mejores resultados. Pero ese supuesto choca con tres límites emergentes:

• Restricciones energéticas y de localización. A medida que los centros de datos se enfrentan a la oposición de las comunidades y a los límites de la red eléctrica, la expansión de la capacidad de cálculo se ralentizará, especialmente en regiones sin excedentes energéticos ni sistemas de planificación sólidos.
• Fricción regulatoria. Los estados y los países regularán cada vez más el consumo eléctrico, las emisiones de los centros de datos y el uso del suelo, introduciendo nuevos costes y barreras para la infraestructura de inteligencia artificial.
• Y mi favorito, las limitaciones cognitivas de los grandes modelos de lenguaje. Los modelos entrenados exclusivamente con texto están alcanzando un techo en términos de comprensión real. Los próximos avances significativos exigirán sistemas que aprendan a partir de interacciones multimodales más ricas, entornos reales, datos sensoriales y retroalimentación causal estructurada, no solo de corpus textuales. El lenguaje por sí solo no desbloqueará una comprensión más profunda de las máquinas.

Esto no es únicamente una preocupación teórica. Se observa ya en las incoherencias de los modelos actuales: seguros de sí mismos cuando se equivocan, anclados en datos antiguos de cuando fueron originalmente entrenados e incapaces de razonar sobre los aspectos físicos o causales de la realidad. No son fallos puntuales: son restricciones estructurales.

Por qué esto es importante para la estrategia empresarial

Los directivos que siguen equiparando el liderazgo en inteligencia artificial con modelos más grandes y más capacidad en centros de datos están cometiendo un error estratégico fundamental. El futuro de la inteligencia artificial no vendrá definido por cuánta capacidad de cálculo tengas, sino por lo bien que integres la inteligencia con el mundo físico.

Sectores como la robótica, los vehículos autónomos, el diagnóstico médico, la modelización climática o la automatización industrial necesitan modelos capaces de razonar sobre causalidad, percibir entornos y aprender de la experiencia, no solo de patrones lingüísticos. Los ganadores en estos ámbitos serán quienes apuesten por sistemas híbridos que combinen lenguaje con percepción, corporeidad e interacción anclada en la realidad.

Conclusión: la realidad responde

La narrativa de que la inteligencia artificial es una frontera infinita ha resultado conveniente para inversores, periodistas y tecnólogos. Pero, como todas las narrativas poderosas, acaba chocando con el muro de la realidad. Los centros de datos están topándose con límites políticos y energéticos. Los modelos basados únicamente en lenguaje muestran sus fronteras. Y la idea de que escalarlo todo resuelve cualquier problema empieza a resquebrajarse.

El próximo capítulo de la inteligencia artificial no girará en torno a quién construye el modelo más grande. Girará en torno a quién entiende el mundo en toda su complejidad física, causal y corpórea, y quién construye sistemas verdaderamente anclados y basados en la realidad.

La innovación en inteligencia artificial se medirá cada vez menos por el tamaño de los centros de datos o el número de parámetros, y cada vez más por la capacidad de las máquinas para percibir, interactuar y razonar sobre el mundo real.

(This article was previously published on Fast Company)