IA soberana: Construir ecosistemas para la resiliencia estratégica y el impacto

Descargo de responsabilidad: Este artículo es descriptivo y analítico. No ofrece asesoramiento en materia de políticas, regulación ni seguridad nacional, y no recomienda estrategias nacionales específicas. Los ejemplos se incluyen para ilustrar patrones de ecosistema y no deben interpretarse como respaldos ni prescripciones.

La inteligencia artificial (IA) soberana está pasando de ser un debate de política pública a convertirse en un imperativo económico y estratégico. En gobiernos, empresas e inversionistas, los líderes consideran cada vez más que la propiedad de las capacidades de IA es central para la competitividad económica, la resiliencia estratégica y la confianza social.

Sin embargo, a pesar de esta urgencia, muchas iniciativas de IA soberana se están estancando y no logran ofrecer los resultados esperados. En este artículo, analizamos cómo se están llevando a cabo los esfuerzos de IA soberana y qué distingue a los ecosistemas soberanos que consiguen traducir la intención en una adopción a escala y una ventaja duradera. Basándonos en una encuesta global a empresas, proveedores, gobiernos e inversionistas,¹Tech: Forward, “The sovereign AI agenda: Moving from ambition to reality” (“La agenda de la IA soberana: pasar de la ambición a la realidad”), McKinsey, 18 de diciembre de 2025. examinamos luego los roles que deben desempeñar los diferentes actores, los desafíos que enfrentan, los modelos de asociación que consistentemente obtienen mejores resultados y una hoja de ruta práctica para construir capacidades de IA soberana que se potencien con el tiempo.

La IA soberana se refiere a la capacidad de una nación u organización para desarrollar y controlar sus propias capacidades de IA con el fin de garantizar la independencia estratégica y la alineación con los valores y leyes nacionales. Dicho esto, la IA soberana no tiene una única definición; más bien, es el resultado de la interacción entre cuatro componentes distintos:

• territorial: dónde residen físicamente los datos y la capacidad de cómputo
• operativo: quién gestiona y protege los datos y la capacidad de cómputo
• tecnológico: quién posee la pila tecnológica subyacente y la propiedad intelectual
• legal: qué jurisdicción rige el acceso y el cumplimiento normativo

Vista de esta manera, la IA soberana se concibe mejor como un espectro de posibles soluciones distribuidas a lo largo de diferentes niveles de soberanía, en función de las partes interesadas y de las circunstancias locales (Gráfica 1).

Como resultado, la IA soberana representa una de las mayores oportunidades dentro de la IA. McKinsey estima que entre el 30 y 40 por ciento del gasto en IA podría verse influido por requisitos de soberanía. Esto representaría un mercado de aproximadamente $500 mil a $600 mil millones de dólares a nivel global para 2030 (Gráfica 2).

Pero aprovechar esa oportunidad implica afrontar un desafío de ejecución muy específico: el éxito en la IA soberana no se logra mediante una única decisión de política pública, un contrato de nube o el anuncio de un “modelo nacional”. En cambio, la soberanía se entiende mejor como un esfuerzo de ecosistema que conecta múltiples capas —energía, capacidad de cómputo, datos, modelos, plataformas en la nube y aplicaciones— en un sistema coherente, gestionando la fragmentación en términos de propiedad, modelos operativos y responsabilidad, con compensaciones explícitas y decisiones deliberadas sobre lo que realmente debe ser soberano.

El ecosistema de IA soberana: Pasar de “activos soberanos” a “activos y resultados soberanos”

Para los líderes empresariales y los responsables de políticas públicas, un punto de partida útil es cambiar la forma en que conciben la IA soberana. Muchas iniciativas se centran en los insumos —como las unidades de procesamiento gráfico (graphics processing units, GPU), los centros de datos, las regiones de nube y los anuncios de modelos nacionales— y, aunque estos insumos importan, el verdadero valor reside en los resultados a largo plazo, como la resiliencia estratégica, la autonomía, la captura de valor económico y mejores resultados sociales.

Un ecosistema soberano eficaz no es necesariamente aquel en el que todo se construye a nivel nacional. Más bien, es aquel en el que los puntos clave de control son soberanos por diseño, incluso si otros elementos de la pila pueden permanecer abiertos a asociaciones, interoperabilidad y competencia. Nuestro análisis muestra que los ecosistemas más eficaces operan con el principio de “soberanía mínima suficiente” mediante una regla de decisión repetible: clasificar las cargas de trabajo según la importancia de las cuestiones regulatorias y la exposición a terceros, y luego asignar un nivel de soberanía con requisitos explícitos de residencia de datos, propiedad de claves y controles de acceso.

Distintas jurisdicciones están abordando la IA soberana a través de diferentes arquetipos de ecosistema. Incluso las jurisdicciones con capacidades avanzadas rara vez son autosuficientes en todas las capas y, a menudo, dependen de proveedores externos en al menos parte de la pila (en particular en hardware y capacidad de cómputo avanzada). A continuación, se presentan algunos de los enfoques que estamos observando:

• Centros integrales y potencias de IA de frontera. En este modelo, operadores privados de centros de datos construyen capacidad masiva preparada para IA con el fin de atraer a hiperescalares (proveedores globales de nube con capacidad de cómputo a gran escala) y laboratorios de IA de frontera, habilitando ecosistemas de entrenamiento a gran escala e inferencia avanzada.
• Liderado por el Estado con ejecución en centros de datos o en la nube. Este enfoque está liderado por el Estado para mantener la capacidad de cómputo, los datos y la propiedad intelectual de los modelos bajo control nacional para cargas de trabajo estratégicas y del sector público. Proveedores locales de nube y centros de datos ejecutan la expansión de la capacidad de cómputo soberana y de las plataformas de datos conforme a los requisitos estatales.
• Desarrollo de modelos liderado por la investigación y la política pública. Encabezado por instituciones de investigación y responsables de políticas públicas, los incentivos regulatorios y estatales orientan el desarrollo de modelos nacionales y el acceso a datos conforme a la normativa, mientras que los ecosistemas de nube y centros de datos proporcionan entornos de confianza para que la capacidad de cómputo para investigación permita poner en operación modelos desarrollados localmente.
• Adopción liderada por la industria e impulsada por el cómputo y el hardware. En este enfoque, proveedores de centros de datos y actores de la nube se asocian con empresas locales y con líderes del ecosistema de chips y semiconductores para crear plataformas regionales habilitadas para IA.
• Centros regionales habilitados por políticas públicas con fuerte demanda local o regional. En este modelo, las políticas públicas permiten la obtención ágil de permisos, el acceso a la energía y los incentivos a la inversión, y los operadores de centros de datos construyen y agregan capacidad preparada para IA para atender la demanda del sector público y de empresas regionales y atraer inquilinos ancla.

Incluso en medio de estas diferencias, los ecosistemas eficaces de IA soberana tienden a compartir un conjunto común de características:

• Un ancla impulsada por la demanda y una adopción sectorial. Los líderes comienzan agrupando las fuentes de demanda (como servicios al ciudadano, resultados en salud, integridad financiera, protección de infraestructuras críticas y productividad industrial). Esto implica un cambio explícito en la demanda del sector público: los gobiernos alinean la contratación, el financiamiento y los mandatos operativos con la estrategia de IA soberana, actuando como clientes ancla.
• La infraestructura de IA soberana como pilar clave habilitado por insumos fundamentales. Los ecosistemas sólidos suelen contar con una base profunda de capacidad de cómputo dentro del país: centros de datos, clústeres de GPU de alta densidad, plataformas de nube, cables submarinos y redes de baja latencia que alojan y ejecutan cargas de trabajo de IA. Esta base de cómputo se sustenta en recursos físicos que hacen viable la infraestructura: energía confiable y asequible, energía verde, tierras y agua.
• Una base clara de soberanía y una arquitectura de referencia. Dado que la soberanía es multidimensional, los ecosistemas eficaces codifican lo que debe ser soberano en una arquitectura de referencia con un conjunto de puntos de control no negociables: clasificación de datos y usos permitidos; cifrado y propiedad de claves; identidad y acceso, registro, y monitoreo, gestión del riesgo de modelos y evaluaciones; y respuesta a incidentes y vías legales de acceso.
• Gobernanza de datos, políticas y estándares confiables. La gobernanza, las políticas y los estándares constituyen una fuerza habilitadora que configura la velocidad y la escala mediante la asignación de tierras y energía, las reglas de importación y exportación de capacidad de cómputo, los incentivos y los marcos de gobernanza que atraen demanda e inversión.
• Un ecosistema de datos y una estrategia pragmática de modelos modulares. La localización mantiene los datos “dentro”, pero no los hace automáticamente utilizables. Los ecosistemas soberanos sólidos construyen productos de datos y mecanismos de intercambio: estándares interoperables y consorcios sectoriales que incrementan la cantidad y la calidad de los datos para entrenamiento y ajuste fino. En cuanto a los modelos de IA, la propiedad genera independencia, pero llevar los mejores modelos de IA al país a menudo implica ceder control. Como resultado, los países están adoptando cada vez más una estrategia por capas: aprovechar modelos globales de frontera cuando es posible y desarrollar o ajustar modelos de dominio y lenguaje donde las necesidades de soberanía y el valor son mayores.
• Capital que corresponde al perfil de riesgo de la pila. El financiamiento impulsa el despliegue y la innovación, con mecanismos que abarcan incentivos públicos, capital de riesgo y capital privado para infraestructura, start-ups y adopción empresarial. La energía y los centros de datos requieren capital a largo plazo (patient), de tipo infraestructura; los modelos y plataformas necesitan capital de crecimiento con tolerancia al riesgo; y las aplicaciones y la integración requieren vías de capital de riesgo y capacidades de adopción empresarial. Los ecosistemas líderes alinean los instrumentos de capital con cada capa.
• Talento local que se atrae o se desarrolla. La disponibilidad de talento en IA se está convirtiendo rápidamente en un recurso escaso, lo que exige una rápida mejora de las competencias (upskilling). Esto incluye una inversión sostenida en educación, recapacitación (reskilling) y programas de aprendizaje continuo que preparen a los trabajadores para nuevos roles creados por la integración de la IA.

En conjunto, estos siete elementos describen no una lista de verificación, sino los componentes de un sistema. Los ecosistemas eficaces son aquellos que tratan la soberanía como un problema de diseño coordinado, alineando estos componentes de modo que cada uno refuerce a los demás.

Los roles que importan en los ecosistemas exitosos: Gobiernos, proveedores, empresas e inversionistas

La construcción de un ecosistema de IA soberana requiere coordinación entre cuatro grupos distintos: los gobiernos configuran la confianza, las reglas y la demanda; los proveedores crean la tecnología y las plataformas subyacentes; las empresas convierten la infraestructura en valor económico real; y los inversionistas aportan el capital y la tolerancia al riesgo necesarios para escalar.

A continuación, analizamos cada rol, basándonos en los resultados de nuestra encuesta para destacar las restricciones específicas y las acciones necesarias para pasar de proyectos piloto fragmentados a resultados a escala.

Gobiernos: Actuar como orquestadores, inversionistas, reguladores y clientes ancla

Los gobiernos tienen una capacidad única para transformar ambiciones fragmentadas en ejecución coordinada y, por lo tanto, desempeñan un papel central en el liderazgo de los ecosistemas.

Los gobiernos establecen los parámetros de la soberanía. Definen qué cargas de trabajo requieren una soberanía fuerte (por ejemplo, defensa, datos sensibles de ciudadanos e infraestructuras críticas), cuáles pueden utilizar modelos híbridos y cuáles pueden seguir siendo en gran medida globales. Luego traducen esas decisiones en controles accionables (como la clasificación de datos, la auditabilidad y la propiedad de las claves). Al crear regímenes de certificación, los gobiernos pueden ayudar a estandarizar lo que significa “de confianza” para que las industrias reguladas puedan adoptar rápidamente y de forma repetida.

Los gobiernos también agregan demanda para crear un efecto volante (flywheel) de adopción. La demanda del sector público puede agruparse en marcos plurianuales anclados en un número reducido de proveedores interoperables y a escala para justificar la inversión inicial.

Los gobiernos también catalizan la oferta mediante la habilitación de políticas públicas y la inversión dirigida. Asimismo, los responsables de políticas pueden desbloquear capacidad acelerando la obtención de permisos y la preparación de la red eléctrica para desarrolladores de infraestructura a escala, permitiendo la planeación energética a largo plazo para cargas de IA.

Proveedores de tecnología: Construir capacidades, localizar la confianza y asociarse para ganar legitimidad

Los proveedores abarcan hiperescalares, proveedores locales de nube, neoclouds (proveedores emergentes de nube enfocados en cargas de trabajo de IA), operadores de centros de datos, empresas de telecomunicaciones, desarrolladores de modelos e integradores. Los ecosistemas líderes rara vez eligen entre hiperescalares o proveedores locales; en su lugar, diseñan arquitecturas en las que cada uno compite y colabora en la capa donde tiene ventaja.

Los resultados de nuestra encuesta destacan una tensión central que los proveedores deben gestionar. Si bien la mayoría de los líderes empresariales consideran que la IA soberana es estratégicamente importante, la soberanía por sí sola rara vez impulsa la decisión de cambiar de proveedor, una decisión que sigue estando dominada por el precio, el rendimiento y la fiabilidad (Gráfica 3). Esto no indica una demanda débil de opciones soberanas. Más bien, refleja la manera en que las empresas operacionalizan el riesgo: la soberanía importa más para un subconjunto específico de cargas de trabajo, aquellas que involucran datos sensibles, exposición regulatoria o servicios críticos.

De hecho, las ofertas de IA soberana se perciben como entre un 10 y 30 por ciento más costosas que las alternativas globales (Gráfica 4). Existen casos y situaciones en los que los actores de IA soberana pueden resultar más ventajosos que las alternativas globales, pero estos actores deberán educar a los clientes sobre estas situaciones y argumentar cuándo se justifica pagar una prima.

Para los proveedores, la implicación es clara. La demanda de IA soberana es real, pero selectiva. La soberanía se vuelve comercialmente relevante cuando reduce claramente el riesgo o permite el despliegue en entornos regulados, y no cuando se comercializa como una característica general. En la práctica, esto significa que los proveedores tienen éxito cuando traducen los requisitos de soberanía a nivel de ecosistema en ofertas concretas y fáciles de adoptar para las empresas a nivel de cargas de trabajo, y no cuando piden a los clientes que asuman por sí mismos la complejidad o la incertidumbre.

Empresas: Crear demanda, aportar datos e industrializar la adopción.

Las empresas son los motores de demanda que convierten la soberanía en valor económico a escala. En los ecosistemas líderes, las empresas reguladas y las entidades de propiedad estatal actúan como inquilinos ancla que justifican inversiones a nivel de todo el ecosistema.

El interés empresarial en las capacidades de IA soberana está ahora generalizado, pero, aunque la mayoría lo incluye en sus hojas de ruta para 2026, pocas compañías cuentan con una estrategia detallada, un plan de acción, presupuestos y una clasificación de cargas de trabajo (Gráfica 5).

Esta falta de preparación operativa también ayuda a explicar por qué las migraciones hacia la nube soberana y la IA suelen tardar entre tres y cuatro años (Gráfica 6). Estos plazos no están impulsados principalmente por limitaciones tecnológicas, sino que reflejan el trabajo organizativo necesario para trasladar cargas de trabajo reguladas. Por lo tanto, la adopción de IA soberana es una transformación plurianual, no un simple cambio de proveedor.

Al mismo tiempo, los largos plazos de migración no deben interpretarse como una falta de capacidad técnica. Los proveedores soberanos y locales igualan cada vez más a las alternativas globales en niveles de servicio, especialmente en las capas inferiores de la pila de IA (Gráfica 7).

Las migraciones de IA soberana son lentas no porque la tecnología sea inmadura, sino porque las empresas tienen dificultades para decidir dónde la soberanía realmente importa y para adaptar sus modelos operativos en consecuencia. Como resultado, los proveedores podrían considerar abordar la soberanía como una decisión de portafolio en lugar de como una ideología, segmentando las cargas de trabajo en soberanas, híbridas y globales. Esto evita debates de “todo o nada” y acelera los plazos hacia la generación de valor, mientras la soberanía se profundiza con el tiempo. Aquellos que buscan capitalizar la demanda de soberanía también podrían invertir en el verdadero cuello de botella: la preparación de los datos y la resolución del modelo operativo. Esto implica construir productos de datos con operaciones de aprendizaje automático que puedan abarcar entornos soberanos y no soberanos. Por último, pueden contribuir a dar forma al ecosistema, uniéndose a consorcios sectoriales, actuando como adoptantes tempranos y clientes de referencia, evolucionando los procesos de contratación y codesarrollando aplicaciones y modelos de dominio con proveedores y start-ups para acelerar la innovación local.

Inversionistas: Aportar el capital, gestionar el riesgo de precios y acelerar la escala

La IA soberana se está convirtiendo en un tema de inversión importante para los inversionistas a nivel mundial, especialmente entre los fondos soberanos, lo que está dando lugar a un aumento esperado en los mandatos de inversión en IA soberana y en los activos bajo gestión.

La IA soberana abarca diversas clases de activos: energía, bienes inmuebles, centros de datos, conectividad, servicios en la nube, desarrollo de modelos, software de aplicaciones, ciberseguridad e integración. Los inversionistas son clave porque pueden ayudar a las organizaciones a superar el “valle de incertidumbre” antes de que se demuestre la utilización, y la mayoría espera que sus inversiones aumenten a lo largo de toda la pila, especialmente en las capas superiores.

En todas las capas, los inversionistas más eficaces hacen especialmente bien dos cosas. En primer lugar, respaldan proyectos con demanda real y reglas claras, en lugar de grandes anuncios o despliegues especulativos. En segundo lugar, ayudan a las empresas a crecer y a salir para que la innovación local pueda escalar en lugar de estancarse.

Modelos de asociación con mejor desempeño

En distintos mercados, varias estructuras de asociación pueden llevar a los ecosistemas de IA soberana de pilotos a una expansión a escala. Estos modelos tienen éxito porque alinean los incentivos de los actores públicos y privados y reducen la fricción en la adopción.

Zonas de IA soberana con controles estandarizados

En este modelo, entornos integrados combinan energía, capacidad de cómputo, conectividad segura y controles de cumplimiento en un único marco operativo. Al estandarizar de antemano la seguridad, la residencia de datos y los requisitos de auditoría, estas zonas reducen el tiempo de incorporación y permiten a las empresas y a los proveedores desplegar cargas de trabajo de forma repetida en lugar de mediante excepciones puntuales.

Los ejemplos incluyen zonas de nube soberana ofrecidas por hiperescalares en Europa y Oriente Medio, así como zonas nacionales de IA o de nube que agrupan infraestructura certificada con controles regulatorios preaprobados.

Agregación de demanda y compromisos de compra

Se trata de marcos plurianuales que consolidan la demanda del sector público y de industrias reguladas para crear cargas de trabajo predecibles. Cuando se combinan con procesos de contratación acelerados y vías claras de escalamiento, la agregación de demanda transforma la intención de política pública en una utilización financiable.

Los ejemplos incluyen la Empresa Común EuroHPC, donde la demanda pública coordinada respalda la capacidad compartida de supercomputación e IA, con marcos liderados por el gobierno que anclan las primeras cargas de trabajo de IA en salud, defensa o servicios públicos.

Modelos operativos conjuntos para entornos soberanos

En este modelo, estructuras de control compartido definen claramente quién opera la infraestructura, quién controla el acceso y el cifrado, y cómo se gestionan los incidentes y el cumplimiento normativo. Estos modelos ofrecen un enfoque híbrido entre entornos totalmente gestionados por el Estado y entornos totalmente gestionados por proveedores.

Algunos ejemplos son las empresas conjuntas de nube soberana, como Bleu en Francia, que combina control operativo local con tecnología de hiperescalares globales bajo una gobernanza claramente definida.

Adaptación de modelos y consorcios de datos

Los acuerdos de colaboración pueden agrupar datos, financiamiento y demanda para desarrollar o ajustar modelos específicos por dominio y por idioma. Los gobiernos suelen establecer los estándares de gobernanza y evaluación, mientras múltiples proveedores compiten en la capa de aplicaciones.

Los ejemplos incluyen iniciativas de modelos abiertos y semiabiertos como BLOOM –un gran modelo de lenguaje creado por el taller BigScience con 176 mil millones de parámetros y entrenado para dar soporte a 46 lenguas naturales y 13 lenguajes de programación–, así como consorcios nacionales de modelos lingüísticos o sectoriales.

Financiamiento combinado para las capas iniciales

Las estructuras de financiamiento pueden combinar capital público con inversión privada para respaldar activos con largos periodos de recuperación, como la energía, los centros de datos y las plataformas fundamentales. La participación pública ayuda a reducir los riesgos del despliegue inicial, con una vía hacia condiciones comerciales a medida que la utilización escala.

Algunos ejemplos son la coinversión pública en hubs nacionales de cómputo y fábricas de IA, que a menudo se combina con compromisos de compra a largo plazo por parte del gobierno o de industrias reguladas.

En todos estos modelos, el hilo conductor es la orquestación. Las asociaciones obtienen mejores resultados cuando la responsabilidad de alinear incentivos, eliminar fricciones y convertir la ambición soberana en ejecución es explícita en lugar de asumida.

Hoja de ruta práctica: Tres olas de construcción del ecosistema

En la práctica, los ecosistemas exitosos de IA soberana tienden a surgir a través de tres olas superpuestas, en lugar de una construcción única y lineal.

La primera ola se centra en establecer la base y desbloquear la demanda inicial. Los líderes clarifican qué cargas de trabajo requieren realmente controles soberanos, traducen esas decisiones en mecanismos de gobernanza y contratación, y lanzan un número reducido de casos de uso emblemáticos lo suficientemente grandes como para justificar la inversión inicial. El objetivo no es la completitud, sino la credibilidad: crear evidencia temprana de que los entornos soberanos pueden operar de manera fiable, segura y a escala.

La segunda ola se enfoca en escalar la infraestructura compartida y los ecosistemas de datos. Con señales de demanda ya establecidas, los ecosistemas amplían la capacidad de cómputo y de energía en condiciones financiables, industrializan los modelos operativos e invierten en productos de datos específicos por sector y en mecanismos de intercambio de datos acordes a la ley. Es en esta fase donde muchas iniciativas fracasan al intentar escalar la infraestructura sin haber resuelto previamente las restricciones de gobernanza, modelo operativo y talento.

La tercera ola construye una ventaja duradera y capacidades exportables. Los ecosistemas profundizan la especialización en dominios seleccionados, apoyan un panorama competitivo de proveedores y permiten que start-ups e integradores escalen. En esta etapa, las capacidades de confianza se convierten no solo en habilitadores nacionales, sino también en fuentes de diferenciación regional o global.

El modo de fallo más común es la secuenciación incorrecta: invertir fuertemente en activos compartidos antes de que la demanda y la gobernanza estén listas, o perseguir ambiciones de liderazgo global sin contar con los datos, la adopción y las bases operativas necesarias para sostenerlas.

En última instancia, la IA soberana no se trata de una independencia de pila completa. Es una apuesta de ecosistema. Aquellos que orquesten sistemas coherentes —en los que la soberanía se aplique de manera deliberada en puntos de control críticos, y en los que los gobiernos, proveedores, empresas e inversionistas alineen incentivos— convertirán la infraestructura en capacidades de confianza y estas capacidades de confianza en resultados a escala.