Más allá de ChatGPT: el mapa real de países que ya compiten en IA de verdad

El mapa que no ves porque siempre miras el mismo sitio

Hay una cosa que hacemos todos y que nadie reconoce: cuando necesitamos un modelo de IA, abrimos ChatGPT, quizás Claude, y si nos sentimos aventureros ese día, probamos Gemini. Y ya. El resto (que incluye modelos que en ciertos benchmarks les pasan por encima) queda en un cajón marcado como "ya lo probaré algún día".

Yo mismo lo hago. No he probado en profundidad la mayoría de los modelos que están ahí fuera, especialmente opciones poco conocidas de países que no son EE.UU. o China. Siempre termino en los mismos nombres, y hay una razón para eso: cuando algo funciona y está integrado en tu flujo de trabajo, el coste de cambiar es alto aunque el nuevo candidato sea objetivamente mejor en lo que necesitas.

El problema es que esa inercia te hace invisible una transformación que el Stanford AI Index 2026 documenta con datos duros: el monopolio americano sobre los LLMs de vanguardia ya no existe. Y entender por qué, y quién está compitiendo de verdad, cambia bastante cómo deberías pensar en qué herramientas y qué capacidades desarrollar.

El número que lo resume todo: 2,7%

Según el Stanford AI Index 2026 (que analiza rendimiento usando la escala de Arena, básicamente un ranking de preferencia humana sobre respuestas de modelos) la brecha entre el mejor modelo americano y el mejor modelo chino es de 39 puntos. Claude Opus 4.6 está en 1.503 puntos; dola-seed-2.0-preview, de China, en 1.464.

Un 2,7% de diferencia.

Para que eso tenga contexto: hace tres años esa brecha era tan grande que comparar modelos chinos con los americanos de frontera era casi un ejercicio académico. Ahora es una diferencia que en muchas tareas prácticas no se nota.

DeepSeek ha entrado en el top 10 global de instituciones que producen IA de primer nivel, junto con Alibaba, Tsinghua University y ByteDance. Cuatro de los diez actores más relevantes del mundo en desarrollo de modelos son chinos. El informe también señala que en 2025, EE.UU. lanzó 50 modelos notables y China 30, según Epoch AI. No es paridad en volumen, pero es una concentración de calidad que hace tres años no existía.

En abril de 2026, DeepSeek lanzó V4-Pro y V4-Flash. V4-Pro afirma superar a todos los modelos abiertos en matemáticas y codificación, y quedar solo por detrás de Gemini 3.1-Pro (modelo cerrado) en conocimiento general. Su rendimiento está descrito como "marginalmente por debajo" de GPT-5.4, con un retraso estimado de 3 a 6 meses respecto a la frontera. Eso no es un modelo de segunda división. Es un competidor directo al que la mayoría de los usuarios occidentales no ha dado ni una oportunidad.

"El monopolio americano sobre los LLMs avanzados ya no existe. El ranking de quién gana depende de la métrica que uses."

Cómo China convirtió una limitación en ventaja estructural

La inversión privada en IA de EE.UU. es 12 veces la de China. Eso es un hecho. La inversión global en IA empresarial alcanzó los 581.700 millones de dólares en 2025, con EE.UU. representando casi la mitad, según el Stanford AI Index. China no puede competir en ese tablero.

Así que cambió el tablero.

DeepSeek salió de Hangzhou en enero de 2025 afirmando costes de entrenamiento inferiores a 6 millones de dólares. Esa cifra fue contestada por analistas (hay estimaciones que la multiplican por varios factores) y es importante no darla por buena sin matices. Pero incluso si el coste real fuera el doble o el triple, seguiría siendo una fracción de lo que OpenAI o Google gastan en sus modelos de frontera.

El mecanismo no es magia. Es estructura de costes. Ingenieros de IA en China cobrando alrededor de 57.000 dólares anuales frente a las cifras americanas (que en roles senior en San Francisco superan los 400.000 con stock incluido), electricidad subvencionada en varias provincias y suelo más barato para centros de datos. El resultado es un coste por parámetro entrenado notablemente inferior.

China también ha desplegado más de 85 supercomputadoras públicas de IA, más del doble que Norteamérica, según los datos recogidos en el informe. Eso es infraestructura soberana que no depende de contratar capacidad a AWS o Azure. Y más del 80% de los lugares de trabajo chinos usan IA, frente al 58% global. La adopción empresarial es masiva, al menos en el sector privado.

Pero aquí está el matiz que los datos de rendimiento no cuentan.

El talón de Aquiles que los benchmarks no miden

Los benchmarks son excelentes para medir lo que los benchmarks miden. El problema es que los benchmarks no miden todo.

El Stanford AI Index 2026 documenta algo que llaman "jagged frontier" (frontera irregular): el mejor modelo disponible tiene solo un 50,1% de precisión leyendo relojes analógicos. Las tareas domésticas reales tienen una tasa de éxito del 12% en entornos reales, frente al 89,4% en laboratorio usando el benchmark RLBench. La IA sobresale en tareas formales y falla en habilidades cotidianas que cualquier humano resuelve sin pensar.

Eso afecta a todos los modelos, no solo a los chinos. Pero las grandes corporaciones chinas, especialmente las estatales, frenan la automatización porque la cultura organizacional premia plantillas enormes y cambios lentos. Tienes modelos de primer nivel con una base de clientes corporativos que no los adopta a la velocidad que los datos de infraestructura sugerirían.

Es la tensión central del caso chino: capacidad tecnológica de frontera, adopción estructuralmente frenada por incentivos organizacionales que van en dirección contraria.

Y esto conecta directamente con el sesgo que mencionaba al principio. No es un problema exclusivamente chino. También es el tuyo y el mío. La inercia de quedarse en los modelos conocidos no es irracionalidad; es el comportamiento racional de alguien que ya tiene flujos de trabajo funcionando y no quiere romperlos para probar algo que quizás sea un 15% mejor en un benchmark que no es exactamente el de tu caso de uso.

Si te interesa entender por qué ese sesgo existe y qué implica para elegir modelos, la frontera dentada de la IA lo desarrolla bien.

La geopolítica de los chips: el único vector donde EE.UU. manda de verdad

Si la brecha de rendimiento se ha reducido al 2,7%, ¿qué le queda a EE.UU. como ventaja real?

Dos cosas: capital y control de la cadena de suministro de cómputo.

La capacidad global de cómputo para IA ha crecido 3,3 veces por año desde 2022, aumentando 30 veces desde 2021. NVIDIA acapara más del 60% de esa capacidad. Y casi todos los chips de alto rendimiento para IA vienen fabricados en TSMC, empresa taiwanesa. Dos cuellos de botella que EE.UU. controla (o sobre los que ejerce presión) y que son el límite real de lo que China puede hacer a escala.

Jensen Huang de NVIDIA lo formuló sin ambigüedad en 2025: restringir chips a China solo acelera su desarrollo local, porque las empresas allí son capaces y están decididas. Las restricciones de exportación empujan a China a desarrollar chips propios (Huawei lleva años en ello) con la consecuencia de que el monopolio tecnológico americano en semiconductores podría tener fecha de caducidad.

El caso DeepSeek-R1, en enero de 2025, fue llamado el "momento Sputnik de la IA" por Marc Andreessen precisamente porque demostró que se podía hacer algo competitivo con hardware restringido. Si eso es sostenible a la escala de los modelos más grandes es otra pregunta, pero el principio está demostrado.

Hay un coste que nadie estaba midiendo en este contexto, y que el informe de Stanford pone sobre la mesa: el entrenamiento de modelos de frontera genera emisiones enormes. xAI Grok 4 se estima en 72.000 toneladas de CO2 equivalente (Epoch AI lo sitúa en 140.000), frente a las 5.184 de GPT-4. Eso es un aumento de un orden de magnitud en pocos años. La carrera de escalado tiene un precio ambiental que nadie ha resuelto todavía, y que afecta tanto a EE.UU. como a China.

Más del 90% de los modelos sale de empresas. Eso cambia el juego.

Hay un dato del informe que pasa desapercibido y que explica mucho sobre el ritmo actual del sector: más del 90% de los 95 modelos más representativos de 2025 provienen de la industria, no de la academia o el gobierno.

Eso significa que los ciclos de lanzamiento se han comprimido a meses, que la investigación de punta está ocurriendo dentro de empresas con incentivos comerciales directos, y que la academia (que históricamente ponía el freno de velocidad y el rigor metodológico) ha quedado desplazada.

El SWE-bench Verified, que mide corrección de bugs de software real, pasó del 60% al casi 100% en un año. Terminal-Bench subió del 20% al 77,3%. Los benchmarks de codificación están saturándose, lo que fuerza la creación de pruebas más difíciles para seguir midiendo diferencias reales. Cuando los modelos se acercan al 100% en un benchmark, ese benchmark deja de ser útil para distinguir entre ellos.

La concentración en pocas empresas (cuatro de los diez actores globales más relevantes son chinos; el resto son americanos, con alguna excepción) plantea una pregunta que el informe no responde directamente: ¿qué pasa con el resto del mundo?

El resto del mundo: los jugadores que nadie mira

Europa, que no aparece en el top 10 de instituciones que producen modelos notables, lleva años debatiendo soberanía de datos y regulación mientras otros construyen los modelos que después van a usar. El AI Act tiene coherencia regulatoria pero no produce LLMs de frontera. Con una excepción notable.

🇫🇷 Francia, el único europeo que juega en serio

Mientras Europa debatía papeles y regulaciones, un grupo de ex-investigadores de DeepMind y Meta en París se puso a construir modelos. El resultado es Mistral AI, fundada en 2023, y es la única empresa europea que tiene algo que decir en la conversación global de LLMs de verdad.

Mistral 7B llegó en septiembre de 2023 y fue un golpe en la mesa: un modelo de 7.000 millones de parámetros que superaba en benchmarks a modelos americanos mucho más grandes. La demostración de que el tamaño no lo es todo, y de que la eficiencia de arquitectura importa más de lo que el sector quería admitir.

Desde entonces, Mistral ha lanzado Mixtral (su arquitectura de Mixture of Experts, que mezcla varios modelos especializados para dar respuestas), Mistral Large y Mistral Small, con versiones de código abierto y versiones comerciales. La estrategia es clara: open source como táctica de distribución, API comercial como negocio, y soberanía europea como argumento de venta para gobiernos e instituciones que no quieren depender de servidores americanos.

¿Cómo de buenos son? Mistral Large compite en la liga de GPT-4o y Claude 3.5 Sonnet en muchos benchmarks. No es el mejor modelo del mundo, pero está en la conversación real, no en la de los proyectos de soberanía lingüística que básicamente son glorias nacionales con rendimiento de segunda. En código y matemáticas, los modelos Mistral especializados (como Codestral) son competidores serios para casos de uso concretos. Es el único proyecto europeo que ha levantado financiación a escala (más de 1.000 millones de euros en rondas conocidas) y tiene clientes reales pagando por la API.

"Mistral es lo más parecido que tiene Europa a un competidor real. No está en la frontera de GPT-5 o Claude Opus, pero está en la misma liga. El resto del continente, por ahora, no."

🇦🇪 Emiratos Árabes Unidos, el dinero de Medio Oriente puesto a trabajar

El gobierno emiratí ha metido miles de millones a través del Technology Innovation Institute (TII) en Abu Dabi. El resultado es Falcon, una familia de modelos de código abierto que compite directamente con Llama de Meta. Es uno de los pocos proyectos de código abierto fuera de EE.UU. y China que tiene músculo real detrás, tanto económico como de infraestructura soberana.

¿Cómo de buenos son? Falcon compite en la liga de Llama: útil para despliegues propios, especialmente en contextos donde el árabe o el inglés formal son el idioma de trabajo. No está en la frontera de GPT-5 o Claude Opus, pero para muchos casos de uso corporativo la diferencia es irrelevante y la ventaja de tener pesos abiertos es muy real.

🇰🇷 Corea del Sur, soberanía e infraestructura propia

Corea es de los pocos países con un digital gigante que no depende de Google: su motor de búsqueda local (Naver) dominó durante décadas, y ese músculo se trasladó al desarrollo de IA adaptada a su idioma y cultura. El resultado es HyperCLOVA (y su sucesor HyperCLOVA X), desarrollado por Naver.

¿Cómo de bueno es? HyperCLOVA X destaca en coreano con una comprensión cultural y lingüística que los modelos americanos no replican bien. Para tareas en inglés o castellano, los modelos de frontera americanos le ganan. Pero para empresas que operan en Corea, es la referencia local.

🇩🇪 Alemania, apuesta por la soberanía antes que por los benchmarks

Aunque Mistral en Francia se lleva los focos cuando se habla de IA europea seria, Alemania tiene en Aleph Alpha una de las apuestas de soberanía de datos más consecuentes del continente. Su familia de modelos Luminous está pensada para empresas e instituciones europeas que no pueden o no quieren enviar datos a servidores americanos. Además, en Alemania nació LAION, la organización que entrenó los datos detrás de Stable Diffusion.

¿Cómo de buenos son? Luminous no compite en benchmarks de frontera con GPT-4o o Claude. Su propuesta de valor no es "mejor modelo del mundo" sino "modelo europeo, con datos en Europa, auditables y sin dependencia americana". Para sectores regulados (salud, finanzas, administración pública) eso tiene un precio que muchas empresas están dispuestas a pagar.

🇮🇱 Israel, densidad de ingeniería convertida en producto

Con una densidad de ingenieros altísima, Israel ha producido AI21 Labs, que desarrolla los modelos Jurassic (Jurassic-1 y Jurassic-2). Competidores directos en generación de texto comercial y razonamiento.

¿Cómo de buenos son? Jurassic-2 fue durante un tiempo una alternativa seria a GPT-3.5 para casos de uso de texto empresarial. Desde la llegada de GPT-4 y Claude 3, ha perdido terreno en benchmarks de frontera, pero AI21 Labs ha pivotado hacia herramientas específicas de escritura corporativa donde su enfoque más estrecho les da ventaja frente a modelos generalistas.

🇬🇧 Reino Unido, investigación pura con raíces londinenses

Google compró DeepMind (creadores de AlphaGo y los modelos Gemini de investigación científica), y aunque técnicamente es ahora una división de Google, sigue operando fuertemente desde Londres con equipos británicos. En el lado independiente, Stability AI (creadores de Stable Diffusion para imágenes) nació en Londres, con un modelo de distribución abierta que cambió las reglas del juego en generación de imágenes.

¿Cómo de buenos son? En imágenes, Stable Diffusion sigue siendo la referencia de código abierto. Para texto, el británico independiente es más delgado: DeepMind es potencia de investigación pero su impacto llega integrado en los productos de Google, no como modelos independientes.

🇯🇵 Japón, modelos adaptados a su cultura

Japón sufrió al principio porque los modelos americanos no entendían bien las sutilezas del idioma japonés. Empresas de telecomunicaciones y tecnología se unieron para cambiar eso. NTT y SoftBank han desarrollado modelos propios diseñados específicamente para el mercado japonés, y Pangu (con colaboración asiática más amplia) también tiene presencia en la región.

¿Cómo de buenos son? Para japonés, estos modelos superan claramente a los americanos en comprensión cultural y lingüística. Para cualquier otra cosa, el japonés todavía no ha producido un competidor de frontera en inglés o tareas generales. El enfoque es deliberadamente local.

🇨🇦 Canadá, los pioneros académicos que se pusieron a vender

Gran parte de la tecnología que hace funcionar a ChatGPT o DeepSeek se inventó en Canadá (con pioneros como Yoshua Bengio en Montreal). La empresa más relevante que ha salido de ese ecosistema es Cohere, fundada por ex-investigadores de Google en Toronto, con su familia de modelos Command.

¿Cómo de buenos son? Command está muy enfocado en texto corporativo y procesamiento de documentos empresariales. No es el modelo más potente en benchmarks generales, pero en recuperación de información, síntesis de documentos largos y casos de uso RAG tiene un rendimiento muy competitivo. Es uno de los pocos modelos fuera del eje principal que tiene tracción real en empresas Fortune 500.

🇪🇸 España, el proyecto ALIA: soberanía lingüística con rendimiento de fontanería

El gran salto de España se llama ALIA. Es una familia de modelos fundacionales de lenguaje de código abierto creados bajo la Estrategia Nacional de Inteligencia Artificial, con un objetivo claro: que empresas e instituciones no dependan de modelos en inglés adaptados al español. ALIA está entrenado desde cero no solo en castellano, sino también en las lenguas cooficiales (catalán, gallego, euskera y valenciano).

El Gobierno ya lo está integrando en proyectos piloto concretos: herramientas para agilizar la atención ciudadana en la Agencia Tributaria y sistemas de diagnóstico precoz de insuficiencias cardíacas en la sanidad pública.

¿Cómo de bueno es? Seamos directos: ALIA es malo. En código es notablemente inferior a cualquier modelo de frontera. En matemáticas, ni hablamos. Un chatbot determinista bien diseñado con reglas fijas haría mejor que ALIA muchas de las tareas para las que se está desplegando en administración pública. No es que esté "en otra liga": es que en benchmarks que midan algo más que comprensión básica de texto en español, los resultados son los que son.

Su razón de existir no es el rendimiento, es la soberanía: datos en servidores españoles, lenguas cooficiales que los modelos americanos ignoran sistemáticamente, código abierto para que la administración no dependa de una API de San Francisco. Eso es legítimo como objetivo de política pública. Pero no confundamos eso con competir tecnológicamente. ALIA es un proyecto de infraestructura lingüística soberana, no un competidor de modelos de IA. Llamarlo de otra forma sería hacerle un flaco favor.

Nada de esto sería posible sin el MareNostrum 5, uno de los superordenadores más potentes de Europa, ubicado en el Barcelona Supercomputing Center (BSC). La infraestructura es real y seria. El modelo que ha salido de ella, por ahora, no está a la altura de esa infraestructura.

El ranking por países: dónde está cada uno

No hay un ranking limpio porque cada proyecto juega en una liga distinta. Pero si tuvieras que situar a cada uno respecto a la frontera americana (GPT-5, Claude Opus 4, Gemini 3.1-Pro), esto es lo que dicen los datos disponibles:

País	Modelo principal	Liga	Ventaja real
🇨🇳 China	DeepSeek V4-Pro	Frontera (3-6 meses detrás)	Coste, open source, matemáticas y código
🇫🇷 Francia	Mistral Large / Mixtral	Segunda línea seria	Único europeo competitivo, open source, soberanía
🇦🇪 EAU	Falcon	Liga Llama (segunda línea)	Código abierto, árabe, soberanía
🇨🇦 Canadá	Cohere Command	Segunda línea (texto corporativo)	RAG, documentos empresariales
🇮🇱 Israel	Jurassic-2	Segunda-tercera línea	Texto comercial, nicho empresarial
🇩🇪 Alemania	Luminous	Tercera línea (por diseño)	Soberanía europea, sectores regulados
🇬🇧 Reino Unido	Stable Diffusion (imágenes)	Frontera en su dominio	Imágenes open source; texto más débil
🇰🇷 Corea del Sur	HyperCLOVA X	Local (coreano)	Excelente en coreano, débil fuera
🇯🇵 Japón	NTT/SoftBank models	Local (japonés)	Excelente en japonés, débil fuera
🇪🇸 España	ALIA	Soberanía lingüística	Español con contexto cultural y lenguas cooficiales; rendimiento general pobre

Lo que dice el mapa: China es el único competidor que juega en la misma liga que EE.UU. en rendimiento general. Francia, con Mistral, es el único europeo que ha construido algo técnicamente competitivo a escala. El resto ha encontrado su hueco: soberanía de datos (Alemania, España, Corea, Japón), código abierto con músculo financiero real (EAU), especialización en texto corporativo (Canadá) o dominio en modalidades concretas (Reino Unido en imágenes). España está en el grupo de soberanía, no en el de competitividad técnica, y mezclar las dos cosas es el error que algunos comunicados oficiales llevan cometiendo desde el lanzamiento.

El patrón es claro: cuando no puedes ganar en la liga de los chips y el capital americano, juegas en la liga donde el conocimiento local es una ventaja defensible que un modelo generalista de San Francisco no puede replicar fácilmente. En esa liga, algunos de estos proyectos ganan. Otros simplemente existen para que el gobierno de turno no tenga que explicar por qué su administración pública corre sobre servidores de Microsoft.

Latinoamérica: el caso extremo de la brecha

La región representa el 1,12% del gasto mundial en IA en 2025, a pesar de tener el 6,6% del PIB global. México y Brasil lideran en proyectos y financiamiento dentro de la región, pero la escala es incomparable con los actores principales.

Lo interesante no es el porcentaje de gasto (que es simplemente una consecuencia de la distribución histórica del capital tecnológico) sino el modelo que algunas startups latinoamericanas están usando para competir de todas formas. Kilimo en riego agrícola, NotCo en alimentos vegetales, Rappi en logística urbana: todas han atraído inversión internacional con una combinación de enfoque en problemas locales con impacto global, alianzas estratégicas y demostración temprana de ROI (se cita un retorno de 3,50 dólares por cada dólar invertido en los casos documentados). No es competir en el desarrollo de modelos de frontera; es encontrar el nicho donde el conocimiento local es una ventaja defensible que los modelos genéricos americanos o chinos no pueden replicar fácilmente.

Chile, Brasil y Uruguay lideran el Índice Latinoamericano de Inteligencia Artificial 2025 en integración de IA en empresas y políticas públicas. Argentina aparece en el sexto puesto, detrás de Colombia y Costa Rica. El informe advierte que la región enfrenta limitaciones serias en retención de talento especializado: los ingenieros de IA bien formados tienen ofertas globales y la capacidad de trabajar en remoto para empresas americanas o europeas que pagan en dólares o euros.

Qué cambia en la práctica si empiezas a mirar más allá de los mismos nombres

El argumento no es que debas abandonar ChatGPT o Claude. El argumento es que la inercia de quedarte en los dos o tres nombres conocidos tiene un coste de oportunidad que ahora es medible.

Si el 90% de tus tareas de IA son generación de texto, síntesis de documentos o código en lenguajes populares, probablemente la diferencia entre el modelo número 1 y el número 8 del ranking sea irrelevante para ti. Pero si tienes casos de uso específicos (matemáticas, código en dominios concretos, análisis de datos estructurados), los datos sugieren que modelos como DeepSeek V4-Pro tienen rendimiento comparable a la frontera americana en esas áreas, con la ventaja adicional de ser de acceso abierto en sus versiones principales.

Si operas en un sector regulado en Europa y tus datos no pueden salir de servidores europeos, tienes dos opciones reales: Mistral, que da rendimiento competitivo con soberanía europea, o Luminous, que prioriza la soberanía sobre el rendimiento. Para la mayoría de casos de uso serios, Mistral es la opción obvia. Si tu empresa trabaja en japonés o coreano, los modelos de NTT o Naver no son exóticos: son mejores para tu caso de uso concreto. Si construyes en español con matices culturales y necesitas despliegue soberano en España, ALIA existe y es código abierto, pero entra con las expectativas ajustadas: no es Claude ni DeepSeek, y para tareas que requieran razonamiento real te va a decepcionar.

La soberanía técnica no es solo un problema de gobiernos. Es también un problema de empresas que han construido dependencias críticas en APIs de un solo proveedor sin evaluar alternativas. Cuando ese proveedor cambia precios, depreca modelos o interrumpe el servicio (algo que ocurre con regularidad en el sector) el coste de cambiar es alto precisamente porque nunca se invirtió en entender las alternativas.

Más del 80% de los 95 modelos más representativos de 2025 carecen de código público, según el informe. Eso significa que la distinción entre "modelo abierto" y "modelo cerrado" requiere verificación caso a caso; no basta con que una empresa diga que su modelo es open source para asumir que tienes acceso real a los pesos y puedes desplegarlo donde quieras.

La guerra de la IA no es la del modelo más potente: es la del coste por token. Y en esa guerra, entender el mapa completo (no solo los dos o tres nombres que tu feed de LinkedIn menciona cada semana) es la diferencia entre tomar decisiones técnicas con criterio o seguir pagando la cuenta gorda sin saber si hay alternativa.

El estado real de la competencia en 2026

EE.UU. sigue produciendo más modelos de primer nivel y patentes de mayor impacto. China lidera en volumen de publicaciones, citas, patentes totales e instalación de robots industriales (295.000 en 2024, frente a 44.500 de Japón y 34.200 de EE.UU.). La competencia es multidimensional y cada potencia tiene fortalezas en ejes distintos.

Francia ha demostrado que Europa puede producir algo técnicamente serio si hay ingenieros buenos, financiación real y la voluntad de competir en lugar de regular. Mistral es la prueba. El resto del continente, por ahora, está en la liga de la soberanía, no en la de la competitividad.

Lo que ha desaparecido es la narrativa simple de "EE.UU. hace los mejores modelos de IA y el resto del mundo los usa". Esa narrativa ya no describe la realidad de 2026, y probablemente tampoco describía bien la de 2025.

La pregunta relevante no es quién gana la carrera de la IA. Es qué tipo de dependencias estás construyendo hoy, con qué proveedores, y si esas dependencias tienen sentido cuando la frontera técnica se ha distribuido de una forma que hace 24 meses nadie hubiera predicho con certeza.