2. La estructura de la industria: tres niveles de dependencia

La industria de la IA puede entenderse a partir de tres niveles interconectados:

1. Empresas líderes (OpenAI, Google DeepMind, Anthropic, Meta, etc.), que poseen la infraestructura, el capital y los modelos fundacionales.

2. Empresas prestadoras de servicios o integradoras, que dependen de los modelos anteriores y los adaptan a sectores específicos (salud, educación, marketing, etc.).

3. Empresas usuarias o dependientes, que necesitan estos servicios para mantener su competitividad, pero carecen de autonomía tecnológica.

Este esquema revela una asimetría económica y operativa: la mayoría de los actores del mercado dependen de unos pocos proveedores globales. Esa dependencia limita la innovación local y eleva los costos de sostenimiento, especialmente cuando los modelos demandan una enorme capacidad de cómputo y energía.

3. Los costos ocultos y la sostenibilidad económica

El entrenamiento de grandes modelos de lenguaje (LLMs) requiere millones de dólares, energía eléctrica intensiva y centros de datos especializados. Aunque las empresas líderes reportan ingresos crecientes, muchas no han alcanzado rentabilidad.
El costo por uso se disfraza bajo modelos de suscripción o licenciamiento, lo que camufla la insostenibilidad financiera de gran parte del ecosistema de IA.
Al mismo tiempo, los países con menor infraestructura tecnológica dependen de servicios externos, lo que genera una transferencia de valor hacia las economías más desarrolladas.

4. La brecha dentro de la brecha tecnológica

Más allá de la clásica división entre países desarrollados y en desarrollo, existe una brecha interna dentro de cada país: no todos los sectores, regiones o instituciones tienen igual acceso a la IA.
El Índice Latinoamericano de Inteligencia Artificial (ILIA) 2024-25 (CEPAL-CENIA) muestra que Chile, Uruguay y Costa Rica lideran en infraestructura tecnológica, mientras que gran parte de la región carece de capacidad de cómputo suficiente y de políticas nacionales robustas.
Esta desigualdad interna agrava las brechas de productividad, educación y digitalización, y consolida una dependencia estructural hacia proveedores extranjeros.

5. La colonización de datos: una nueva forma de dependencia

Uno de los aspectos más críticos en la sostenibilidad de la IA es la colonización de datos. Mientras las grandes potencias concentran infraestructura, algoritmos y propiedad intelectual, muchos países del Sur Global aportan los datos que nutren los modelos y la mano de obra digital encargada de su procesamiento.
Investigaciones recientes (Casilli et al., 2024; Tubaro et al., 2025) revelan que en países como Argentina, Brasil y Venezuela, miles de trabajadores realizan tareas esenciales de etiquetado, validación y limpieza de datos bajo condiciones de informalidad y bajos ingresos.
 

Estos países se convierten así en proveedores invisibles de materia prima digital, sin participación en los beneficios ni control sobre el uso posterior de los datos. El fenómeno constituye una forma contemporánea de extractivismo digital, donde la información —al igual que los recursos naturales en siglos pasados— se extrae sin regulación ni retorno justo. Además, esta dependencia de plataformas externas compromete la soberanía de datos, entendida como la capacidad de cada nación para gestionar, proteger y aprovechar la información generada por sus ciudadanos.

6. Adopción masiva sin control crítico

De acuerdo con un estudio de ESET Latinoamérica (2025), el 80 % de los usuarios en la región ya utiliza herramientas de IA en tareas cotidianas. Sin embargo, más de la mitad no verifica la información obtenida (La Cuarta, 2025). Este uso intensivo pero acrítico refleja una asimetría cognitiva: mientras el acceso es amplio, la comprensión de los riesgos, sesgos y privacidad es limitada. El resultado es una población digitalmente activa pero vulnerable ante algoritmos opacos y desinformación automatizada.

7. Riesgos sistémicos y posible estallido de la burbuja

La convergencia de tres factores —costos insostenibles, dependencia tecnológica y concentración de datos— podría llevar a una crisis estructural del sector. Si las empresas líderes no logran rentabilizar sus modelos y los países dependientes no construyen infraestructura propia, la IA podría enfrentar un colapso de confianza y accesibilidad. Más que una burbuja financiera, estaríamos ante una burbuja de desigualdad, donde los beneficios se concentran y las brechas se profundizan.

8. Conclusiones: hacia una IA sostenible y soberana

El debate sobre la “burbuja de la IA” no puede reducirse a una cuestión de inversión o rentabilidad. Debe incorporar una reflexión sobre la justicia digital, la soberanía de datos y la equidad en el acceso a la tecnología. Los países en desarrollo necesitan fortalecer sus políticas de datos abiertos, invertir en infraestructura de cómputo y promover alianzas regionales que reduzcan la dependencia de proveedores extranjeros. Solo así será posible pasar de un modelo extractivista a uno colaborativo y sustentable, donde la IA contribuya al desarrollo humano y no a la concentración del poder.

9. Bibliografía

• Casilli, A., Tubaro, P., Cornet, M., Le Ludec, C., Torres-Cierpe, J., & Viana Braz, M. (2024). Global Inequalities in the Production of Artificial Intelligence: A Four-Country Study on Data Work. arXiv:2410.14230.

• Tubaro, P., Fernández Massi, M., Longo, M., Torres-Cierpe, J., & Viana Braz, M. (2025). The digital labour of artificial intelligence in Latin America: a comparison of Argentina, Brazil, and Venezuela. arXiv:2502.06317.

• Ballari, D., Siabato, W., Claramunt, C., Mata, F., Zagal, J., & Franco, R. (2025). On the development of open geographical data infrastructures in Latin America: progress and challenges. arXiv:2501.13235.

• Data Sovereignty in Information Systems. Electronic Markets, 2024. Springer.

• Deconstructing the Normalization of Data Colonialism in Educational Technology. MDPI Education Sciences, 2024.

• CEPAL y CENIA. (2024). Índice Latinoamericano de Inteligencia Artificial (ILIA) 2024-2025.

• ESET Latinoamérica. (2025). El 80 % en América Latina ya utiliza IA, pero pocos verifican los datos. BA Negocios / La Cuarta.

• PNUD & Universidad de los Andes. (2025). La IA en gobiernos latinoamericanos: uso y desafíos.