Hay una sensación extraña flotando en el aire tecnológico de 2025. Usamos inteligencia artificial todos los días, pero cuando alguien pregunta cómo funciona realmente un modelo como GPT-4o o Gemini 2.5… hay un silencio incómodo. Un déjà vu.
Esto ya lo hemos vivido.
Durante años, el desarrollo de chips —los cerebros físicos de nuestros dispositivos— se convirtió en un terreno cada vez más inaccesible. Hoy, diseñar un procesador como el Apple M4 o una GPU como la NVIDIA Blackwell requiere equipos de miles de ingenieros, herramientas que solo existen en países concretos, y conocimientos que no caben ni en una carrera entera.
Ahora, esa misma complejidad se ha instalado en el corazón del software: los modelos de IA.
🧠 La inteligencia artificial como nueva caja negra
Entrenar un modelo de IA moderno implica una cadena de pasos que escapan al entendimiento del común de los mortales (y muchas veces, incluso de los propios ingenieros):
- Recopilación de datos en volúmenes planetarios.
- Entrenamiento distribuido en miles de GPUs simultáneas.
- Ajustes finos como RLHF, tuning multimodal, alineamiento y evaluación de comportamientos emergentes.
- Y una infraestructura técnica que hace palidecer a los supercomputadores de hace una década.
Lo que obtenemos es una “black box” brillante, funcional y adictiva, pero cada vez menos comprensible. Sabemos que responde bien, que genera, que predice, que conversa… pero no del todo cómo lo hace ni por qué lo hace así.
Igual que con los chips, estamos ante una tecnología que ya no podemos diseccionar en el garaje.
⚙️ Chips e IA: alquimia moderna
Los paralelismos son inquietantes. Tanto en IA como en el diseño de procesadores:
- La complejidad no se reduce, se esconde detrás de capas.
- El número de actores que pueden realmente innovar se reduce cada año.
- El conocimiento se convierte en capital estratégico, no en bien común.
- Y la dependencia del resto del mundo se profundiza.
En ambos casos, el conocimiento profundo ha dejado de ser accesible para la mayoría. Hemos pasado de la “época maker” a la “época de la fe técnica”.
🏢 Centralización, dependencia y brecha
La consecuencia más evidente: el poder tecnológico se está concentrando en unos pocos nodos globales. Empresas como OpenAI, Google DeepMind, Meta o NVIDIA ya no solo dominan el mercado: dominan el conocimiento operativo.
Mientras tanto, los demás —usuarios, desarrolladores independientes, pequeñas empresas, incluso gobiernos— dependen de estas tecnologías sin entender del todo su anatomía interna. Esto genera una nueva brecha:
- No es solo económica, es cognitiva.
- Y como toda brecha, puede llevar a asimetrías peligrosas: de poder, de control, de soberanía.
🧭 ¿Qué hacemos cuando no entendemos nuestros propios cerebros digitales?
En algún punto, la humanidad dejó de entender cómo funciona su tecnología más avanzada. No por ignorancia, sino por complejidad emergente. ¿Es esto inevitable? ¿O es simplemente el precio del progreso?
La buena noticia es que hay movimientos que intentan abrir de nuevo las puertas:
- Modelos open source como Mistral, Qwen, LLaMA o Phi.
- Chips modulares y accesibles como los basados en RISC-V.
- Comunidades como HuggingFace, EleutherAI o RedPajama que democratizan el acceso al conocimiento.
Pero la tendencia dominante sigue siendo clara: cuanto más poderosa es la herramienta, menos transparente resulta su fabricación.
🧩 ¿Y si llega el día en que nuestros modelos sean tan complejos que ya nadie los entienda del todo?
Esa es la pregunta que nos deja este nuevo ciclo tecnológico. Si los modelos y chips ya no pueden ser comprendidos por individuos, sino solo por ecosistemas enteros, ¿a qué estamos renunciando?
Quizá, como en la Edad Media, estemos entrando en una nueva era de alquimia digital. Solo que ahora, los magos llevan bata de laboratorio y trabajan en laboratorios de silicio.
