La clave

La rivalidad entre Estados Unidos y China en inteligencia artificial ya no puede explicarse solo como una carrera por crear el modelo más avanzado.

Esa sigue siendo una parte esencial de la competición. Pero la nueva pregunta estratégica es más incómoda: ¿quién puede ofrecer inteligencia artificial suficientemente buena, a gran escala y a un coste asumible?

Durante los últimos años, Estados Unidos ha dominado la frontera de la IA gracias a una combinación difícil de replicar: capital privado masivo, grandes plataformas tecnológicas, talento global, liderazgo en chips avanzados, capacidad de computación y modelos cerrados de muy alto rendimiento.

Pero China está cambiando los términos de la competición.

Sus modelos no siempre son los mejores en términos absolutos, pero algunos se acercan mucho a la frontera y lo hacen con una ventaja cada vez más importante: menor coste, mayor apertura y una integración creciente con su propia infraestructura tecnológica.

La IA, por tanto, ya no es solo una carrera científica. Es una carrera industrial.

Y en una carrera industrial no basta con llegar primero: también hay que fabricar, desplegar, escalar y monetizar.

🟢 IA como tecnología estratégica: la capacidad avanza muy rápido y la brecha entre EE. UU. y China se reduce en modelos, costes y aplicaciones.

🟡 Rentabilidad de la IA: el potencial es enorme, pero el retorno económico del gasto masivo en infraestructura aún debe demostrarse en muchas capas del mercado.

🟡 Chips y software: Nvidia mantiene una posición dominante, pero China intenta construir una pila alternativa con Huawei, Ascend, CANN, MindSpore y modelos abiertos.

🔴 Europa: cuenta con talento, industria, regulación y activos críticos como ASML o IMEC, pero no controla todavía una pila completa de IA comparable a la estadounidense o china.

 

La brecha ya no es la que era

Durante la primera fase de la inteligencia artificial generativa, la pregunta dominante era sencilla: ¿quién tiene el mejor modelo?

Esa lógica favorecía claramente a Estados Unidos. OpenAI, Anthropic, Google, Meta y Microsoft se situaron en el centro de la conversación global. Los modelos frontera requerían enormes cantidades de datos, talento, computación y capital. Y en todos esos frentes, el ecosistema estadounidense partía con ventaja.

Pero la situación se ha estrechado mucho más rápido de lo previsto.

Stanford HAI, en su AI Index Report 2026, lo formula de manera directa: la brecha de rendimiento entre modelos estadounidenses y chinos “se ha cerrado efectivamente”. Según el informe, desde comienzos de 2025 los modelos de ambos países han intercambiado posiciones de liderazgo, y en marzo de 2026 el mejor modelo de Anthropic lideraba al mejor modelo chino por solo un 2,7%.

Ese dato no significa que China haya superado a Estados Unidos en todo. Estados Unidos sigue produciendo más modelos top, más patentes de alto impacto y conserva una ventaja clara en inversión privada, centros de datos, chips avanzados y grandes plataformas de distribución.

Pero sí significa algo muy relevante: la carrera ya no es una autopista con un único líder. Es una competición mucho más cerrada, con estrategias diferentes.

Estados Unidos compite desde la frontera. China compite desde la eficiencia.

El dato que cambia la conversación: el precio

La comparación más llamativa no está solo en los benchmarks. Está en los precios.

OpenAI sitúa GPT-5.5 en torno a 5 dólares por millón de tokens de entrada y 30 dólares por millón de tokens de salida. Anthropic ofrece Claude Fable 5 y Mythos 5 a 10 dólares por millón de tokens de entrada y 50 dólares por millón de tokens de salida.

Frente a eso, Z.ai ofrece GLM-5.2 a 1,40 dólares por millón de tokens de entrada y 4,40 dólares por millón de tokens de salida. DeepSeek V4 Pro se mueve en 0,435 dólares por millón de tokens de entrada y 0,87 dólares por millón de tokens de salida. DeepSeek V4 Flash baja todavía más: 0,14 dólares por millón de tokens de entrada y 0,28 dólares por millón de tokens de salida.

La comparación no debe hacerse de forma mecánica, porque no todos los modelos tienen la misma calidad, latencia, consumo de tokens de razonamiento, contexto, seguridad o fiabilidad. Pero aun con esa cautela, la diferencia es demasiado grande para ignorarla.

En precio de salida, GLM-5.2 es aproximadamente 6,8 veces más barato que GPT-5.5. DeepSeek V4 Pro es unas 34 veces más barato. DeepSeek V4 Flash supera las 100 veces de diferencia.

Esa es la pregunta industrial de fondo: ¿qué ocurre si un modelo chino ofrece el 85% o 90% de la capacidad de un modelo frontera estadounidense, pero a una fracción del coste?

Para muchas empresas, el mejor modelo del mundo no siempre será la mejor solución. En un entorno real de negocio importan otras variables: coste por consulta, coste por millón de tokens, privacidad de datos, posibilidad de despliegue propio, adaptación a procesos internos, dependencia del proveedor, idioma, latencia, seguridad y facilidad de integración.

La frontera técnica sigue siendo relevante. Pero en la adopción empresarial puede pesar tanto o más la ecuación coste-rendimiento.

Una tabla para entender la nueva economía de la IA

Modelo	País / ecosistema	Precio input por 1M tokens	Precio output por 1M tokens	Lectura
Claude Fable 5 / Mythos 5	EE. UU.	10,00 $	50,00 $	Modelo frontera premium, máxima capacidad, coste elevado
GPT-5.5	EE. UU.	5,00 $	30,00 $	Modelo frontera generalista/coding profesional
Gemini 3.1 Pro Preview	EE. UU.	2,00 $	12,00 $	Modelo frontera multimodal, más competitivo en precio
GLM-5.2	China	1,40 $	4,40 $	Open-weight, muy fuerte en coding y agentes largos
Qwen3.5 397B A17B	China	0,172 $	1,032 $	Modelo abierto/industrial con fuerte diferencial de coste
DeepSeek V4 Pro	China	0,435 $	0,87 $	Muy agresivo en precio/rendimiento
DeepSeek V4 Flash	China	0,14 $	0,28 $	Modelo de muy bajo coste para despliegue masivo

El mensaje para las empresas es claro: la IA no se decidirá solo por quién tiene el mejor modelo, sino por quién permite desplegarlo de forma económicamente sostenible.

GLM-5.2: por qué ha llamado tanto la atención

El caso de GLM-5.2 es especialmente interesante porque no se limita a ser “barato”. También ha entrado en zonas de rendimiento donde hasta hace poco solo competían los modelos cerrados estadounidenses.

Artificial Analysis lo sitúa como el modelo open-weight líder en su Intelligence Index v4.1, con una puntuación de 51. En GDPval-AA v2, un benchmark orientado a tareas profesionales reales —documentos, hojas de cálculo, presentaciones, análisis y entregables— GLM-5.2 obtiene 1.524 Elo, por delante de otros modelos abiertos y prácticamente en línea con GPT-5.5 xhigh.

No supera a todos. Claude Fable 5 sigue liderando claramente ese benchmark con 1.783 Elo, y Claude Opus 4.8 también aparece por encima. Pero la señal es relevante: un modelo chino abierto empieza a competir con modelos cerrados de frontera en tareas profesionales complejas.

También hay matices. GLM-5.2 consume muchos tokens de razonamiento: Artificial Analysis estima unos 43.000 tokens de salida por tarea en su Intelligence Index. Es decir, no es necesariamente el modelo más eficiente en tokens. Pero incluso así, por su precio unitario, se mantiene en la frontera coste/inteligencia.

La reacción del ecosistema tecnológico occidental ha sido significativa. Guillermo Rauch, CEO de Vercel, escribió que estaba “genuinamente impresionado, casi sorprendido” por lo bueno que era GLM-5.2 en programación. Matt Velloso, exdirectivo de Meta, Google DeepMind y Microsoft, lo definió como el “primer modelo abierto” que pasa el listón como herramienta diaria.

No son pruebas científicas, pero sí señales de mercado: cuando desarrolladores y empresas de software empiezan a considerar modelos chinos abiertos como herramientas utilizables a diario, la carrera cambia de escala.

China no necesita ganar en todo para cambiar la carrera

La ventaja china no debe exagerarse. Estados Unidos sigue liderando en inversión privada, grandes modelos frontera, centros de datos, capital riesgo, nube, ecosistema empresarial y semiconductores avanzados.

Pero China está demostrando algo importante: puede reducir la distancia con menos recursos visibles y con una estrategia distinta.

La lógica china combina varios elementos. Primero, modelos más baratos de entrenar y ejecutar. Segundo, una apuesta clara por modelos abiertos, que permiten adopción rápida por parte de empresas, desarrolladores y universidades. Tercero, un mercado doméstico enorme donde las restricciones estadounidenses a la exportación de chips han creado un incentivo poderoso para usar tecnología nacional. Cuarto, una política industrial que empuja a empresas, universidades y centros de investigación hacia una pila tecnológica propia.

Stanford ofrece un dato que resume bien esta paradoja. En 2025, la inversión privada en IA en Estados Unidos alcanzó 285.900 millones de dólares, frente a 12.400 millones en China. Es decir, Estados Unidos invirtió 23,1 veces más. Pero la diferencia de rendimiento entre los mejores modelos se redujo hasta casi desaparecer.

Hay que tener cuidado con la comparación: la inversión privada no captura todo el esfuerzo chino, porque China canaliza capital mediante fondos estatales, gobiernos locales, bancos públicos y vehículos industriales. Pero el contraste sigue siendo llamativo.

Estados Unidos invierte mucho más. China intenta extraer más rendimiento por dólar invertido.

El dilema económico: mucha inversión, retorno todavía incierto

La inteligencia artificial vive una paradoja. La adopción es rapidísima, la tecnología mejora de forma visible y las expectativas son enormes. Pero la economía del sector sigue siendo más compleja de lo que parece.

Por un lado, hay ganadores claros. Nvidia es el ejemplo más evidente. Vende los “picos y las palas” de la nueva fiebre tecnológica: chips, sistemas, redes, plataformas de software y una arquitectura completa que permite entrenar y ejecutar modelos.

Sus resultados son extraordinarios. En el primer trimestre fiscal de 2027, Nvidia declaró ingresos récord de 81.600 millones de dólares, un crecimiento del 85% interanual. Su división de Data Center alcanzó 75.200 millones de dólares, un 92% más. Su margen bruto no GAAP fue del 75%.

Pocas cifras explican mejor dónde se está capturando valor hoy: no necesariamente en todas las aplicaciones de IA, sino en la infraestructura que permite construirlas.

También los grandes hyperscalers —Microsoft, Google, Amazon, Meta y otros— mantienen negocios muy rentables y balances sólidos. Su apuesta por la IA no se produce desde la fragilidad financiera, sino desde posiciones de enorme generación de caja.

Pero eso no significa que toda la economía de la IA esté demostrada.

Goldman Sachs estima que el capex anual en infraestructura de IA alcanzará 765.000 millones de dólares en 2026, crecerá hasta 1,6 billones en 2031 y acumulará unos 7,6 billones entre 2026 y 2031.

J.P. Morgan añade otra cifra relevante: el capex estimado para 2026 de solo cinco grandes hyperscalers estadounidenses alcanza 697.000 millones de dólares. Además, el gasto en IA ha pasado de representar el 33% de su cash flow operativo en 2023 a un 93% estimado en 2026.

La pregunta ya no es si la IA funciona. Funciona.

La pregunta es si el retorno económico llegará lo suficientemente rápido como para justificar semejante despliegue de capital.

J.P. Morgan lo resume con una idea muy directa: los hyperscalers deben demostrar que la demanda es suficiente para generar un retorno positivo de la inversión, y hacerlo sin tensionar en exceso su propia generación de caja.

¿Burbuja o ciclo de inversión?

Este punto exige precisión.

No todas las empresas estadounidenses de IA son deficitarias. Nvidia es extraordinariamente rentable. Los grandes hyperscalers generan caja. Muchas empresas de semiconductores, memoria, redes, óptica, refrigeración o centros de datos están experimentando revisiones al alza de beneficios.

Por tanto, no estamos ante una burbuja pura basada en compañías sin ingresos, como ocurrió en parte durante la puntocom.

Pero sí existen elementos de exuberancia.

Primero, porque una parte enorme del gasto se está adelantando a la monetización real. Segundo, porque muchas aplicaciones de IA todavía no han demostrado retornos claros. Tercero, porque algunas valoraciones bursátiles descuentan escenarios de adopción, productividad y márgenes muy exigentes. Cuarto, porque si el capex se ralentiza, las empresas más beneficiadas por la cadena de suministro podrían sufrir correcciones fuertes.

La formulación más equilibrada sería esta: la IA es una revolución tecnológica real, pero eso no garantiza que todas las inversiones asociadas sean rentables al precio actual.

Este matiz es importante para las empresas. Una tecnología puede transformar la economía y, aun así, generar excesos de inversión, proveedores sobrevalorados y decisiones de compra poco racionales.

La clave industrial: el coste de servir inteligencia

La mayoría de los titulares se centran en entrenar modelos. Pero para las empresas, el verdadero cuello de botella puede estar en la inferencia: el coste de usar esos modelos millones de veces al día.

Cada consulta, cada agente autónomo, cada copiloto integrado en un ERP, cada revisión automática de contratos, cada análisis documental y cada asistente de compras consume computación.

Si el coste por uso es alto, la IA puede ser brillante pero difícil de escalar. Si el coste cae, la adopción puede acelerarse.

Por eso la eficiencia de los modelos chinos es relevante. No se trata solo de orgullo tecnológico. Se trata de economía operativa.

Un modelo que rinde algo menos pero cuesta mucho menos puede ser más atractivo para miles de casos de uso empresariales.

Esto afecta directamente a la estrategia de compras tecnológicas. Las empresas tendrán que evaluar no solo qué proveedor tiene la IA más avanzada, sino cuál ofrece el mejor coste total de propiedad: coste de licencia, coste de uso, infraestructura, integración, dependencia tecnológica, seguridad, cumplimiento normativo y posibilidad de cambiar de proveedor.

La IA introduce, por tanto, una nueva categoría de riesgo proveedor: el lock-in algorítmico.

Nvidia: los picos, las palas… y el sistema operativo de la IA

En toda fiebre tecnológica hay una pregunta clásica: ¿es más rentable buscar oro o vender las herramientas para quienes lo buscan?

En la IA, Nvidia ha sido hasta ahora el gran vendedor de herramientas. Pero su poder no se limita al chip. Su verdadera ventaja está en la combinación de hardware y software.

CUDA, su plataforma de programación, se ha convertido en el estándar de facto para desarrollar IA avanzada. La mayoría de los desarrolladores trabajan con marcos como PyTorch, pero la optimización de fondo se ha construido durante años alrededor del ecosistema Nvidia. Eso crea una barrera difícil de romper: bibliotecas, documentación, experiencia acumulada, herramientas, foros, modelos preoptimizados y confianza técnica.

El resultado es un círculo de refuerzo. Cuantos más desarrolladores usan Nvidia, más se optimiza el software para Nvidia. Cuanto mejor funciona el software, más empresas compran Nvidia. Y cuanto más se compra Nvidia, más fuerte se vuelve CUDA.

Por eso Nvidia disfruta de un poder de fijación de precios extraordinario. No vende solo silicio. Vende rendimiento, compatibilidad, velocidad de despliegue y menor riesgo técnico.

Pero esta posición también atrae competencia. Google desarrolla TPUs. Amazon impulsa Trainium. Microsoft trabaja en Maia. Meta y OpenAI exploran chips propios. Y China, empujada por los controles de exportación estadounidenses, necesita reducir su dependencia de Nvidia.

Huawei y la estrategia china: construir una pila alternativa

Huawei es el competidor más creíble de Nvidia dentro de China. Sus chips Ascend aún no igualan el rendimiento de los chips más avanzados de Nvidia, pero la cuestión clave es que China no necesita igualar a Nvidia de inmediato para crear un ecosistema funcional.

Necesita tres cosas: un mercado cautivo suficientemente grande, una plataforma de software que reduzca el coste de migración y modelos capaces de funcionar bien sobre hardware nacional.

Ahí aparecen CANN, MindSpore y la compatibilidad con PyTorch. CANN es la alternativa de Huawei a CUDA. MindSpore es su marco de aprendizaje automático. Y herramientas como torch_npu permiten ejecutar código PyTorch en procesadores Ascend, reduciendo una de las mayores barreras de cambio para los desarrolladores.

La estrategia es inteligente: si no puedes vencer de golpe al estándar dominante, reduce poco a poco el coste de abandonarlo.

Además, China está usando modelos abiertos como puente. DeepSeek, por ejemplo, ha ganado popularidad por su relación coste-rendimiento y por su apertura. Si estos modelos pueden ejecutarse de forma eficiente tanto en Nvidia como en Huawei, ayudan a acercar a los desarrolladores al ecosistema chino sin exigirles un salto brusco.

Jensen Huang, CEO de Nvidia, ha descrito con claridad la intensidad de la competencia china. Según Reuters, Huang afirmó que “más de la mitad” de los investigadores de IA del mundo están en China y que la competencia allí es “realmente intensa”. También ha señalado que los controles de exportación estadounidenses han empujado a las empresas chinas hacia tecnología local.

El obstáculo sigue siendo importante. CUDA tiene dos décadas de ventaja, una comunidad global y una profundidad técnica difícil de replicar. CANN aún presenta problemas de usabilidad y madurez. Pero la brecha ya no parece irreversible.

Y esa es la novedad estratégica.

Los controles de exportación: freno y acelerador

La política estadounidense de controles sobre chips avanzados buscaba preservar la ventaja tecnológica de Estados Unidos. En parte lo ha conseguido: China sigue teniendo restricciones relevantes para acceder a los chips más avanzados de Nvidia.

Pero también ha tenido un efecto no deseado: ha acelerado la necesidad china de construir su propia pila tecnológica.

Anthropic lo plantea desde la perspectiva estadounidense. En su análisis sobre liderazgo global en IA hacia 2028, sostiene que EE. UU. y sus aliados podrían “bloquear” una ventaja de 12 a 24 meses en capacidades frontera si actúan ahora sobre dos frentes: controles de compute y prevención de distillation attacks. Pero también advierte que la ventana de oportunidad “no permanecerá abierta mucho tiempo”.

Desde el otro lado, la lectura industrial es evidente: si China no puede depender de Nvidia, CUDA y modelos cerrados estadounidenses, tiene más incentivos para construir alternativas propias.

La paradoja es que una política diseñada para frenar a China puede estar contribuyendo a que China acelere su independencia tecnológica.

Europa: demasiado importante para ser solo espectadora

Europa tiene un problema distinto. No está fuera de la IA, pero no controla la pila completa.

Cuenta con investigación, talento, industria avanzada, regulación, supercomputación, empresas críticas en la cadena de semiconductores y sectores verticales donde la IA puede tener enorme impacto: automoción, salud, energía, manufactura, logística, clima, defensa, administración pública y servicios industriales.

También tiene activos imprescindibles. ASML, en Países Bajos, es esencial para la litografía avanzada. IMEC, en Bélgica, es una referencia mundial en investigación de semiconductores. Europa cuenta además con capacidades en fotónica, óptica de precisión, electrónica de potencia, automatización industrial y maquinaria avanzada.

Pero esos activos no equivalen a soberanía plena.

Europa suministra piezas críticas de la carrera, pero no controla todavía el circuito completo: chips de IA, software de bajo nivel, nube, modelos frontera, plataformas de despliegue y demanda coordinada.

La Comisión Europea ha lanzado su AI Continent Action Plan con cifras relevantes: 200.000 millones de euros para impulsar el desarrollo de IA en Europa, 20.000 millones para financiar hasta cinco AI gigafactories y 19 AI factories para apoyar startups, industria e investigación.

El plan también reconoce un problema de adopción: solo el 13,5% de las empresas europeas usa IA.

Ese dato es clave. Europa no solo tiene que construir infraestructura. Tiene que convertir la IA en productividad industrial.

¿Qué puede hacer Europa?

Europa probablemente no alcanzará a Nvidia, OpenAI o Huawei en toda la pila tecnológica en el corto plazo. Pero eso no significa que esté condenada a la irrelevancia.

Tiene varias opciones realistas.

La primera es asegurar capacidad de computación propia para investigación, empresas y administraciones públicas. Sin acceso competitivo a computación, no hay modelos, no hay experimentación y no hay adopción industrial.

La segunda es apostar por modelos abiertos europeos o adaptables, especialmente en idiomas, regulación, privacidad y sectores críticos. Europa no necesita necesariamente tener siempre el modelo generalista más potente del mundo. Puede crear modelos excelentes para industria, salud, energía, ingeniería, legal, administración pública o cadenas de suministro.

La tercera es usar la demanda pública de forma coordinada. China crea mercado para Huawei mediante demanda cautiva. Europa no puede ni debe copiar ese modelo de forma coercitiva, pero sí puede coordinar compras públicas en sanidad, defensa, educación, administración e investigación para generar una base de demanda inicial.

La cuarta es desarrollar una estrategia de software e interoperabilidad. Si Europa no controla CUDA ni CANN, debe evitar quedar atrapada en dependencias cerradas. La defensa del código abierto, la portabilidad y los estándares puede ser una herramienta de soberanía.

La quinta es conectar la IA con su fortaleza industrial. La gran oportunidad europea no está solo en crear chatbots. Está en aplicar IA a fábricas, energía, movilidad, logística, compras, mantenimiento predictivo, diseño industrial, gemelos digitales, trazabilidad, sostenibilidad y resiliencia de cadenas de suministro.

Ahí Europa sí tiene una ventaja: conoce la industria real.

La oportunidad para las empresas industriales

Para las empresas industriales, esta carrera tiene consecuencias muy prácticas.

Primero, la IA será una herramienta de competitividad, pero también una nueva fuente de dependencia tecnológica. Elegir proveedor de IA no será muy distinto de elegir un ERP, una nube o un proveedor estratégico de componentes críticos.

Segundo, el coste importará cada vez más. Las empresas deberán comparar modelos no solo por calidad, sino por coste de uso, integración, seguridad y riesgo de dependencia.

Tercero, los chips y la infraestructura serán parte de la estrategia de compras. La disponibilidad de GPU, la localización de datos, el coste energético, la nube elegida y la compatibilidad entre modelos pueden afectar directamente a los costes operativos.

Cuarto, la geopolítica entrará en las decisiones tecnológicas. Usar modelos estadounidenses, chinos o europeos no será una elección puramente técnica. Tendrá implicaciones de regulación, privacidad, resiliencia, reputación y continuidad de suministro.

Quinto, habrá que evitar dos extremos: ni ignorar la IA por considerarla una moda, ni adoptarla sin análisis económico. La pregunta correcta no es “¿tenemos IA?”, sino “¿dónde mejora costes, calidad, velocidad, riesgo o capacidad de decisión?”.

La IA entra en su fase industrial

La carrera de la inteligencia artificial ya no se juega solo en laboratorios. Se juega en centros de datos, cadenas de suministro, chips, software, energía, costes de inferencia, regulación, mercados de capitales y decisiones de compra empresarial.

Estados Unidos sigue por delante en la frontera. China está reduciendo la distancia mediante eficiencia, apertura y política industrial. Nvidia domina los picos y las palas, pero Huawei intenta construir una alternativa nacional. Europa tiene activos críticos, pero debe decidir si quiere ser solo proveedor de piezas esenciales o actor con estrategia propia.

La próxima fase de la IA no premiará únicamente al modelo más brillante. Premiará a quien consiga convertir inteligencia en productividad rentable, segura y escalable.

Y ahí empieza la verdadera carrera.

Fuentes: Bruegel – Alicia García-Herrero and Bertin Martens, Stanford HAI, Artificial Analysis, Goldman Sachs, J.P. Morgan Asset Management 

Foto: igor-omilaev-eGGFZ5X2LnA-unsplash