Jensen Huang explica la revolución de la inteligencia artificial desde una perspectiva multifacética: la IA no es solamente software ni un modelo como ChatGPT. Es una infraestructura completa, comparable en importancia con la electricidad, Internet o las rutas. Se trata de una idea que conviene analizar, a la hora de entender cómo será la economía que viene y que pueden hacer los países periféricos que no dominan la tecnología original.
Durante su participación en la última reunión del G20, el CEO de Nvidia planteó que el mundo está entrando en una nueva etapa en la que la computación deja de ser solamente una herramienta tecnológica para convertirse en una infraestructura productiva capaz de generar valor económico.
“Solíamos pensar en los chips, la tecnología y las computadoras como teléfonos y PC, pero ahora tenemos que pensar en ellos de la misma manera en que pensamos en la energía, Internet y la infraestructura”, explicó.
Para Huang, el cambio es profundo: la computación necesaria para desarrollar IA requiere enormes cantidades de energía, chips especializados y centros de datos. Pero, al mismo tiempo, produce algo que hasta ahora resultaba mucho más difícil de medir: inteligencia digital que puede convertirse en productividad, conocimiento y actividad económica.
De los kilovatios a los tokens
Uno de los conceptos centrales de la explicación de Huang fue el de los tokens, las unidades que utilizan los modelos de inteligencia artificial para procesar información.
Su comparación fue directa con la energía.
“Hace un par de cientos de años, el mundo descubrió esta nueva idea llamada energía y la monetizó: dólares por kilovatio hora. Hoy son dólares por millón de tokens”, afirmó.
La idea puede resultar abstracta, pero para Huang representa el nacimiento de una nueva unidad económica. Los modelos de IA realizan enormes cantidades de cálculos y producen tokens que luego pueden convertirse en imágenes, textos, respuestas, soluciones o nuevas ideas. Esos procesos computacionales requieren infraestructura y energía. “Estos tokens se producen matemáticamente en las computadoras que fabricamos”, explicó.
Y allí aparece, según Huang, una de las claves de la nueva economía: la electricidad se transforma en computación y la computación se transforma en inteligencia.
La IA, por lo tanto, no es algo intangible separado de la economía real. Necesita centrales eléctricas, redes, chips, terrenos, centros de datos, sistemas de refrigeración y capital. Todo ese entramado constituye una nueva infraestructura productiva.
La “torta” de cinco capas de la inteligencia artificial
Para explicar qué deberían hacer los países, Huang recurrió a una metáfora particularmente gráfica.
“Cuando descomponemos todo, la IA es, si pudiera simplificarlo, una torta de cinco capas”, señaló.
La primera capa es la energía.
“No se puede producir algo sin energía. Transforma electricidad en matemática”, explicó.
La segunda son los chips, el área en la que Nvidia tiene su principal especialización.
La tercera capa es la infraestructura: los grandes centros de datos, el terreno, la energía y toda la estructura física necesaria para alojar los sistemas de computación.
La cuarta capa está formada por los modelos de inteligencia artificial. Es la parte que concentra buena parte de la atención pública: los grandes modelos de lenguaje y otros sistemas capaces de comprender, generar y procesar información.
Pero Huang advierte que allí no termina la IA.
La quinta capa —y una de las más importantes— está constituida por los datos y las aplicaciones.
Esta última capa es la que permite transformar la capacidad tecnológica en soluciones concretas para empresas, gobiernos, científicos, estudiantes y consumidores.
La consecuencia de este esquema es fundamental para los países: no necesitan desarrollar las cinco capas para participar de la revolución de la IA.
“Cada región, cada país, debería decidir en cuál de las capas quiere invertir. No tienen que ganar en todas. No tienen que desarrollarlas todas”, sostuvo Huang.
El consejo de Huang para los países
El CEO de Nvidia dejó un mensaje particularmente relevante para los gobiernos: la estrategia no debería consistir solamente en comprar herramientas de inteligencia artificial desarrolladas en otros países.
Los países tienen que construir capacidad propia. “Cada país debería promover la difusión de la IA, es decir, la adopción de la IA en sus industrias”, afirmó.
La recomendación alcanza prácticamente a todos los sectores: educación, salud, manufactura, ciencia, tecnología y servicios. Pero hay una condición previa: infraestructura. “Cada país necesita construir infraestructura para poder sostener su propia economía local”, explicó.
Para Huang, esa infraestructura se convierte en una suerte de capacidad intelectual digital de una nación. Permite dar herramientas a investigadores, estudiantes, empresas, startups y trabajadores.
El efecto, según su visión, puede ser especialmente importante para los países en desarrollo. La IA puede acelerar la educación, mejorar las capacidades de los trabajadores y elevar rápidamente las capacidades científicas y tecnológicas. Por eso Huang la definió como “el gran igualador”.
La energía es la primera capa y también un factor estratégico
La primera capa de la torta de Huang no es casual: es la energía.
Los centros de datos que sostienen los modelos de IA necesitan enormes cantidades de electricidad. Y la escala de las inversiones comienza a modificar la relación entre energía, tecnología y desarrollo económico.
Huang sostuvo que un gigavatio de infraestructura de IA puede representar una inversión de entre US$50.000 millones y US$60.000 millones.
La comparación que utilizó resulta reveladora. Hace algunos años, explicó, construir una fábrica de semiconductores de US$25.000 millones parecía una inversión gigantesca. Ahora, según su estimación, un solo gigavatio de infraestructura puede representar el doble.
Nvidia, afirmó, planea construir una infraestructura equivalente a 100 gigavatios hacia el final de la década.
La conclusión para los gobiernos es directa: la disponibilidad de energía puede convertirse en una condición para participar de la economía de la IA.
No alcanza con tener talento, universidades o empresas tecnológicas. También es necesario contar con energía suficiente y competitiva, redes capaces de abastecer grandes centros de datos y las condiciones regulatorias que permitan construir esa infraestructura.
La IA ya no es solamente software
Otro de los puntos centrales de la exposición de Huang fue que la IA está abandonando el mundo exclusivamente digital.
“Cuando voy a una cena y digo IA, todo el mundo piensa que es software. Pero lo que estamos viendo ahora es realmente IA en el borde. Es hardware. Es robótica. Es manufactura avanzada”, explicó.
La evolución comienza con los modelos de lenguaje, pero luego aparece un concepto que Huang considera fundamental: el agente de IA.
Los grandes modelos de lenguaje son, en su explicación, una especie de cerebro. Para transformarlos en sistemas capaces de realizar tareas complejas necesitan un “exoesqueleto”.
“Lo que hizo útil a la IA fue poner un exoesqueleto alrededor del LLM”, señaló. Ese exoesqueleto —el sistema de agentes— permite que el modelo tenga acceso a conocimiento, memoria de trabajo, herramientas y capacidad de colaboración.
A partir de allí, el mismo concepto puede pasar del mundo digital al físico. Un agente conectado a herramientas digitales puede utilizar una planilla de cálculo, un navegador o una presentación. Pero si ese agente se conecta con una máquina, puede convertirse en un robot.
Huang enumeró distintas posibilidades: vehículos autónomos, brazos robóticos industriales, sistemas de logística, robots quirúrgicos o laboratorios autónomos para el descubrimiento de medicamentos.
La inteligencia artificial, en esta visión, es el cerebro; el agente es el sistema que le permite actuar; y la máquina es el cuerpo.
AGI: “Prácticamente estamos ahí”
Huang también hizo una de las afirmaciones más fuertes de su intervención al referirse a la inteligencia artificial general, conocida como AGI.
“En los próximos dos años vamos a alcanzar esencialmente lo que la gente llama AGI”, afirmó.
Pero inmediatamente introdujo un matiz: según su propia interpretación, “prácticamente estamos ahí”.
Para Huang, sin embargo, alcanzar la AGI no significa que automáticamente las empresas se vuelvan productivas ni que todos los problemas queden resueltos.
El motivo es que la inteligencia, por sí sola, no alcanza. Una empresa necesita contexto, objetivos, información propia, procesos y conocimiento específico para que una IA pueda producir resultados útiles.
Huang comparó ese proceso con la incorporación de un nuevo graduado altamente capacitado. Incluso alguien con un doctorado de una de las mejores universidades del mundo necesita conocer el contexto de la organización, sus objetivos y la forma de trabajar.
Con la AGI ocurrirá algo similar.
“No es que de repente, en dos años, diga: ‘Voy a conectarla a este servicio de IA’ y me siente a esperar que mi empresa sea cada vez más productiva de la noche a la mañana. Eso no va a suceder”, advirtió.
Las empresas tendrán que construir el entorno alrededor de los sistemas de IA.
El trabajo no desaparece: “vamos a estar potenciados”
La conclusión de Huang sobre el empleo también se aleja de una de las predicciones más pesimistas sobre la IA.
“No creo que todos los empleos vayan a ser eliminados. Eso es una tontería”, afirmó.
Su argumento es que la IA automatizará tareas, pero no necesariamente eliminará los trabajos.
Un empleo tiene propósito, contexto y significado. Muchas de las actividades repetitivas que forman parte de ese trabajo pueden ser automatizadas, pero la función general puede mantenerse.
“Nuestras tareas van a ser automatizadas por la IA. Pero el propósito de nuestros trabajos permanece”, sostuvo.
Por eso eligió otra expresión para definir lo que viene: “supercharged”, es decir, potenciados o sobrealimentados.
La idea es que los trabajadores utilizarán IA como una herramienta que amplía sus capacidades.
Huang contó que Nvidia ya utiliza sistemas de IA de terceros y también desarrolla herramientas propias dentro de la compañía.
Su recomendación para empresas y países fue clara: “Hay que utilizar la IA disponible siempre que sea posible, pero no hay que olvidar que también hay que invertir en construir nuestra propia inteligencia”. Y agregó una advertencia particularmente relevante para los gobiernos: “Cada país, cada empresa, no puede externalizar toda su inteligencia a otra persona”.
El riesgo no es solamente la IA: también es quedar afuera
Huang reconoció que el avance de esta tecnología genera preocupación por la seguridad y sus posibles consecuencias.
Pero planteó que el debate debe equilibrar los riesgos con las oportunidades.
Para él, existe un riesgo mayor para los países.
“Si piensan en cada uno de sus países, ¿cuál es el peor resultado que podría ocurrir en esta revolución tecnológica? El peor resultado es que no la aprovechen. Que se queden atrás. Ese es el peor resultado”, afirmó.
Su posición no implica ignorar la seguridad. Por el contrario, Huang sostuvo que las empresas tienen la responsabilidad de desarrollar la tecnología de manera segura y trabajar con los reguladores.
Pero pidió evitar regulaciones basadas exclusivamente en escenarios hipotéticos.
“No regulen daños hipotéticos o teóricos. Regulen daños reales y pragmáticos”, sostuvo.
Según su argumento, la tecnología también puede hacerse más segura a medida que avanza. Los nuevos modelos pueden reducir alucinaciones, apoyarse en información verificable y mejorar sus respuestas mediante procesos de evaluación y entrenamiento.
De la revolución industrial a la revolución de la inteligencia
La visión de Huang tiene una idea que atraviesa toda su exposición: la IA puede convertirse en una nueva infraestructura económica comparable con la electricidad.
La diferencia es que, mientras la electricidad permitió multiplicar la capacidad física de las sociedades, la inteligencia artificial puede multiplicar su capacidad intelectual.
La educación, de hecho, ocupa un lugar central en su razonamiento.
Huang recordó que las sociedades construyeron durante siglos universidades y escuelas como mecanismos para producir y distribuir conocimiento e inteligencia a escala.
Ahora, según su visión, está ocurriendo algo similar en formato digital.
“Estamos fabricando ahora inteligencia digital a escala”, afirmó.
Eso permitiría que personas que no tienen acceso a los niveles más altos de educación puedan acceder a capacidades similares a las de especialistas altamente formados.
La IA, en ese sentido, podría convertirse en una especie de infraestructura global de conocimiento.
La carrera que recién comienza
La visión de Huang no termina con los modelos actuales. Su apuesta apunta a una aceleración mucho mayor.
“Lo que tarda 10 años va a tardar uno. Lo que tarda uno va a tardar un mes”, pronosticó.
Y allí aparece nuevamente la cuestión económica.
Huang habló de inversiones de billones de dólares y de la posibilidad de que la inteligencia artificial contribuya a transformar industrias que hoy representan decenas de billones de dólares.
Su expectativa es que la IA pueda generar entre US$20 billones y US$50 billones de beneficio económico adicional a escala global.
Más allá de la precisión de cada estimación, el mensaje estratégico es claro: Huang no ve a la IA como una nueva aplicación tecnológica, sino como una nueva capa de infraestructura de la economía mundial.
Energía, chips, centros de datos, modelos, datos y aplicaciones forman el sistema.
Los países no necesariamente tendrán que dominar todos esos componentes. Pero sí deberán decidir en qué capa quieren competir y cómo van a incorporar la IA al resto de su economía.
Y, sobre todo, deberán construir las condiciones para que esa tecnología pueda desplegarse.
La definición de Huang puede resumirse en una frase: la IA convierte energía en computación, computación en inteligencia e inteligencia en productividad.
Para los países, el desafío ya no sería simplemente decidir si quieren utilizar inteligencia artificial.
El desafío es decidir qué lugar quieren ocupar en la infraestructura que va a producirla.