En México los legisladores estamos muy ocupados en el diseño de una Ley de Inteligencia Artificial. En el proceso, obviamente nos preguntamos sobre el costo de la infraestructura. Y es que existe un mito recurrente en la política industrial y tecnológica: la idea de que basta con construir supercomputadoras, subsidiar centros de datos e importar miles de procesadores GPU para que, mágicamente, florezca una economía basada en inteligencia artificial. Es la versión moderna de la Ley de Say: la creencia ciega de que la oferta crea su propia demanda. La historia reciente demuestra lo contrario. Estados Unidos ofrece una lección contundente sobre los riesgos de hipertrofiar la oferta sin articular el mercado. Durante el reciente pico de entusiasmo algorítmico, el capital de riesgo y los incentivos fiscales impulsaron una carrera desenfrenada por construir mega data centers e importar microprocesadores de alto rendimiento a escala masiva. La capacidad de procesamiento se disparó.
Sin embargo, la oferta se fue de boca. Decenas de centros de cómputo y startups se encontraron con gigavatios de capacidad instalada pero una escasez crítica de clientes reales dispuestos a pagar por ella. La mayoría de las pequeñas y medianas empresas estadounidenses no sabían cómo integrar la IA en sus operaciones diarias, los marcos regulatorios de privacidad creaban desconfianza y el costo de adopción resultaba prohibitivo. La infraestructura quedó subutilizada, generando cuellos de botella energéticos y un severo ajuste financiero para quienes creyeron que construir la red era suficiente para atraer el consumo.
Y es que construir carreteras no sirve de nada si los ciudadanos no tienen automóviles ni motivos para viajar.Para los países, como México, que buscan consolidar su soberanía tecnológica sin dilapidar recursos públicos, la estrategia legislativa debe invertir la ecuación: el Estado debe crear, subsidiar y garantizar la demanda antes o en paralelo a la infraestructura.
Una legislación soberana y efectiva debe articular tres pilares de estímulo:
- La ley debe mandatar la adopción de IA en la administración pública —aduanas, gestión hídrica, recaudación y salud—. Al convertirse en el primer cliente a gran escala, el sector público garantiza la masa crítica inicial de consumo. Sin embargo, esto plantea una objeción crítica: ¿puede el Estado ser el comprador primario sin sacrificar el presupuesto de educación o salud, o sin incurrir en déficits fiscales irresponsables? La respuesta es un categórico no. La IA no suspende las leyes de la macroeconomía ni justifica sobrepasar los límites prudentes de déficit fiscal. La clave no es gastar más, sino estructurar mecanismos de financiamiento privado e ingeniería regulatoria: Existen modelos en el mundo como lo es el financiamiento del Proveedor por Resultados (Pay-for-Success): Los proveedores privados financian la implementación inicial. El gobierno no desembolsa recursos por adelantado; la empresa cobra un porcentaje de los ahorros reales o la recaudación adicional que el algoritmo genera (por ejemplo, eficiencia en la supervisión aduanera, combate al contrabando o reducción de mermas en redes hídricas).
- Infraestructura como Servicio (IaaS) sin Endeudamiento: En lugar de comprar hardware que se devalúa en tres años, el Estado contrata servicios donde el privado asume el riesgo de capital, pagando solo por capacidad utilizada. Y
- Optimización del Gasto Social Existente: La IA no compite con la salud o la educación; por ejemplo, un sistema predictivo en logística de medicamentos reduce el desabasto hospitalario, haciendo rendir el presupuesto ya asignado. Otro mecanismo para estimular la demanda son los subsidios cruzados y cupones a PYMES: Exigir a las grandes empresas tecnológicas cuotas de cómputo para la industria local a cambio de incentivos, otorgando cupones de adopción. Los subsidios a la adopción en PYMES, es otro mecanismo. En lugar de transferir recursos directos a los fabricantes de software, la norma debe otorgar cupones de adopción tecnológica a las pequeñas y medianas empresas locales, absorbiendo el riesgo de la transición digital. Finalmente, la soberanía y proximidad exigiría que los datos públicos y estratégicos se procesen en suelo nacional, condicionando los incentivos a las grandes empresas tecnológicas a cambio de cuotas de cómputo para la academia y la industria local.
La verdadera soberanía no se mide en la cantidad de servidores instalados, sino en la capacidad de una sociedad para utilizar la tecnología en la resolución de sus problemas estructurales. La demanda es el único motor capaz de sostener la infraestructura.
