La radiografía de IA del Lowy Institute sitúa a EE. UU. por delante de China, con matices

La radiografía de IA del Lowy Institute sitúa a Estados Unidos por delante de China, pese a las ventajas chinas en minerales y distribución de modelos abiertos. Publicada el 8 de noviembre de 2026, la evaluación compara 14 indicadores de recursos, tecnología, capacidades de IA y adopción. Su conclusión cuestiona una simplificación habitual: la popularidad entre desarrolladores no establece automáticamente el liderazgo en todo el mercado de la IA.

Los investigadores Jack Sato y Hunter Marston distinguen las fortalezas estadounidenses en computación y distribución al consumidor de las fortalezas chinas en otros ámbitos. Su comparación otorga a EE. UU. una ventaja general, al tiempo que muestra por qué los indicadores individuales pueden respaldar titulares muy distintos. Ninguno de los dos países controla todos los recursos, canales de distribución o fuentes de influencia.

Para los desarrolladores y compradores empresariales, la importancia va más allá de las clasificaciones nacionales. Elegir un sistema de IA implica elegir dependencias relacionadas con infraestructura, acceso al software, requisitos operativos y gobernanza. El informe ofrece un punto de partida para examinar esas dependencias. No determina qué modelo corresponde al flujo de trabajo de cada organización.

Lo que realmente cambia la radiografía de IA del Lowy Institute

La nueva evaluación cambia más el marco de comparación que el panorama competitivo subyacente.

La comparación de poder de IA de Lowy reúne indicadores que normalmente aparecen en debates separados. Sitúa materiales, infraestructura, capacidad de los modelos y distribución dentro del mismo marco. Sus medidas reciben el mismo peso en cada nivel, y las puntuaciones de los indicadores comparan a ambos países con sus totales combinados.

Este enfoque plantea cómo debe entenderse el poder tecnológico. La posición de un país no puede descansar por completo en el lanzamiento exitoso de un chatbot. Del mismo modo, los recursos industriales por sí solos no demuestran que su software llegue a más usuarios o tenga mejor rendimiento.

La distinción importa porque la competencia nacional suele convertirse en una secuencia de anuncios aislados. El lanzamiento de un modelo genera un titular sobre rendimiento. Una restricción de chips genera un titular sobre seguridad. Un hito de descargas genera un titular sobre adopción. Los lectores se encuentran entonces con cada novedad como prueba de un único ganador global.

Esos hechos responden a preguntas diferentes. Combinarlos exige un juicio explícito sobre su importancia relativa. Lowy hace visible su marco, permitiendo a los lectores examinar ese juicio en lugar de tratarlo como una suposición no declarada.

Por tanto, una puntuación global debe funcionar como una interpretación estructurada. No debe sustituir el examen de las categorías subyacentes. Una organización que selecciona software necesita una ponderación distinta de la de un gobierno que evalúa la vulnerabilidad industrial.

Pensemos en un equipo que evalúa un asistente para documentos confidenciales de ingeniería. La popularidad entre consumidores ofrecería pruebas limitadas de que ese sistema cumple sus requisitos. El control del despliegue, el tratamiento de documentos, la calidad de las respuestas y las obligaciones de mantenimiento tendrían un peso más inmediato.

Una empresa que introduce un asistente para clientes afrontaría otro cálculo. La facilidad de acceso, la fiabilidad de las respuestas, el soporte de integración y la continuidad podrían pesar más que la capacidad de operar el modelo de forma independiente. Ninguna de las dos decisiones contradice una evaluación nacional. Cada una aplica un objetivo más acotado.

La publicación también crea una base útil para coberturas posteriores. Las futuras afirmaciones de liderazgo pueden contrastarse con la dimensión a la que realmente afectan. Una mejora en distribución debería actualizar el debate sobre distribución. No debería convertirse silenciosamente en prueba de un progreso equivalente en fabricación.

Esta es la contribución central de la radiografía de IA del Lowy Institute: hace más difícil ignorar definiciones contrapuestas de liderazgo. La evaluación favorece a Estados Unidos en conjunto, al tiempo que deja espacio para ventajas chinas relevantes para usuarios e industrias concretos.

Los lectores deberían conservar ambas partes de esa conclusión. Eliminar la conclusión general minimiza el argumento del informe. Eliminar las desigualdades convierte un marco analítico en un anuncio de victoria que la evidencia no puede sostener.

La competencia de IA entre EE. UU. y China se desarrolla a través de distintos canales de distribución

Captar la atención de los desarrolladores y llegar a los usuarios cotidianos son logros relacionados, pero miden tipos de influencia diferentes.

Lowy informa de que los modelos chinos representaron el 78 % de las descargas combinadas de modelos estadounidenses y chinos en su comparación. Los modelos estadounidenses atrajeron más del 90 % del tráfico web combinado y más del 80 % del uso de aplicaciones medido. Estas cifras describen canales distintos, no estimaciones intercambiables de la cuota total de mercado.

Un modelo de pesos abiertos pone a disposición sus parámetros aprendidos para su descarga, sujeto a su licencia. Esa disponibilidad permite que otra organización lo opere o adapte. En cambio, un asistente alojado proporciona acceso mediante infraestructura gestionada por un proveedor de servicios.

Esta diferencia cambia la relación entre el desarrollador del modelo y el usuario final. Quien utiliza un asistente alojado suele encontrarse con un producto reconocible. Quien utiliza una aplicación basada en pesos de modelos descargados podría no llegar a ver nunca el nombre del desarrollador original.

La adopción de IA en China puede, por tanto, expandirse sin un crecimiento equivalente de las visitas a sitios web de chatbots chinos. También ocurre a la inversa. Un tráfico intenso hacia un asistente estadounidense no demuestra que los modelos descargables estadounidenses dominen los despliegues independientes.

Sin embargo, las descargas requieren una interpretación cuidadosa. Las reglas de recuento de descargas de Hugging Face explican que sus estadísticas cuentan solicitudes a archivos designados. No contabilizan directamente personas únicas, organizaciones activas ni despliegues de producción completados. El comportamiento de recuento también varía según los formatos de archivo y las bibliotecas.

Esta limitación no hace que las estadísticas de descargas carezcan de sentido. Ofrecen evidencia de actividad en torno a la distribución de modelos. El error surge cuando un evento de distribución se convierte en una afirmación sobre uso operativo sostenido sin evidencia adicional.

Un modelo descargado podría servir para evaluación, experimentación, adaptación o un servicio desplegado. Estas actividades tienen implicaciones comerciales y estratégicas distintas. El número de descargas por sí solo no puede distinguirlas de forma fiable.

El tráfico web también tiene límites. Una visita no demuestra que alguien haya completado un trabajo útil, regresado con regularidad o elegido un servicio de pago. La actividad en aplicaciones requiere una cautela similar cuando las comparaciones utilizan sistemas de medición o condiciones de acceso diferentes.

La pregunta útil es qué permite cada canal. La distribución alojada ofrece a los proveedores una relación directa con los usuarios y control sobre las actualizaciones del producto. Los modelos descargables otorgan a los operadores posteriores mayor responsabilidad sobre el despliegue y un margen más amplio para dar forma a la aplicación circundante.

Ninguna de las dos modalidades garantiza mejores resultados. Operar un modelo de forma independiente introduce responsabilidades de mantenimiento y seguridad. Depender de un servicio alojado introduce exposición a cambios en la disponibilidad, el comportamiento del producto y las condiciones de acceso.

Para los desarrolladores, la implicación es práctica. Un titular sobre adopción nacional no debería resolver una elección técnica. La comparación relevante se refiere a si una modalidad concreta de distribución respalda los requisitos de la aplicación a lo largo del tiempo.

Para los responsables de políticas públicas, la implicación es distinta. La influencia puede acumularse mediante productos de consumo de marca o a través de componentes subyacentes integrados en otros sistemas. Una evaluación útil debe examinar ambas vías sin fingir que sus medidas de actividad describen a la misma población.

La ventaja estadounidense en computación sigue dependiendo de insumos físicos

El liderazgo en software de IA no elimina la dependencia de los sistemas industriales que hacen posible ese software.

La computación se refiere a los recursos de procesamiento utilizados para entrenar y ejecutar sistemas de IA. Lowy estima que los centros de datos de IA estadounidenses concentran casi 40 veces la capacidad informática combinada de China. También concluye que China lidera la producción de 30 minerales de la lista estadounidense de minerales críticos, frente a ocho de Estados Unidos.

La lista de minerales críticos abarca 60 materiales considerados vitales para la economía y la seguridad nacional de EE. UU. Su propósito se relaciona con la vulnerabilidad del suministro en toda la economía. No es una clasificación de materiales según su importancia individual para la IA.

Esta distinción evita otra simplificación engañosa. Liderar la producción de más minerales incluidos en la lista no se traduce automáticamente en una ventaja equivalente en sistemas de IA terminados. Los materiales deben pasar por procesos de fabricación, equipamiento, infraestructura y operaciones antes de respaldar una capacidad informática utilizable.

Sin embargo, la simplificación opuesta es igual de débil. Los modelos superiores no hacen desaparecer las dependencias previas. Un proveedor puede ocupar una posición importante sin producir el producto final más visible.

Esto crea una tensión persistente dentro de la competencia de IA entre EE. UU. y China. Diferentes participantes pueden influir en distintas etapas del mismo sistema industrial. El liderazgo en la capa de aplicaciones no ofrece protección automática frente a restricciones en otros ámbitos.

La electricidad añade otra dependencia. Las perspectivas energéticas de la IA de la Agencia Internacional de la Energía proyectan que el consumo eléctrico de los centros de datos aumentará de 485 teravatios-hora en 2025 a 950 en 2030. Identifican cuellos de botella en equipos energéticos y otras infraestructuras como restricciones para la expansión a corto plazo.

Un teravatio-hora mide la electricidad consumida a lo largo del tiempo. No mide la calidad de un modelo de IA ni la utilidad de sus respuestas. Sin embargo, las perspectivas energéticas explican por qué el equipamiento informático instalado no puede evaluarse por separado de los sistemas que lo abastecen.

La infraestructura anunciada y la infraestructura operativa merecen un tratamiento separado. Una instalación propuesta todavía necesita las condiciones físicas y comerciales necesarias para prestar un servicio fiable. Tratar cada anuncio como capacidad disponible de inmediato ocultaría esas condiciones.

Para un cliente empresarial, este debate industrial importa a través de los compromisos de servicio. La cuestión operativa se refiere al acceso fiable cuando aumentan las cargas de trabajo o los proveedores modifican sus ofertas. Una estimación de capacidad nacional no puede responder a esa cuestión para un contrato individual.

Para los gobiernos, la cuestión se refiere a la resiliencia a través de dependencias conectadas. Ampliar un insumo puede dejar al descubierto otra restricción. Más equipamiento aporta beneficios limitados si la infraestructura circundante no puede respaldarlo. Una base de proveedores diversificada también requiere alternativas prácticas, no solo nombres en un documento de políticas.

La radiografía de IA del Lowy Institute resulta más útil aquí como recordatorio de seguir la cadena de dependencia. Sus categorías identifican distintas fuentes de fortaleza. Los lectores aún necesitan evidencia sobre cómo se conectan esas fortalezas en la producción y el despliegue reales.

Por tanto, el panorama competitivo se resiste a una separación limpia entre software e industria. Cada uno depende del otro, mientras que las mejoras en un área pueden dejar sin resolver vulnerabilidades en otra.

El liderazgo en capacidades no garantiza el liderazgo en implementación

El modelo de propósito general más potente no se convierte automáticamente en el sistema más adecuado para cada tarea operativa.

Los escenarios de liderazgo en IA de Anthropic distinguen entre inteligencia de modelos, adopción nacional, distribución global y resiliencia social. La empresa sostiene que la capacidad es un factor central, al tiempo que reconoce que una implementación eficaz puede compensar una desventaja en inteligencia.

Esa perspectiva permite una interpretación más amplia de la competencia, pero exige atribución. Anthropic desarrolla modelos de IA y participa en el mercado que analiza. Su evaluación estratégica ofrece un punto de vista informado, no una confirmación independiente de cada afirmación competitiva.

La distinción subyacente sigue siendo útil. La capacidad de un modelo se refiere a lo que un sistema puede hacer en condiciones especificadas. La implementación se refiere a si una organización puede hacer útil esa capacidad dentro de sus propios procesos.

Un benchmark, una evaluación estandarizada utilizada para comparar sistemas, puede aclarar un conjunto definido de capacidades. No puede establecer automáticamente el rendimiento en todos los entornos de trabajo. Las tareas, los documentos, las restricciones operativas y las consecuencias de los errores varían.

Pensemos en un equipo de ingeniería hipotético que compara asistentes con su documentación interna. Un sistema podría producir explicaciones más fluidas, pero citar la versión incorrecta de una especificación técnica. Otro podría ofrecer una prosa menos pulida y, aun así, localizar sistemáticamente el documento correcto.

Ese ejemplo no demuestra que una familia concreta de modelos nacionales rinda mejor. Muestra por qué la evaluación del comprador debe conectar la capacidad con la tarea real. Una clasificación general deja esa conexión incompleta.

El control de la implementación plantea otra consideración. Un equipo que maneja material sensible podría preferir una configuración que mantenga el procesamiento dentro de un entorno aprobado. Otro equipo podría priorizar operaciones gestionadas porque carece de personal para mantener su propia infraestructura de modelos.

Estas decisiones implican costes de esfuerzo, responsabilidad y flexibilidad, incluso cuando no se compara ninguna suscripción. La operación independiente exige que alguien gestione las actualizaciones e investigue los fallos. El acceso gestionado exige que alguien evalúe las políticas y los compromisos de servicio del proveedor.

La adopción de IA en China debe examinarse desde esta perspectiva operativa. El interés en los modelos descargables puede reflejar una demanda de flexibilidad y control. No demuestra que todos los sistemas descargados lleguen a producción o sustituyan a un servicio existente.

El alcance de los consumidores estadounidenses también requiere una perspectiva operativa. La familiaridad puede ayudar a introducir un producto en una organización. Por sí sola, no puede establecer su idoneidad para trabajo confidencial, documentos especializados o decisiones que requieren evidencia fiable.

Para los trabajadores del conocimiento, la conexión es especialmente directa. La utilidad de un asistente suele depender del material que puede recuperar y de la evidencia que conserva. Un modelo general más potente no puede compensar documentos fuente ausentes u obsoletos.

Los equipos que evalúan una base de conocimientos de IA deberían, por tanto, examinar el acceso a la información junto con la elección del modelo. La competencia nacional aporta contexto, mientras que la propia evidencia de la organización determina si un asistente ofrece resultados útiles.

Aquí es donde capacidad y adopción se encuentran sin volverse idénticas. Mejores modelos amplían el abanico de aplicaciones posibles. Una implementación exitosa determina qué posibilidades se convierten en trabajo fiable. La cobertura informativa debe seguir los avances en ambos ámbitos y resistirse a declarar que uno sustituye por completo al otro.

La confianza pública no puede inferirse del liderazgo técnico

Producir sistemas de IA ampliamente utilizados no otorga automáticamente la autoridad para redactar las normas que los gobiernan.

La cuestión de la gobernanza se refiere a quién establece prácticas aceptables, responsabilidad y supervisión. Es distinta de la cuestión de qué país produce el modelo más capaz. Los usuarios pueden depender de un producto y, al mismo tiempo, desconfiar de las instituciones asociadas a él.

La encuesta sobre regulación de IA de septiembre de 2026 del Pew Research Center encontró una confianza mediana del 43% en China, del 35% en Estados Unidos y del 34% en la Unión Europea. Estos resultados procedían de 12 países encuestados, en su mayoría economías de ingresos medios.

El alcance de la encuesta importa tanto como los porcentajes. Pew planteó preguntas relacionadas en un grupo distinto de 25 países en 2025. Un cambio en los resultados agregados entre esas muestras no demuestra, por sí solo, que las mismas poblaciones hayan cambiado de opinión.

Esta cautela metodológica tiene consecuencias para la instantánea sobre IA del Lowy Institute. Su análisis de gobernanza debería impulsar un examen más detallado de las actitudes entre países. No debería fomentar una afirmación universal sobre la opinión pública mundial.

La confianza también es específica de la pregunta formulada. La confianza en que un gobierno pueda regular la IA no establece una preferencia por sus productos comerciales. Tampoco utilizar un asistente extranjero expresa necesariamente aprobación de las políticas de ese gobierno.

Para los compradores empresariales, la gobernanza se concreta a través de la responsabilidad. Alguien debe decidir a qué información puede acceder un asistente. Alguien debe investigar resultados dañinos o incorrectos. Alguien debe determinar cuándo la revisión humana es obligatoria.

Esas decisiones no pueden delegarse en una clasificación nacional. Una organización necesita configuraciones que sigan siendo comprensibles cuando algo sale mal. La evidencia relevante incluye procedimientos operativos, compromisos exigibles y responsabilidades claramente asignadas.

Para los gobiernos fuera de Estados Unidos y China, la misma distinción abre espacio para decisiones independientes. Pueden evaluar sistemas importados frente a requisitos nacionales sin tratar la contratación como un respaldo incondicional al país del proveedor.

Eso no hace que las decisiones sean políticamente sencillas. Las dependencias técnicas y las relaciones políticas pueden interactuar. Aun así, tratar cada compra como una alineación geopolítica completa borraría las diferencias prácticas entre aplicaciones e instituciones.

También existe una limitación en la estructura general de la instantánea. La ponderación igualitaria hace que el marco sea fácil de leer, pero los pesos iguales representan una elección analítica. No demuestran que cada categoría tenga el mismo efecto en los resultados futuros.

Un gobierno que enfrenta una interrupción del suministro podría dar mayor peso a los insumos industriales. Una empresa de software que se expande internacionalmente podría enfatizar la distribución. Una agencia pública que maneja registros sensibles podría priorizar la responsabilidad y el control operativo.

Ninguna de estas prioridades invalida el informe. Muestran por qué los lectores deben separar su evaluación general de sus propios criterios de decisión. El marco favorece el escrutinio cuando sus supuestos permanecen visibles.

La conclusión escéptica es, por tanto, específica: la instantánea organiza evidencia sobre liderazgo, mientras deja sin resolver preguntas importantes sobre los resultados. No establece una superioridad universal de productos, una dominancia futura inevitable ni un derecho internacionalmente aceptado a gobernar la IA.

Qué vigilar después de la instantánea sobre IA del Lowy Institute

La próxima evidencia útil conectará las afirmaciones competitivas con un uso sostenido, infraestructura funcional y decisiones operativas exigibles.

La primera señal se refiere a la adopción más allá del interés inicial. En los próximos meses, los lanzamientos de modelos y las actualizaciones de distribución merecen atención cuando incluyan evidencia de implementación continuada. Los totales de descargas siguen siendo útiles, pero la evidencia de uso operativo recurrente reforzaría las afirmaciones sobre una influencia duradera.

Para los modelos chinos descargables, la distinción clave es entre experimentación y dependencia continuada. Un modelo probado durante el desarrollo ocupa una posición distinta de uno que respalda las operaciones habituales de una organización. Una cobertura que documente la transición aclararía la importancia de las ganancias de distribución.

El mismo estándar debería aplicarse a los servicios estadounidenses. Una mayor atención no implica necesariamente una utilidad sostenida. La evidencia de uso organizativo continuado respaldaría mejor las afirmaciones de que el alcance entre consumidores se traduce en una influencia operativa duradera.

Esta señal reforzaría la interpretación de Lowy si las ventajas estadounidenses de distribución persisten mientras la actividad de modelos abiertos chinos permanece concentrada en la experimentación. Debilitaría una interpretación simple de esa lectura si los modelos chinos logran un uso documentado y sostenido en aplicaciones operadas de forma independiente.

La segunda señal se refiere a la infraestructura que entra en servicio. Las actualizaciones de las empresas y las divulgaciones públicas deberían distinguir las instalaciones propuestas de la capacidad operativa. La evidencia sobre acceso a la electricidad, disponibilidad de equipos y puesta en marcha ayudaría a explicar si la expansión anunciada se convierte en capacidad informática utilizable.

Esa evidencia importa en ambos lados de la competencia. Una infraestructura operativa adicional reforzaría la posición del ecosistema que pueda utilizarla eficazmente. Los retrasos debilitarían las conclusiones que dependen de que la capacidad anunciada llegue según lo previsto.

La tercera señal se refiere a que la gobernanza se vuelva operativa. Observe los requisitos de contratación, las salvaguardas implementadas y las evaluaciones publicadas que cambien la forma en que las organizaciones pueden implementar IA. Los anuncios de adhesión y las declaraciones generales de política aportan menos evidencia que las normas con responsabilidades definidas.

Esta señal cuestionaría la suposición de que el liderazgo técnico determina automáticamente la influencia en la gobernanza. Las instituciones fuera de los países líderes en producción de modelos aún pueden dar forma a requisitos prácticos. Su influencia se vuelve más clara cuando esos requisitos afectan implementaciones reales.

Para los lectores que siguen la competencia de IA entre Estados Unidos y China, estas señales ofrecen una alternativa disciplinada a reaccionar ante cada afirmación de liderazgo. Cada una pregunta si un desarrollo medible cambia la relación entre capacidad, distribución y dependencia.

Conserve la evidencia original junto a cada actualización posterior. Registre qué población cubre una estadística de adopción, qué etapa ha alcanzado un proyecto de infraestructura y qué obligaciones crea un anuncio de gobernanza. Ese registro hace que las comparaciones posteriores sean más útiles.

Antes de su próxima compra o implementación de IA, traduzca la instantánea sobre IA del Lowy Institute en preguntas sobre su propia exposición. ¿Qué proveedor controla el acceso al sistema? ¿Qué documentos puede utilizar? ¿Qué ocurre cuando cambia su comportamiento? ¿Quién gestiona los fallos y con qué facilidad puede la organización trasladar su trabajo?

Compare los sistemas candidatos usando tareas representativas y requisitos operativos claros. Conserve los resultados para que una nueva versión pueda someterse a la misma evaluación. Siga la competencia nacional como contexto y, después, exija evidencia en el nivel donde su organización realmente trabaja. ¿Qué dependencia sería más difícil de sustituir si cambiara el panorama competitivo?