El informe de difusión de IA de Microsoft muestra que la adopción crece mientras se amplían las brechas regionales
El último informe de difusión de IA de Microsoft registra un uso mundial del 18,8 %, pese a una brecha cada vez mayor entre el Norte Global y el Sur Global. Casi todas las economías analizadas ganaron usuarios durante el segundo trimestre de 2026. Sin embargo, la adopción creció más rápido en mercados ya conectados y con mayores ingresos.
El resultado complica la conocida afirmación de que la IA generativa se está extendiendo por todas partes a la misma velocidad. La adopción global se expande, pero el acceso a infraestructura, conectividad, competencias digitales y modelos útiles a nivel local sigue determinando quién se beneficia primero.
Esta tensión importa más allá de la clasificación de países individuales. Los gobiernos están tratando el acceso a la IA como una prioridad económica, mientras las empresas pasan de experimentar con chatbots a incorporar flujos de trabajo rutinarios. Microsoft, OpenAI, Google, Meta y un creciente grupo de desarrolladores de modelos abiertos compiten por atender esa demanda.
El informe de difusión de IA de Microsoft detecta crecimiento casi en todas partes
El titular es el crecimiento generalizado, pero el desarrollo más importante es dónde se acumuló ese crecimiento.
Microsoft publicó su informe de difusión de IA correspondiente al segundo trimestre de 2026 el 21 de septiembre. Estima que el 18,8 % de la población mundial en edad de trabajar utilizó un producto de IA generativa durante el periodo analizado.
La cifra aumentó desde el 17,8 % del primer trimestre y el 16,3 % de la segunda mitad de 2025. El avance alcanzó a casi todas las economías del conjunto de datos, lo que sugiere que la IA generativa ha superado a un pequeño grupo de mercados de adopción temprana.
Microsoft define la difusión de IA como la proporción de personas de entre 15 y 64 años que utilizaron un producto de IA generativa durante un periodo de referencia. Sus estimaciones se basan en telemetría agregada y anonimizada de Microsoft.
La empresa ajusta esas observaciones según la cuota de mercado de sistemas operativos y dispositivos, la penetración de internet y la población nacional. El resultado se denomina AI User Share, una estimación normalizada por población diseñada para comparar países.
No equivale a medir las compras corporativas de IA, la capacidad de los centros de datos ni el número de modelos desarrollados localmente. Busca medir el uso real de productos entre las personas en edad de trabajar.
Los Emiratos Árabes Unidos se mantuvieron como la economía líder, con un uso estimado de IA del 73,3 %. Singapur le siguió con un 64,3 %, mientras Irlanda alcanzó el 49,9 %, Francia el 49,6 % y Noruega el 49,4 %.
Estas cifras muestran que el desarrollo de modelos no determina por sí solo la adopción. Ni los EAU ni Singapur cuentan con la misma concentración de laboratorios de modelos de frontera que Estados Unidos o China. Aun así, ambos han logrado un uso elevado gracias a la conectividad, los servicios digitales, la coordinación gubernamental y fuerzas laborales conectadas internacionalmente.
Corea del Sur registró el mayor aumento trimestral absoluto entre las economías líderes. Su AI User Share subió 3,5 puntos porcentuales hasta el 40,6 %, con lo que el país pasó del decimosexto al duodécimo lugar.
Esto prolongó una aceleración más amplia. Microsoft afirma que Corea del Sur sumó casi 15 puntos porcentuales durante los 12 meses anteriores, el mayor aumento entre las principales economías a lo largo de tres periodos de referencia consecutivos.
Arabia Saudí registró el mayor ascenso en la clasificación. Su proporción de usuarios pasó del 29,4 % al 31,4 %, lo que le ayudó a subir cinco puestos y entrar en el top 25.
Japón registró el mayor aumento relativo. El uso creció del 22,5 % en el primer trimestre al 24,7 % en el segundo, un incremento de aproximadamente el 10 % respecto a su nivel anterior.
Estados Unidos subió del 31,3 % al 33 %, pero se mantuvo en el vigesimoprimer puesto de la clasificación. Esa posición pone de relieve la diferencia entre producir sistemas de IA y difundirlos entre toda una población.
La metodología a nivel de país cubría originalmente 147 economías y encontró una fuerte relación entre el uso de IA y la renta nacional. La investigación subyacente informó de una correlación de Spearman de 0,83 entre AI User Share y el producto interior bruto por persona.
La correlación no demuestra que la riqueza cause directamente la adopción de IA. Sin embargo, la relación encaja con el patrón de infraestructura visible en todo el informe. La electricidad, el acceso a internet, los dispositivos adecuados, las competencias y los servicios asequibles afectan a la posibilidad de que una persona utilice IA generativa de forma habitual.
Por tanto, las nuevas cifras describen dos desarrollos simultáneos. La IA llega a más personas, pero los mercados con bases digitales más sólidas siguen convirtiendo los nuevos productos en uso cotidiano con mayor rapidez.
La brecha global de adopción de IA sigue ampliándose
El crecimiento mundial no ha cerrado la división porque el Norte Global sigue sumando usuarios a un ritmo más rápido.
El uso de IA en el Norte Global alcanzó el 28,8 % durante el segundo trimestre, frente al 27,5 %. El Sur Global llegó al 16,2 %, desde el 15,4 %.
Ambos grupos crecieron, pero sus avances fueron distintos. El Norte sumó 1,3 puntos porcentuales, frente a 0,8 puntos en el Sur.
La brecha resultante se amplió de 12,1 puntos porcentuales a 12,6 puntos durante el trimestre. Había sido de 10,6 puntos en la segunda mitad de 2025.
Esta dirección es más trascendente que la media global de un trimestre. Si los mercados más fuertes siguen avanzando más rápido, las ventajas económicas y educativas asociadas al uso de IA pueden acumularse antes de que los mercados más lentos establezcan un acceso comparable.
La infraestructura es parte de la explicación. Los productos de IA suelen requerir electricidad fiable, conectividad a internet, dispositivos compatibles y datos asequibles. Un modelo puede estar disponible en línea sin ser accesible en la práctica para alguien que afronta un servicio poco fiable o altos costes de conectividad.
El idioma es otra limitación. Muchos sistemas ampliamente utilizados funcionan mejor en lenguas con abundante texto digital, datos de evaluación y demanda comercial. Los usuarios que trabajan en lenguas con menos recursos pueden encontrarse con respuestas más débiles, interfaces limitadas o menos herramientas relevantes a nivel local.
Las competencias digitales añaden una tercera barrera. Abrir un chatbot es sencillo, pero un uso productivo suele exigir que los usuarios evalúen las fuentes, protejan la información sensible, estructuren sus solicitudes y conecten los resultados con el trabajo real.
Las organizaciones afrontan desafíos relacionados. Una empresa necesita datos adecuados, gobernanza, formación del personal y un flujo de trabajo definido antes de que los experimentos ocasionales se conviertan en operaciones fiables.
Por eso la adopción no puede inferirse únicamente de la disponibilidad de productos. La existencia de una interfaz web gratuita no elimina los costes más amplios de conectividad, dispositivos, formación, verificación e integración.
Las categorías de Norte Global y Sur Global también exigen cautela. Agrupan países con niveles de renta, demografías, idiomas, sistemas políticos y mercados tecnológicos muy diferentes.
Los EAU y Singapur, por ejemplo, encabezan toda la clasificación pese a aparecer a menudo en debates geográficos amplios sobre el Sur Global. Sus resultados advierten contra la idea de tratar a miles de millones de personas como un único mercado tecnológico.
Los investigadores consultados sobre la división también han cuestionado si la etiqueta fomenta supuestos excesivamente amplios. Una media regional útil puede revelar desigualdad y, al mismo tiempo, ocultar diferencias dentro de cada grupo.
El mismo problema aparece dentro de los países ricos. La investigación independiente de Microsoft sobre Estados Unidos encontró diferencias considerables entre comunidades urbanas y rurales. Las medias nacionales pueden ocultar brechas relacionadas con la educación, el acceso a banda ancha, el empleo y la industria local.
Esto convierte la brecha global en un problema de distribución, más que en una simple carrera entre dos bloques fijos. La cuestión central es si las personas de cada país pueden transformar la IA disponible en actividad útil y repetible.
La investigación anterior de Microsoft aporta una pista importante. En países con baja penetración de internet, la adopción solía ser mucho mayor entre la población conectada que entre el total de la población en edad de trabajar.
El estudio técnico concluyó que la AI User Share de Zambia pasó del 12 % de su población al 34 % entre las personas conectadas. La estimación de Pakistán aumentó del 10 % al 33 % al medirse respecto a los usuarios de internet.
Estas comparaciones no demuestran que la conectividad por sí sola vaya a eliminar la brecha. Sí muestran una demanda latente considerable entre las personas que pueden conectarse.
La conclusión central del informe se desprende de esta evidencia. Una adopción nacional lenta no refleja necesariamente poco interés por la IA. Puede reflejar una carencia de las condiciones necesarias para transformar el interés en uso.
La adopción de IA por país también revela usos distintos
La división no se refiere solo a cuántas personas usan IA, sino también a qué piden hacer con ella los primeros adoptantes.
Microsoft examinó un subconjunto de conversaciones de consumidores con Copilot mediante un clasificador que preserva la privacidad. El clasificador agrupó las conversaciones según su intención principal, como aprendizaje, redacción, programación, búsqueda o compras.
El análisis concluyó que el aprendizaje autodirigido y el desarrollo de competencias representaban una proporción de conversaciones un 29,2 % mayor en el Sur Global que en la mezcla mundial. Las tareas escolares y el apoyo académico registraron una proporción un 32,3 % mayor.
Las tareas de creación y edición también aparecieron con mayor frecuencia. Incluían trabajos relacionados con texto, código e imágenes.
El Norte Global se inclinó más hacia las compras, la investigación de productos, la recuperación de información y los comentarios. Se trata de proporciones relativas, no de mediciones directas del número total de conversaciones.
El patrón educativo ofrece un contrapeso a la brecha de adopción. Las personas de mercados menos conectados que ya utilizan IA generativa parecen especialmente interesadas en el conocimiento y el desarrollo de competencias.
Esta distinción importa para escuelas, gobiernos y equipos de producto. Un mercado con menor penetración general puede seguir teniendo una fuerte demanda de tutoría, traducción, asistencia para redactar y aprendizaje técnico.
El patrón también tiene implicaciones para los trabajadores del conocimiento. La adopción útil de IA rara vez termina al generar una respuesta. Las personas necesitan conectar las respuestas con documentos fiables, decisiones anteriores y contexto específico de cada materia.
Una base de conocimiento personal con capacidad de búsqueda puede ayudar a los usuarios a conservar ese contexto. Sin embargo, el software no puede sustituir la conectividad, la evaluación de fuentes ni el apoyo a los idiomas locales.
Microsoft advierte contra la extrapolación de sus hallazgos sobre conversaciones al conjunto de la población. Los datos describen a los primeros adoptantes que utilizan Copilot para consumidores, no a todas las personas del Sur Global.
La demografía también puede influir en el resultado. El Sur Global tiene una población más joven, lo que puede aumentar la importancia relativa de las tareas escolares y la formación en competencias.
El conjunto de datos no revela por qué los usuarios eligieron tareas concretas. Una mayor proporción de aprendizaje podría reflejar demanda educativa no satisfecha, usuarios más jóvenes, presión del mercado laboral o la ausencia de otros servicios digitales.
Tampoco una categoría de conversación mide la calidad del aprendizaje. Un estudiante puede utilizar IA para comprender un concepto, redactar una tarea u obtener una respuesta poco fiable. La clasificación registra la intención, no los resultados educativos.
Incluso con estas limitaciones, la comparación cuestiona una visión limitada de la adopción. Los mercados con menos usuarios no son simplemente versiones retrasadas de los mercados más ricos.
Sus casos de uso pueden desarrollarse en torno a necesidades diferentes. La educación, el acceso multilingüe, los servicios públicos y la asistencia a pequeñas empresas pueden importar más que las compras o el software para el lugar de trabajo.
Esto presiona a los proveedores de modelos para competir en relevancia, no solo en rendimiento en benchmarks. Un sistema que maneje idiomas locales, planes de estudio, leyes y contexto cultural puede ser más valioso que un modelo general más potente con una adaptación regional limitada.
También cambia la cuestión de las políticas. Expandir la adopción de la IA sin mejorar la calidad de la información y las habilidades de los usuarios puede difundir asistencia poco fiable con la misma rapidez que herramientas útiles.
Por tanto, la oportunidad está ligada a la responsabilidad. La demanda educativa puede favorecer un acceso más amplio, pero también plantea cuestiones sobre precisión, privacidad, integridad académica y diseño adecuado para cada edad.
Los modelos de pesos abiertos podrían reducir una barrera, pero no todas
Los modelos de pesos abiertos pueden mejorar la asequibilidad y la adaptación local, pero no pueden proporcionar electricidad, conectividad ni usuarios capacitados.
Un modelo de pesos abiertos publica los parámetros numéricos aprendidos durante el entrenamiento. Los desarrolladores pueden descargar, modificar e implementar esos pesos, aunque los datos de entrenamiento y el código de desarrollo pueden seguir siendo cerrados.
Esta distinción importa porque los pesos abiertos no siempre implican un modelo completamente de código abierto. Aun así, el acceso a los pesos del modelo otorga a las organizaciones más control que un sistema disponible únicamente mediante un servicio propietario.
Microsoft sostiene que estos modelos se están convirtiendo en una vía importante para la difusión global de la IA. Pueden adaptarse a idiomas locales y dominios especializados sin exigir a una organización que entrene desde cero un modelo de frontera.
También permiten a los desarrolladores elegir entre proveedores de alojamiento o ejecutar un modelo en su propia infraestructura. Esa flexibilidad puede reducir la dependencia de un único proveedor y respaldar implementaciones con requisitos de datos más estrictos.
Es difícil contabilizar el uso de modelos de pesos abiertos a través del tráfico de chatbots de consumo. Las personas pueden encontrarlos dentro de aplicaciones, agentes de programación, servicios públicos o sistemas empresariales sin saber qué modelo generó la respuesta.
Las implementaciones autoalojadas crean otro punto ciego, porque su tráfico podría no llegar nunca a un proveedor centralizado. Por ello, Microsoft examinó la actividad de las interfaces de programación de aplicaciones como una señal complementaria.
El informe se basa en OpenRouter, un servicio que enruta solicitudes de desarrolladores entre numerosos modelos abiertos y propietarios. Microsoft afirma que su análisis de datos públicos reveló que los sistemas de pesos abiertos gestionaban el 75 % del uso de tokens en esa plataforma.
La cifra es llamativa, pero no representa una cuota de mercado mundial. OpenRouter atrae a desarrolladores especialmente dispuestos a comparar proveedores y cambiar de modelo. También excluye gran parte del uso directo de sistemas propietarios y de modelos abiertos alojados de forma privada.
Un análisis anterior de OpenRouter, que abarcó más de 100 billones de tokens, situó a los sistemas de pesos abiertos en aproximadamente un tercio del volumen a finales de 2025. Los lanzamientos de DeepSeek, Kimi, Qwen y OpenAI habrían generado aumentos que continuaron después de sus períodos de lanzamiento.
La persistencia importa porque el tráfico de lanzamiento puede reflejar curiosidad en lugar de una adopción fiable. Un volumen sostenido de tokens ofrece evidencia más sólida de que los desarrolladores están incorporando los modelos a flujos de trabajo recurrentes.
Los sistemas de pesos abiertos también han reducido parte de la brecha de capacidades frente a los modelos propietarios. El informe indica que los principales lanzamientos abiertos suelen acercarse a la frontera cerrada en varios meses, aunque el rendimiento varía según la tarea.
Ese patrón fomenta el enrutamiento de modelos. Una aplicación puede reservar un sistema propietario de alta capacidad para solicitudes difíciles y asignar el trabajo rutinario a un modelo abierto menos costoso.
Para las organizaciones que procesan grandes cargas de trabajo, esta elección puede determinar si un servicio de IA sigue siendo económicamente viable. Los agentes pueden generar llamadas repetidas a modelos, lo que hace que la eficiencia de inferencia sea más importante que una sola respuesta impresionante.
Las implicaciones son especialmente relevantes en mercados de menores ingresos. Universidades, organizaciones sin fines de lucro, gobiernos y empresas locales pueden adaptar un modelo existente en lugar de financiar un sistema original a escala de frontera.
Microsoft cita su investigación Bring Your Own Language como ejemplo. El proyecto mejoró el rendimiento medio del chichewa y el maorí en alrededor de un 12 % en un conjunto de pruebas mediante el refinamiento de datos y la adaptación de modelos.
Ese resultado no significa que todos los idiomas con pocos recursos puedan recibir la misma mejora. Demuestra por qué los pesos editables y los datos locales cuidadosamente preparados pueden ser importantes.
DeepSeek ofreció un ejemplo anterior de cómo la accesibilidad afecta a la adopción. Según informaciones sobre los hallazgos previos de Microsoft, su lanzamiento de R1 ayudó a aumentar el uso en China y atrajo usuarios en mercados en desarrollo.
La respuesta de los mercados en desarrollo mostró cómo un modelo ampliamente disponible puede modificar la adopción fuera de los mercados atendidos más directamente por plataformas estadounidenses.
Sin embargo, los modelos abiertos no pueden eliminar los cuellos de botella fundamentales identificados por el informe. Un modelo descargable todavía necesita hardware, electricidad, personal técnico, controles de seguridad y una aplicación a la que las personas puedan acceder.
La adaptación local también exige datos adecuados. Las comunidades con poco texto digitalizado pueden tener la mayor necesidad de apoyo lingüístico y el menor volumen de material disponible para entrenamiento o evaluación.
Por tanto, los pesos abiertos solo abordan una parte del principal antagonista de esta historia: la promesa de acceso universal a la IA frente a las condiciones desiguales del uso real.
Pueden reducir los costes a nivel de modelo y mejorar la relevancia local. No pueden cerrar por sí solos una brecha generada por infraestructura, habilidades, instituciones e ingresos.
La medición de Microsoft tiene un punto ciego importante
Las cifras ofrecen una referencia direccional útil, pero no representan un censo completo de la actividad global de IA.
Microsoft reconoce que ningún indicador único puede medir por completo la adopción de IA. Su telemetría ofrece evidencia conductual oportuna, pero refleja naturalmente los productos, dispositivos y tráfico visibles para Microsoft.
La empresa ajusta las diferencias en sistemas operativos, acceso a dispositivos, penetración de internet y población. Esas correcciones hacen que las comparaciones sean más significativas, pero los ajustes estadísticos no pueden observar todos los servicios de IA.
El problema resulta especialmente visible en China. Las aplicaciones nacionales de empresas chinas pueden atraer un uso amplio sin aparecer de forma proporcional en la cobertura actual de productos de Microsoft.
Microsoft afirma que su próximo informe ampliará la lista de herramientas de IA medidas. Espera que el cambio incremente la adopción estimada en casi todas las economías, con un efecto mayor en China.
Esta futura revisión representará principalmente una mejor medición del uso existente, no un repentino aumento de adopción. Por ello, los lectores deberían evitar interpretar el próximo incremento como crecimiento puramente orgánico.
El número de aplicaciones disponibles también está aumentando rápidamente. Hugging Face Spaces, que aloja demostraciones y aplicaciones de IA ejecutables, pasó de aproximadamente 124.000 al final de 2023 a 1,46 millones en septiembre de 2026.
Microsoft estima que el total aumentó alrededor de un 83 % desde su primer informe de difusión a finales de 2025. Estos Spaces abarcan desde experimentos personales hasta proyectos más orientados a producción.
No deberían contabilizarse como 1,46 millones de productos comerciales distintos. Sin embargo, su crecimiento muestra por qué una lista fija de herramientas supervisadas se vuelve menos representativa con el tiempo.
El repositorio público del informe enumera explícitamente otras limitaciones. AI User Share mide el uso, no la capacidad, productividad, seguridad ni impacto económico.
Una persona que prueba brevemente un chatbot y un profesional que usa varios modelos a diario pueden aparecer ambos como usuarios. Su exposición económica y beneficio práctico pueden ser completamente distintos.
La métrica tampoco demuestra que la IA mejore el trabajo. El uso puede incluir asistencia productiva, resultados de baja calidad, entretenimiento, trabajo escolar, experimentación o actividad automatizada integrada en otro servicio.
Microsoft tiene un interés comercial en ampliar la adopción de IA. Vende infraestructura en la nube, acceso a modelos, software de productividad y servicios de IA para consumidores.
Ese interés no invalida la investigación, especialmente porque la empresa publica su metodología y datos descargables. Sí hace importante la comparación independiente.
Las encuestas, el tráfico de API, los estudios laborales, los datos de descargas y las estadísticas nacionales pueden poner a prueba distintas partes del panorama. Ninguno ofrece por sí solo una visión completa.
Las etiquetas regionales introducen otro desafío de medición. El Norte Global y el Sur Global son agrupaciones analíticas, no unidades económicas o políticas uniformes.
Los promedios pueden revelar que el acceso es desigual mientras ocultan mercados líderes, regiones frágiles y grandes diferencias dentro de los países. La cobertura debe mantener visibles ambos niveles.
La interpretación más justa es que Microsoft ha producido una señal amplia y actualizada con frecuencia. Resulta más útil para comparar dirección y adopción relativa que para declarar un recuento exacto de cada usuario de IA.
El hallazgo de que la brecha se amplió sigue siendo significativo dentro de ese marco. La misma metodología muestra que ambas regiones crecen, aunque el Norte avanza más rápido en períodos de informes sucesivos.
Aun así, la expansión prevista de la cobertura puede cambiar las clasificaciones de países y las estimaciones regionales. El próximo conjunto de datos será una prueba metodológica además de una actualización de adopción.
Tres señales mostrarán si la brecha empieza a cerrarse
La siguiente fase depende de si una medición más amplia, un acceso más barato a los modelos y la infraestructura fundamental comienzan a avanzar en la misma dirección.
La primera señal es la cobertura ampliada de herramientas de Microsoft. El próximo informe debería mostrar cuánto uso omite el método actual, en particular en China y en mercados dominados por aplicaciones nacionales.
Una revisión al alza considerable debilitaría las comparaciones entre países basadas en las clasificaciones actuales. No necesariamente eliminaría la brecha Norte-Sur, pero podría mostrar que parte de la división refleja visibilidad más que comportamiento.
Una revisión modesta reforzaría la interpretación actual. Sugeriría que la desigualdad en infraestructura y acceso sigue siendo la explicación dominante incluso después de que más productos entren en la medición.
Los lectores deberían separar las revisiones metodológicas del crecimiento trimestre a trimestre. Microsoft ya ha advertido que una cobertura más amplia captará actividad que ya existe hoy.
La segunda señal es el uso sostenido de pesos abiertos fuera de las plataformas de enrutamiento para desarrolladores. La combinación de tokens de OpenRouter apunta a una adopción rápida, pero sus usuarios no representan al mercado entero.
La evidencia de proveedores de nube, implementaciones empresariales, universidades y servicios públicos mostraría si los modelos abiertos se están convirtiendo en infraestructura duradera. El crecimiento de aplicaciones localizadas sería especialmente relevante.
La evidencia más sólida conectaría la disponibilidad de modelos con nuevos usuarios o mejores servicios en mercados con menor adopción. El volumen de tokens por sí solo no puede demostrar si los beneficios están llegando a personas que antes carecían de acceso.
Una reversión también sería informativa. Si el uso de modelos abiertos se concentra entre desarrolladores bien financiados de mercados ricos, una mejor economía de los modelos podría reforzar las ventajas existentes en vez de cerrar la brecha.
La tercera señal es el progreso en conectividad y habilidades prácticas. Los datos de acceso a internet mantenidos por la Unión Internacional de Telecomunicaciones ofrecen contexto esencial para cualquier clasificación de adopción.
Hay que observar si los países con bajo uso de IA a nivel poblacional reducen la diferencia entre la adopción total y la de usuarios conectados. Eso indicaría que los programas de acceso están llegando más allá de una minoría que ya está conectada.
Los programas de capacitación requieren un escrutinio similar. Los totales de matriculación son evidencia más débil que el uso continuado, la formación completada, la aplicación en el trabajo o resultados educativos medibles.
Para los compradores empresariales, el informe ofrece una advertencia directa. Una estrategia global de IA no puede asumir infraestructura, apoyo lingüístico ni preparación de los empleados idénticos en todos los mercados.
Para los desarrolladores, la localización no es una función secundaria. Puede determinar si un modelo que obtiene buenos resultados en una prueba comparativa llega a ser útil en un aula, una clínica, una oficina gubernamental o una pequeña empresa.
Para los trabajadores del conocimiento, el aumento de la adopción eleva el valor de verificar las fuentes y de contar con un contexto duradero. Un mayor acceso a la IA implica más material generado, no conocimiento automáticamente más fiable.
El informe de Microsoft sobre la difusión de la IA muestra que la IA generativa sigue expandiéndose con rapidez. También evidencia que el crecimiento por sí solo no distribuye las oportunidades de forma equitativa.
La siguiente pregunta no es si la adopción mundial volverá a aumentar. Es si la conectividad, las habilidades, los modelos localizados y un acceso más amplio a los productos permitirán que los mercados con menor adopción crezcan más rápido que los líderes.
Siga de cerca la próxima actualización metodológica, los despliegues reales de modelos abiertos y el uso entre la población conectada. Si los tres mejoran, la brecha creciente puede empezar a reducirse. Si se separan aún más, una tecnología disponible globalmente seguirá produciendo resultados marcadamente regionales.
