La estrategia de IA pequeña del Banco Mundial desafía la carrera hacia modelos más grandes
La estrategia de IA pequeña del Banco Mundial insta a los países en desarrollo a apostar por sistemas específicos y preparados para dispositivos móviles, pese a la carrera de la industria hacia modelos cada vez más grandes y costosos. Estas herramientas se orientan a problemas concretos, emplean conjuntos de datos más acotados y pueden funcionar con conectividad limitada. El enfoque desplaza la atención del liderazgo en benchmarks hacia la capacidad de la IA para ofrecer conocimiento útil mediante dispositivos y redes que las personas ya poseen.
El director de conocimientos del Banco Mundial, Paschal Donohoe, defendió esta postura durante las reuniones del Banco Mundial y el Fondo Monetario Internacional en Bangkok. Declaró a the Guardian que una IA adaptada localmente podría condensar en décadas avances de desarrollo que antes requerían siglos. La afirmación es ambiciosa, pero el conflicto subyacente es inmediato: la IA de frontera depende de infraestructura costosa concentrada en economías ricas, mientras que la IA pequeña busca operar dentro de las limitaciones locales.
La estrategia no sostiene que los sistemas más pequeños puedan sustituir todos los modelos de frontera. Plantea que la mayoría de las economías en desarrollo deberían priorizar la adopción y la adaptación local antes de intentar construir por sí mismas los sistemas más avanzados. Esta elección presiona a gobiernos, instituciones de desarrollo y proveedores tecnológicos para demostrar que la IA especializada puede escalar más allá de proyectos piloto aislados.
El impulso del Banco Mundial hacia la IA pequeña cambia el objetivo del desarrollo
El Banco Mundial está redefiniendo el progreso de la IA en torno a servicios accesibles, no al tamaño del modelo subyacente.
La IA pequeña se refiere a sistemas asequibles diseñados para tareas específicas, idiomas locales y dispositivos comunes. Un modelo puede analizar una imagen de un cultivo, respaldar un cribado médico u ofrecer orientación mediante una llamada de voz. No necesita responder todas las preguntas ni competir en benchmarks académicos generales.
Ese alcance más limitado distingue este enfoque de los modelos de propósito general desarrollados por empresas como OpenAI, Google, Anthropic y Meta. Esos sistemas requieren una amplia capacidad de cómputo durante el entrenamiento. Sus servicios más capaces también dependen de infraestructura en la nube y conectividad fiable durante su uso.
El Banco Mundial sostiene que los países en desarrollo pueden comenzar en otro punto. Su hoja de ruta de desarrollo recomienda tres etapas: adoptar herramientas existentes, adaptarlas a las condiciones locales y avanzar hacia el desarrollo de frontera solo cuando las capacidades nacionales justifiquen el gasto.
Esta secuenciación es central en la propuesta. Un gobierno no necesita un modelo propio de propósito general antes de desplegar asesoramiento agrícola apoyado por IA. Una clínica no necesita banda ancha constante si un sistema especializado de cribado puede operar localmente y sincronizarse más tarde.
Donohoe explicó esa distinción mediante AgriConnect, una iniciativa agrícola del Banco Mundial en India. Los agricultores necesitan información sobre el suelo aplicable a sus cultivos, ubicaciones e idiomas. El país no puede situar a un científico agrícola junto a cada pequeña explotación, pero un sistema basado en teléfonos podría distribuir parte de ese conocimiento especializado.
El modelo aún necesita datos agrícolas fiables y validación local. También requiere una interfaz que los agricultores puedan utilizar, lo que puede implicar voz en lugar de texto. Por tanto, la IA pequeña describe más que un modelo compacto. Es una estrategia de prestación organizada en torno a un usuario definido, un entorno limitado y una tarea medible.
El planteamiento del Banco Mundial llega en un momento en que la inversión en IA continúa concentrada en torno a los grandes modelos y la infraestructura que los respalda. Ese mercado recompensa las capacidades generales, las plataformas globales y las actualizaciones frecuentes de modelos. Los proyectos de desarrollo suelen necesitar algo menos llamativo: un rendimiento predecible ante un problema local, bajo condiciones operativas difíciles.
Por eso importa la entrevista sobre IA pequeña. El Banco Mundial pide a los países que traten la localización como el producto principal, no como una función secundaria añadida después del despliegue.
Este cambio también modifica cómo debería medirse el éxito. Un sistema más pequeño no necesita superar a un modelo de frontera en todas las pruebas. Debe producir un resultado útil a un coste aceptable, en el idioma requerido, con el hardware disponible y con salvaguardas adecuadas al contexto.
La propuesta transforma la pregunta del desarrollo de “¿Puede este país construir un modelo líder?” a “¿Puede este país ofrecer mejores decisiones allí donde escasea la experiencia especializada?”. Es un objetivo más práctico, pero también exige evidencia más sólida sobre el terreno.
Por qué los modelos más grandes encajan mal con las limitaciones locales
La carrera por los modelos de frontera presupone una infraestructura que gran parte del mundo en desarrollo aún no posee.
El informe de 2026 del Banco Mundial señala que la IA se está extendiendo más rápido que las anteriores tecnologías de propósito general. La máquina de vapor tardó unos 80 años en llegar a los países de menores ingresos, la electricidad tardó aproximadamente 40 años e internet cerca de 20 años. Los países de renta media generaron la mitad del tráfico global de ChatGPT en los seis meses posteriores a su lanzamiento.
Sin embargo, una difusión rápida no implica acceso equitativo. El Banco Mundial afirma que 2.200 millones de personas siguen sin conexión. Su informe sobre IA pequeña también indica que los países de bajos ingresos representan menos del uno por ciento del uso de ChatGPT.
La brecha se acentúa al considerar la infraestructura. En África subsahariana, casi un tercio de las escuelas rurales carece de electricidad fiable. Más de dos tercios no cuentan con acceso fiable a internet, según los hallazgos del Banco sobre desarrollo de IA.
Un servicio en la nube puede estar disponible técnicamente y, aun así, resultar prácticamente inaccesible. La inestabilidad eléctrica interrumpe los dispositivos y los equipos de red. Los costosos datos móviles limitan el uso recurrente. Una latencia elevada puede hacer frustrantes las herramientas interactivas. Una interfaz centrada en texto excluye a quienes no pueden leer el idioma compatible.
El desarrollo de frontera crea otra barrera. Los modelos avanzados requieren chips especializados, grandes centros de datos, extensos datos de entrenamiento e investigadores con experiencia. Estos activos siguen concentrados en un pequeño número de empresas y países.
El anterior informe sobre fundamentos de IA del Banco Mundial concluyó que los países de altos ingresos concentraban el 87 por ciento de los modelos de IA destacados en julio de 2025. También albergaban el 86 por ciento de las startups de IA y el 91 por ciento de la financiación de capital riesgo acumulada para startups de IA.
Esos países representaban el 17 por ciento de la población mundial. El desequilibrio implica que la mayoría de las economías en desarrollo consumirán tecnología construida en otros lugares, salvo que encuentren una vía viable de adaptación local.
La IA pequeña busca reducir esa dependencia sin pretender que pueda eliminarla. Un modelo especializado puede adaptarse a partir de una base existente, abierta o propietaria. Puede utilizar menos recursos de cómputo, funcionar en un teléfono o portátil y centrarse en datos relevantes para una región concreta.
Esto no vuelve irrelevante a la infraestructura. Todo sistema de IA sigue dependiendo de electricidad, dispositivos, mantenimiento y algún tipo de canalización de datos. Entrenar o actualizar un modelo local puede requerir computación en la nube, incluso cuando el uso diario se realiza sin conexión.
La diferencia está en los umbrales. La IA pequeña reduce la infraestructura mínima necesaria para prestar un servicio. Permite a las instituciones comenzar con una aplicación acotada mientras mejoran con el tiempo la conectividad, las competencias y la capacidad de cómputo.
El Banco Mundial organiza estos requisitos en torno a cuatro bases: conectividad, cómputo, contexto y competencia. La conectividad abarca el acceso a electricidad e internet. El cómputo incluye chips, centros de datos y servicios en la nube. El contexto se refiere a datos, instituciones e idiomas relevantes. La competencia incluye las habilidades técnicas y la capacidad de utilizar los sistemas de forma responsable.
La debilidad en cualquiera de estas áreas puede detener un despliegue. Un modelo de salud con una alta precisión sigue fallando si una clínica no puede mantener su dispositivo. Un asistente agrícola no puede ayudar si sus recomendaciones reflejan el suelo y el clima de otra región. Una interfaz en idioma local es insuficiente cuando los usuarios no confían en la institución que recopila sus datos.
Por tanto, la presión recae sobre más actores que las empresas tecnológicas. Los gobiernos deben mejorar la infraestructura básica y la contratación pública. Las universidades y los programas de formación deben desarrollar experiencia local. Las instituciones internacionales deben financiar la evaluación, no solo los pilotos. Los proveedores deben respaldar sistemas interoperables en lugar de encerrar los servicios públicos en una sola plataforma.
La adaptación local es el mecanismo, no una función
La IA pequeña solo funciona cuando el conocimiento local transforma el modelo, la interfaz y el servicio que lo rodea.
El Banco Mundial sostiene que importar un servicio de IA no equivale a adaptarlo. Un modelo entrenado principalmente en contextos de altos ingresos puede generar recomendaciones que entren en conflicto con leyes locales, condiciones agrícolas, prácticas médicas o normas sociales. La traducción por sí sola no puede resolver esas diferencias.
El idioma es una parte visible del problema. Los modelos suelen rendir de forma desigual entre idiomas, especialmente cuando escasean los datos de entrenamiento de alta calidad. Incluso una respuesta escrita precisa no llegará a los usuarios que dependen de la comunicación oral o de teléfonos básicos.
El Banco propone la prestación mediante mensajes de texto, llamadas de voz y aplicaciones ligeras. Estos canales importan porque se ajustan a los comportamientos existentes. Un agricultor puede formular una pregunta por voz. Un trabajador sanitario puede utilizar una herramienta de cribado sin conexión. Un docente puede recibir apoyo para las lecciones sin mantener una conexión constante con un gran modelo en la nube.
Se trata tanto de un desafío de diseño de información como de diseño de modelos. Las instituciones deben combinar la producción técnica con registros locales, criterio profesional y conocimiento operativo. Principios similares de combinación de conocimientos son importantes siempre que la IA general deba trabajar junto a fuentes específicas y fiables.
La agricultura ofrece un ejemplo claro. Un sistema útil necesita más que una comprensión genérica de la ciencia de los cultivos. Puede requerir información meteorológica regional, condiciones del suelo, patrones de plagas, calendarios de siembra y recomendaciones aprobadas por expertos locales.
Las aplicaciones sanitarias implican riesgos mayores. El Banco Mundial señala sistemas portátiles de cribado de tuberculosis que no requieren banda ancha constante. Estas herramientas pueden ampliar una capacidad clínica limitada, pero deben validarse frente a la población y las condiciones en las que operan.
Una recomendación agrícola incorrecta puede reducir una cosecha. Una recomendación médica incorrecta puede retrasar un tratamiento. El alcance limitado reduce algunos riesgos porque los desarrolladores pueden definir y probar la tarea prevista. No elimina la necesidad de revisión humana ni de escalamiento.
Las herramientas educativas presentan una disyuntiva similar. Los tutores ligeros pueden ofrecer práctica y retroalimentación allí donde los docentes disponen de poco tiempo. Sin embargo, los avances en el aprendizaje dependen de la alineación con el currículo, la calidad lingüística, el acceso a dispositivos y la capacidad de los docentes para supervisar el uso del sistema.
La IA pequeña puede complementar a los profesionales al encargarse de análisis repetitivos o ampliar su alcance. No debería convertirse en una excusa para evitar invertir en docentes, médicos, especialistas agrícolas o instituciones públicas.
Los despliegues más creíbles definirán con precisión dónde el sistema ayuda a una persona. Una herramienta agrícola podría señalar una posible plaga y recomendar que los casos inciertos se deriven a un técnico de extensión. Un dispositivo de cribado podría priorizar a pacientes para una revisión clínica en lugar de emitir un diagnóstico definitivo.
La adaptación local también cambia quién controla el servicio resultante. Los gobiernos necesitan acceso a datos de rendimiento, procedimientos de auditoría y mecanismos para cambiar de proveedor. De lo contrario, un modelo compacto puede generar la misma dependencia de un proveedor que una gran plataforma en la nube.
Los modelos de código abierto pueden reducir las barreras porque los desarrolladores pueden inspeccionar y modificar una mayor parte del sistema. También trasladan responsabilidades a las organizaciones locales, que deben mantener el software, gestionar la seguridad y verificar las actualizaciones.
Los modelos propietarios pueden ofrecer mejor soporte o capacidades generales más sólidas. También pueden exponer a las instituciones a cambios en las condiciones, interrupciones de servicios remotos y decisiones de precios fuera del control local. La elección adecuada variará según la aplicación, pero la contratación debe preservar el acceso a los datos locales y la continuidad operativa.
Por tanto, la interoperabilidad forma parte del mecanismo. El Banco Mundial recomienda que los sistemas nacionales funcionen con múltiples plataformas y proveedores. Eso reduce el riesgo de que un proveedor se vuelva inseparable de un servicio público.
La gobernanza de datos importa igual. La adaptación local suele requerir registros sensibles de salud, educación, finanzas o agricultura. Las instituciones necesitan normas claras sobre consentimiento, conservación, reutilización y acceso. Las comunidades también necesitan una vía práctica para impugnar decisiones perjudiciales.
El valor para el desarrollo surge de combinar un modelo capaz con un sistema de prestación confiable. Sin esa estructura circundante, la IA pequeña es solo software más pequeño.
La brecha de evidencia podría engullir la promesa
La mayor incertidumbre no es si los modelos pequeños pueden funcionar con hardware limitado, sino si los pilotos exitosos pueden convertirse en servicios públicos fiables.
El Banco Mundial presenta aplicaciones reales en agricultura, salud y educación. Estos ejemplos muestran que la IA especializada puede operar bajo restricciones. No demuestran que cada despliegue vaya a generar beneficios duraderos a escala nacional.
Los pilotos suelen recibir financiación específica, atención experta y usuarios cuidadosamente seleccionados. La expansión introduce condiciones más difíciles. Los dispositivos se averían. El personal cambia. Los datos se desvían. Las agencias locales asumen costes de mantenimiento que no existían en la prueba inicial.
Un modelo también puede rendir bien en un laboratorio y fallar con usuarios reales. Las fotos pueden estar borrosas. Los acentos pueden diferir de las muestras de entrenamiento. El equipamiento médico puede variar entre clínicas. Los agricultores pueden describir síntomas con términos locales que el sistema no reconoce.
Por eso la evaluación debe medir los resultados del servicio, no solo la precisión del modelo. Un asistente agrícola debe juzgarse por si ayuda a los agricultores a tomar mejores decisiones y proteger los rendimientos. Una herramienta de cribado debe juzgarse por los resultados clínicos, los casos omitidos, las alertas falsas y la calidad de las derivaciones.
Los gobiernos también necesitan comparaciones con alternativas más sencillas. Una nueva herramienta de IA podría parecer útil sin aportar más valor que una guía con función de búsqueda, un mejor centro de atención telefónica o formación adicional para trabajadores de primera línea. Los presupuestos limitados de desarrollo hacen esencial esta comparación.
El Banco reconoce que los países necesitan mejores marcos de contratación y evaluación. Ya hay muchos pilotos en marcha, pero las instituciones no siempre saben cuáles generan resultados. Ampliar proyectos débiles desperdiciaría recursos escasos y dañaría la confianza pública.
El sesgo crea otro riesgo. Los datos locales pueden estar incompletos o reflejar un acceso desigual a los servicios públicos. Entrenar un modelo con esos registros puede reproducir esos patrones. Un modelo pequeño también puede tener menos capacidad para gestionar casos inusuales fuera de su ámbito limitado.
Los riesgos para la privacidad no disminuyen con el número de parámetros. Una aplicación basada en teléfono puede seguir recopilando información sanitaria sensible, datos de ubicación, grabaciones de voz o registros agrícolas. El funcionamiento sin conexión puede reducir parte de la exposición, pero la sincronización y las actualizaciones del modelo crean puntos de riesgo adicionales.
La seguridad también se vuelve difícil cuando los dispositivos están ampliamente distribuidos. Los teléfonos más antiguos pueden carecer de protecciones actuales. Las aplicaciones locales pueden permanecer sin parches. Los atacantes podrían manipular entradas, robar datos o alterar recomendaciones.
También existe un riesgo político. Las agencias públicas podrían usar IA para automatizar la elegibilidad, la aplicación de normas o la vigilancia sin mecanismos adecuados de apelación. Un sistema diseñado para la eficiencia puede debilitar derechos si las personas afectadas no pueden entender ni impugnar sus decisiones.
El impacto laboral requiere una prudencia similar. El Banco Mundial estima que el 4,5 por ciento de los empleos existentes en economías de ingresos bajos y medianos afronta riesgo de automatización por la IA generativa. La estimación comparable para los países de ingresos altos es del 14,2 por ciento.
Al mismo tiempo, el Banco estima que la IA podría aumentar de forma significativa la productividad en el 16,2 por ciento de los empleos de las economías en desarrollo. Esa cifra se acerca a la estimación del 18,7 por ciento para los países de ingresos altos.
Estas cifras respaldan una estrategia de complementar a los trabajadores, pero siguen siendo estimaciones para toda la economía. Los resultados reales dependerán del sector, la ocupación, el comportamiento de los empleadores y el poder de negociación de los trabajadores. Las ganancias de productividad no se traducen automáticamente en mejores salarios o condiciones laborales.
La postura del Banco Mundial es que los países en desarrollo deben centrarse en ampliar la escasa experiencia especializada. Esto resulta plausible en sectores donde pocos profesionales atienden a grandes poblaciones. Es menos convincente si las instituciones usan la IA principalmente para reducir personal o debilitar la rendición de cuentas.
Otra incertidumbre se refiere a la concentración de mercado. La IA pequeña puede construirse sobre tecnología controlada en otros lugares. Un país puede evitar construir un centro de datos y aun así depender de chips extranjeros, servicios en la nube, pesos de modelos o interfaces de programación de aplicaciones.
Por tanto, la localización puede reducir una forma de dependencia mientras mantiene otra. Los gobiernos deben examinar toda la cadena de suministro, incluido quién controla las actualizaciones, el acceso a los datos y el soporte técnico.
La afirmación del Banco Mundial de que la IA puede comprimir un siglo de desarrollo en una década debe leerse como una declaración de potencial, no como una previsión. El desarrollo económico depende de las instituciones, la educación, la infraestructura, la salud pública, el comercio, las finanzas y la estabilidad política. El software no puede sustituir esos fundamentos.
La IA pequeña es más creíble cuando mejora un servicio definido dentro de ese sistema más amplio. Resulta menos creíble cuando se presenta como un atajo para evitar la inversión básica.
Tres señales mostrarán si la IA pequeña puede escalar
La próxima prueba será comprobar si los gobiernos pueden convertir modelos especializados en servicios medibles y mantenibles sin crear nuevas dependencias.
La primera señal es la evidencia rigurosa procedente de despliegues a escala. Los gobiernos y las instituciones de desarrollo deberían publicar resultados que comparen los servicios respaldados por IA con los métodos existentes. Los estudios más útiles incluirán tasas de error, costes operativos, resultados para los usuarios y rendimiento en distintos idiomas y regiones.
Los resultados positivos en agricultura, salud o educación reforzarían la tesis del Banco Mundial sobre la IA pequeña. Los fracasos repetidos de pilotos o las comparaciones débiles mostrarían que un despliegue de bajo coste no garantiza un impacto significativo.
La evidencia también debe incluir a los usuarios más fáciles de excluir. Los sistemas deben probarse con personas que utilizan teléfonos antiguos, conexiones más débiles, dialectos diferentes y alfabetización digital limitada. El rendimiento medio puede ocultar graves brechas de acceso.
La segunda señal es la inversión en los cuatro fundamentos. La IA pequeña reduce los requisitos de infraestructura, pero sigue necesitando electricidad, conectividad, acceso a capacidad informática, datos locales y personas cualificadas. Los gobiernos deben financiar esos complementos en lugar de tratar los modelos ligeros como sustitutos de ellos.
El Banco Mundial respalda Mission 300, cuyo objetivo es proporcionar acceso a la electricidad a 300 millones de personas en África subsahariana para 2030. El avance de iniciativas como esta determinará si los servicios digitales llegan de forma fiable a escuelas, clínicas y empresas rurales.
La inversión en capacidades debe extenderse más allá de los desarrolladores de modelos. Los responsables de contratación deben evaluar las afirmaciones técnicas. Los docentes y trabajadores sanitarios deben reconocer los límites del sistema. Los reguladores necesitan métodos para investigar daños. Los investigadores locales necesitan acceso a datos y recursos de evaluación.
Si estas capacidades crecen junto con los despliegues, la IA pequeña puede convertirse en parte de la capacidad institucional. Si los contratistas externos conservan todo el control técnico, los proyectos pueden desaparecer cuando termine la financiación.
La tercera señal es si los países conservan la capacidad de elegir entre proveedores. Las agencias públicas deberían exigir datos portables, interfaces documentadas, acceso para auditorías y planes de salida viables. Deben evitar sistemas que no puedan operar sin la nube o el flujo de trabajo propietario de un único proveedor.
Las tecnologías abiertas pueden ayudar, pero la apertura por sí sola no basta. Los gobiernos necesitan organizaciones capaces de mantenerlas. También necesitan prácticas de seguridad, responsabilidades claras y financiación a largo plazo.
La diversidad de proveedores reforzaría la estrategia al mantener competitiva la adaptación local. Una dependencia creciente de unos pocos proveedores globales la debilitaría, incluso si los modelos desplegados siguen siendo pequeños.
Estas señales se harán visibles mediante decisiones de contratación, evaluaciones independientes, planes nacionales de IA y resultados de los servicios públicos. Los anuncios de modelos serán menos informativos que la evidencia de que un servicio de clínica, escuela o explotación agrícola sigue funcionando después de que termine su periodo piloto.
El Banco Mundial ha identificado una alternativa creíble a considerar el desarrollo de modelos de frontera como la única vía de acceso a la IA. Su idea más sólida es que la utilidad depende del contexto, la prestación y la preparación institucional.
La pregunta más difícil es si los gobiernos y financiadores respaldarán el trabajo poco glamuroso que hay detrás de esa idea. Los conjuntos de datos locales deben mantenerse. Los trabajadores de primera línea necesitan formación. Los sistemas requieren auditorías, actualizaciones y procesos de apelación. La infraestructura todavía necesita inversión.
Los lectores deberían observar los despliegues que publiquen resultados medibles y otorguen a las instituciones locales un control duradero. Esos proyectos revelarán si la IA pequeña del Banco Mundial se convierte en una estrategia práctica de desarrollo o en otro ciclo de pilotos prometedores. El próximo hito significativo no es un modelo más grande. Es un sistema más pequeño que sigue funcionando, llega a usuarios excluidos y produce resultados que evaluadores independientes pueden verificar.
