Washington y Silicon Valley están enfrascados en una nueva disputa sobre el "pacing" de la inteligencia artificial: frenar deliberadamente el desarrollo de modelos frontera hasta que las medidas de seguridad, la alineación y la sociedad puedan alcanzar el ritmo. Los críticos describen el pacing como un desarme unilateral en la competencia con China. Los defensores lo ven como el único enfoque responsable para una tecnología cuyos propios creadores advierten sobre riesgos catastróficos.

Sin embargo, ambos bandos han abrazado lo que puede llamarse la "Falacia de Cómputo-a-PIB": la suposición de que cada mejora incremental en el rendimiento de la IA se convierte de inmediato en producción macroeconómica. Las tecnologías de propósito general anteriores —innovaciones fundamentales como la electricidad, la computadora y el internet que atraviesan todas las industrias— tardaron décadas en difundirse por la economía y generar ganancias de productividad medibles. La IA sigue un camino similar a un ritmo acelerado, pero el debate público suele asumir que los patrones históricos y económicos ya no aplican.

América ya está años detrás de la frontera de la IA. Las fortunas comerciales de los laboratorios frontera se determinarán menos por la capacidad bruta que por la confianza y la adopción. Por lo tanto, un período de pacing costaría relativamente poco a la economía, porque el debate central está enfocado en la restricción equivocada.

El escepticismo sobre el pacing no carece de fundamento. ¿Es una medida de seguridad genuina, o una estrategia de mercadotecnia de los laboratorios frontera y las empresas de ciberseguridad que buscan fortalecer sus finanzas antes de sus salidas a bolsa? ¿Frenar el entregaría el liderazgo de EE.UU. a China, o Pekín respondería con su propia forma de pacing?

El problema de la frontera

La IA ha alcanzado un hito crítico de capacidad. Las advertencias sobre riesgos catastróficos o existenciales ya no pueden descartarse de plano, aunque su probabilidad a corto plazo siga siendo modesta. Sin embargo, al concentrarse tanto en los modelos de vanguardia, los laboratorios frontera han manejado mal tanto su comunicación pública como el tema de la confianza.

Más de 100 conversaciones recientes con CEO, líderes de políticas y científicos de IA realizadas para el próximo libro When Machines Act convencieron a los autores de que el debate sobre el pacing ha perdido de vista los principios básicos. Una distinción clave ha quedado oculta: la investigación avanzada que los laboratorios realizan a puertas cerradas no es lo mismo que los productos que lanzan al público.

La pregunta más relevante puede ser si los laboratorios necesitan realmente frenar su investigación, o si simplemente necesitan hacer un mejor trabajo asegurando que sus productos comerciales sean seguros para su uso.

El problema de la alineación

Desde el lanzamiento de ChatGPT en 2022, los líderes corporativos se han movilizado con una velocidad rara vez vista en la historia comercial moderna. Pero la estructura de la tecnología empresarial hace que la absorción económica amplia sea inherentemente lenta. Los silos de datos fragmentados, los sistemas heredados de planificación de recursos empresariales, los estrictos requisitos de cumplimiento y la deficiente higiene de datos se interponen en el camino.

Los impactos presupuestarios corporativos causados por el "tokenmaxxing" descontrolado —la práctica de enrutar tareas rutinarias a través de modelos mucho más grandes de lo que el trabajo requiere— también han demostrado que muchos flujos de trabajo empresariales cotidianos requieren modelos mucho más simples. Muy pocas tareas en una empresa típica del Fortune 500 requieren un sistema frontera. Por lo tanto, el pacing no dañaría materialmente la producción económica ni ahogaría los ingresos de los laboratorios, porque las empresas necesitan tiempo para asimilar capacidades que ya están disponibles.

Más de dos tercios de las empresas de alto rendimiento identifican los datos como la barrera principal para la implementación de la IA, según McKinsey. Ese obstáculo se ha mantenido persistente incluso a medida que los modelos han avanzado rápidamente. Solo el 7% de las empresas describe sus datos como "completamente listos" para la IA, menos de una cuarta parte tiene una estrategia de datos, y el 63% carece de gestión de datos adecuada para la IA o no está seguro de contar con ella, según un informe de Cloudera y Harvard Business Review Analytic Services y un comunicado de Gartner.

La falacia de cómputo-a-PIB

Como destacó el socio sénior de McKinsey, Asutosh Padhi, durante una aparición con Fareed Zakaria, la disponibilidad técnica es fundamentalmente diferente de la transformación económica. Las tecnologías de propósito general históricamente han requerido décadas para reorganizar los flujos de trabajo y generar ganancias de productividad amplias.

La electricidad tardó 75 años en elevar la productividad en toda economía. Las computadoras requirieron 50 años, mientras que el internet y los dispositivos móviles tomaron 25 años. Los modelos de IA pueden estar listos, pero la reestructuración organizacional necesaria para usarlos a gran escala llevará tiempo considerable. En una encuesta a la comunidad empresarial, McKinsey encontró que solo el 6% de las empresas reportó un impacto "significativo" y una atribución modesta en ganancias. El State of AI report proporciona contexto adicional sobre la adopción empresarial.

Las empresas se están concentrando en tareas de automatización de alto beneficio y bajo riesgo que modelos de una o dos generaciones anteriores ya pueden realizar. Un ex CEO de Wall Street muy respetado dijo que estos sistemas operarían junto a los sistemas heredados durante años, permitiendo a las empresas confirmar que funcionan correctamente y que no se está asumiendo ningún riesgo regulatorio sin saberlo.

Por lo tanto, el mundo corporativo estadounidense determinará el ritmo del despliegue por sí mismo, independientemente de las decisiones de los laboratorios frontera. Ninguna empresa de ninguna industria debería lanzar un producto que considere peligroso, y la IA no debería tratarse de manera diferente.

Un patrón similar está emergiendo en el mercado de semiconductores. Los chips de generaciones anteriores que inicialmente fueron relegados durante la carrera por los aceleradores más recientes están encontrando una segunda vida como caballos de batalla para cargas de trabajo de inferencia prácticas —la operación diaria de modelos desplegados en lugar de su entrenamiento— que representan gran parte de la demanda empresarial.

Miro Dimitrov, fundador y CEO de Growth Protocol, dijo en el CEO Caucus de Yale de la semana anterior que las arquitecturas neuro-simbólicas habían reducido los costos de inferencia en aproximadamente 80 veces en despliegues reales con clientes. El ahorro provino principalmente de trasladar las cargas de trabajo lejos de las unidades de procesamiento gráfico extremadamente costosas hacia unidades de procesamiento central empresariales estándar.

Las tres fases de la adopción de la IA

La adopción corporativa puede entenderse en tres fases, cada una definida por cuánto trabajo una empresa puede delegar de manera responsable. El progreso está limitado por la disponibilidad de datos y el nivel de confianza que los sistemas han ganado.

La primera fase es la asistencia. Consiste en copilotos listos para usar construidos sobre plataformas empresariales como Salesforce. Estas herramientas conectan datos a través de aplicaciones existentes y ayudan a los empleados a trabajar más rápido sin una re-arquitectura extensiva. El retorno puede llegar rápidamente, mientras que el riesgo permanece limitado porque un humano sigue realizando gran parte del trabajo.

La segunda fase es la orquestación. Implica flujos de trabajo agénticos —sistemas de IA que planifican y ejecutan tareas de varios pasos en nombre de un trabajador— que requieren inversión significativa en datos propietarios y en conectar lagos de datos distantes nunca fueron diseñados para trabajar juntos. Un humano permanece en el ciclo aprobando cada paso trascendental.

La tercera fase es la autonomía, en la que las operaciones agénticas de extremo a extremo se ejecutan a través de sistemas conectados sin inconvenientes mientras los humanos supervisan por excepción.

La recompensa potencial aumenta con cada fase, pero también los riesgos asociados y la confianza requerida. Por eso el CEO promedio del Fortune 500 permanece en la fase de asistencia mientras realiza inversiones tempranas sustanciales para prepararse para la orquestación. Las fases tampoco avanzarán de manera uniforme en toda una empresa. La mayoría de los negocios gestionarán un portafolio que abarca múltiples fases, probando la orquestación en departamentos selectos y visionarios mientras el resto de la organización se familiariza con la asistencia básica.

Las tres fases dependen de que los CEO confíen en que la IA seguirá las reglas del manual del empleado, obedecerá la ley y mantendrá una base de valores y juicio humanos. Los inversionistas, los comentaristas de medios y los mercados por lo tanto diagnostican mal cómo se crea el valor empresarial cuando se preocupan de que el pacing para la alineación de la IA obstruya el progreso de los modelos frontera.

El debate se complica aún más por las promesas vagas y las advertencias en torno a la "AGI", o inteligencia artificial general —sistemas que podrían igualar o superar el rendimiento humano en la mayoría de las tareas cognitivas— así como las oportunidades y los riesgos catastróficos asociados con alcanzar la "singularidad". La alineación es en sí misma subjetiva, con diferentes laboratorios e individuos definiendo el término de manera distinta. La respuesta a cualquier referencia a la alineación es otra pregunta: ¿alineación a qué?

Si las tecnologías de IA están destinadas a automatizar tareas humanas, deberían cumplir con los mismos estándares de valores, juicio y conducta moral que se esperan de un empleado actual o potencial. Si los modelos frontera más avanzados no pueden cumplir con esos estándares en pruebas, no están listos para su lanzamiento. Ese principio es consistente con las leyes que Estados Unidos ha mantenido durante mucho tiempo para proteger a los consumidores de productos peligrosos.

La expresidenta de la Comisión Federal de Comercio, Lina Khan, hizo un señalamiento similar en X: "Existe un amplio conjunto de leyes que rigen los productos peligrosos y defectuosos… lanzar modelos o agentes de IA sin revisar puede violar las leyes de protección al consumidor. Enviar herramientas de IA defectuosas sin implementar medidas adecuadas para detectar y detener agentes de IA rebeldes o defectuosos puede constituir un acto o práctica 'injusta o engañosa' bajo la Ley de la FTC (y leyes estatales análogas)". La publicación está disponible en https://x.com/linamkhan/status/2099204390548639960.

Esas leyes hacen a las empresas responsables por el daño a consumidores, empleados, inversionistas, pacientes y competidores, así como a los mercados y sistemas financieros de los que dependen.

Estados Unidos, China, velocidad y confianza

Independientemente de la postura que se tome en el debate sobre la destilación de modelos de IA por parte de China —la técnica de entrenar modelos más pequeños para reproducir los resultados sistemas frontera más grandes—, China ahora cuenta con sistemas que rivalizan con los modelos frontera disponibles en el mercado. El Partido Comunista Chino también ha señalado que está cambiando su atención hacia la distribución de la IA en toda la economía en lugar de seguir empujando la frontera.

Los laboratorios frontera están, por lo tanto, compitiendo en dos carreras: una por alcanzar la "AGI" o la "superinteligencia", y otra por ganar la participación del gasto de los clientes. Sus clientes más establecidos, principalmente empresas del Fortune 500, pueden dar fe de que recuperar a un cliente después de que se ha tomado la decisión de compra es extremadamente difícil. China entiende bien esta dinámica, que ayudó a impulsar su victoria en las telecomunicaciones globales —una carrera que Estados Unidos perdió en gran medida.

El Partido Comunista Chino también ha expresado profunda preocupación por la alineación. La versión doméstica de Pekín enfatiza el control estatal, la ortodoxia del partido y la consistencia con las narrativas oficiales. La alineación occidental se enfoca más en la fiabilidad fiduciaria, la seguridad del consumidor y la responsabilidad por el producto. Bajo esa división ideológica subyace la misma realidad comercial: los agentes impredecibles que "alucinan" y no siguen las reglas organizacionales, no ejercen un juicio sólido ni respetan los lineamientos institucionales no pueden confiarles flujos de trabajo críticos ni esperarse que impulsen un crecimiento económico duradero.

La administración Trump debería seguir buscando oportunidades para colaborar y coordinar con el presidente Xi y asegurar que la IA no cause destrucción masiva ni catástrofe, ya sea intencional o accidentalmente. Si Trump planteará el tema es una cuestión aparte.

En el CEO Caucus, 93 de aproximadamente 100 CEO encuestados dijeron no creer que el presidente tuviera razón al llamar "engaño" a las advertencias sobre los peligros de la IA. Casi el 90% dijo que el presidente debería enfatizar la necesidad de lineamientos conjuntos de seguridad de IA con China durante la visita de estado, mientras que casi tres cuartas partes no esperaban que lo hiciera. Según Axios, las conversaciones preliminares entre el secretario del Tesoro, Bessent, y su homólogo chino podrían pronto demostrar que esos aproximadamente 75 líderes empresariales están equivocados.

Un intervalo de pacing no sería unas vacaciones pasivas ni un alto el fuego económico. Sería un período activo de fortalecimiento defensivo. Washington y Pekín necesitan tiempo para reforzar la infraestructura crítica contra las explotaciones de agentes autónomos antes de desbloquear la próxima generación de capacidades frontera.

La alineación humana es solo la mitad del desafío. Durante ese período, la prioridad inmediata debería ser reforzar las instituciones que sustentan a la sociedad. Los sistemas financieros, de salud y educación deberían ser probados en busca de vulnerabilidades por los modelos más avanzados, como demostró Anthropic mediante su despliegue restringido de Mythos bajo Project Glasswing. Esos modelos vulneraron las defensas mediante una ingeniería sofisticada, pero las explotaciones tuvieron éxito debido a debilidades sistémicas en la infraestructura digital corporativa.

Los laboratorios frontera pueden creer que corren una sola carrera hacia la superinteligencia. Sin embargo, la carrera que determin sus fortunas comerciales es la competencia más lenta por ganarse la confianza de las empresas, los reguladores y los ciudadanos que deberán vivir con lo que construyen. La velocidad puede generar titulares, pero la confianza gana clientes.

Esa carrera es un maratón, no un sprint. La primera mitad de una carrera de larga distancia es para dosificar el ritmo y la segunda para adelantar. En cada revolución tecnológica, desde los ferrocarriles hasta el internet, las mayores fortunas fueron para quienes entendieron que una frontera tiene poco valor hasta que llegan los colonos.

Las opiniones expresadas en los artículos de opinión de Fortune.com son únicamente las de sus autores y no reflejan necesariamente las opiniones y creencias de Fortune. El informe fue actualizado con comentarios adicionales del coautor David Siegel. Esta historia fue publicada originalmente en Fortune.com: https://fortune.com/2026/09/22/ai-pacing-debate-how-fast-slow-wrong-debate-frontier