En resumen
Gobiernos de todo el mundo están financiando IA "soberana": capacidad de cálculo, modelos y datos nacionales bajo su control. Sus defensores sostienen que garantiza el acceso, refleja los valores locales y podría construirse de forma eficiente desde el principio. Sus críticos sostienen que la autosuficiencia total es inasumible, duplica esfuerzos y añade centros de datos a redes eléctricas ya saturadas. El resultado en sostenibilidad depende menos de quién posee la IA que de cómo se construye, se dimensiona y se usa.
Puntos clave
- Un índice de 2026 contabilizó 184 proyectos de IA soberana en 67 países.
- El Reino Unido, la UE y Suiza figuran entre quienes invierten en capacidad de cálculo y modelos nacionales, a escalas muy distintas.
- Los argumentos a favor de la IA soberana o pública se basan en la seguridad, el acceso equitativo, la rendición de cuentas y la coherencia con la legislación y los valores locales.
- Los argumentos en contra se basan en el coste, la viabilidad, la duplicación de entrenamientos de alto consumo energético y el riesgo de control político.
- Los modelos pequeños, locales y abiertos ofrecen una vía intermedia que puede servir a la vez a la soberanía y a la eficiencia.
La IA se trata cada vez más como una infraestructura nacional, al igual que la energía o las telecomunicaciones. Muchos gobiernos quieren ahora tener parte de la capacidad de IA bajo su propio control, y están invirtiendo mucho para conseguirlo. Esto plantea una pregunta que a menudo se pasa por alto en el debate: ¿es la IA soberana mejor o peor para el medio ambiente? Este artículo expone los argumentos de ambas partes.
¿Qué es la IA soberana?
Capacidad de IA que controla un país, o un bloque de países. Puede significar su propia capacidad de cálculo (centros de datos y superordenadores), sus propios modelos, sus propios datos, sus propias competencias o una combinación de ellos.
La idea se ha extendido con rapidez. El Sovereign AI Index del Center for a New American Security contabilizó 184 proyectos de IA soberana en 67 países, con datos hasta junio de 2026.
Algunos ejemplos, a escalas muy distintas:
| Quién | Qué |
|---|---|
| Reino Unido | Una Sovereign AI Unit dotada con hasta 500 millones de libras, creada en 2026, junto con capacidad de cálculo nacional como el superordenador Isambard-AI y las AI Growth Zones designadas |
| Unión Europea | InvestAI, anunciada en febrero de 2025 para movilizar 200 000 millones de euros para la IA, incluido un fondo de 20 000 millones de euros para "gigafábricas" de IA; la selección de los emplazamientos de las gigafábricas seguía en curso a finales de 2026 |
| Suiza | Apertus, un modelo de lenguaje multilingüe totalmente abierto publicado en septiembre de 2025 por la EPFL, la ETH Zurich y el Centro Nacional Suizo de Supercomputación, en versiones de 8 000 y 70 000 millones de parámetros, con pesos, datos y código publicados |
¿Qué argumentos hay a favor de la IA soberana o pública?
Sus defensores sostienen que la IA es demasiado importante para depender por completo de unas pocas empresas extranjeras. Sus principales argumentos:
- Seguridad y resiliencia. Los servicios de los que dependen los gobiernos, los sistemas sanitarios y las redes eléctricas no deberían depender de un acceso que otro país u otra empresa podría restringir.
- Acceso equitativo. Hay quien defiende la IA como servicio público, como el agua o el ferrocarril, para que el acceso no dependa de la capacidad de pago. El documento Public AI de la Mozilla Foundation (2024) defiende alternativas públicas junto a la IA privada y las compara con la radiotelevisión y el transporte públicos.
- Legislación y valores. Un modelo entrenado con datos que reflejan las lenguas, las leyes y las normas locales puede servir mejor a la ciudadanía. Los gobiernos que construyen sobre modelos abiertos entrenados sobre todo con datos de otros países se enfrentan a la pregunta de qué valores reflejan esos modelos. El gobierno británico, por ejemplo, ha financiado trabajos sobre herramientas para los servicios públicos basadas en modelos abiertos como Llama, de Meta.
- Rendición de cuentas. Los modelos públicos pueden inspeccionarse, auditarse y gobernarse en público.
- Datos sensibles. Algunos datos, como los datos detallados de la red eléctrica o los datos sanitarios, no pueden enviarse a proveedores externos, por lo que los modelos locales eficientes son la única forma de aplicarles la IA.
Un sandpit (taller de investigación) británico sobre IA verde celebrado en 2026, con matemáticos, informáticos y representantes de la industria, debatió una versión de esta idea: un modelo nacional gestionado por el gobierno, operado como servicio público para garantizar la equidad en el acceso, la soberanía y la seguridad, con la eficiencia matemática como ventaja competitiva.
¿Qué argumentos hay en contra?
Sus críticos sostienen que la autosuficiencia total es inasumible, lenta y, para la mayoría de los países, imposible. Sus principales argumentos:
- Coste y viabilidad. El informe de 2026 del Tony Blair Institute sostiene que la autosuficiencia total es demasiado cara, demasiado lenta y, para la mayoría de los países, sencillamente imposible, y plantea la soberanía más bien como capacidad de decisión sobre las elecciones clave. Un informe de Brookings de 2026 sostuvo que la soberanía de IA en toda la cadena es estructuralmente inviable para casi cualquier país.
- Duplicación. Entrenar desde cero un modelo de vanguardia en cada país repite costes de energía, agua y hardware que ya se han pagado en otros lugares.
- Control político. Un modelo gestionado por el Estado suscita preocupación por la influencia del gobierno sobre lo que la ciudadanía puede preguntar y lo que se le responde.
- Límites de los datos. Es posible que un gobierno democrático no pueda, o no quiera, entrenar con datos que sí usan las empresas privadas.
- Infraestructura y opinión pública. Los nuevos centros de datos necesitan conexión a la red eléctrica, agua y permisos urbanísticos, y en muchos lugares se enfrentan a la oposición local.
- Apostar por la arquitectura equivocada. Una inversión nacional en un gran modelo central da por hecho que esos modelos seguirán dominando dentro de cinco o diez años, en lugar de modelos locales más pequeños en los que los datos se quedan con el usuario.
¿Qué supone la soberanía para la energía y las emisiones?
Depende de qué se construya, dónde y qué sustituya. La IA soberana puede ir en cualquiera de los dos sentidos:
- Peor: si supone más centros de datos en redes dependientes de combustibles fósiles, entrenamientos duplicados y grandes modelos generales usados para tareas que podrían hacer modelos pequeños.
- Mejor: si supone modelos especializados y bien dimensionados, ubicar los centros de datos donde sobra electricidad limpia, reutilizar modelos abiertos en lugar de volver a entrenar desde cero y fijar normas públicas de medición y de información.
La ubicación importa. La Agencia Internacional de la Energía señala que la demanda de los centros de datos se concentra en unas pocas regiones y que las limitaciones de la red eléctrica son un problema creciente. Los lugares con excedente de generación renovable, que hoy a veces hay que recortar, son candidatos naturales. Un programa público también puede exigir desde el principio información sobre la energía y eficiencia, algo que es más difícil de imponer a proveedores extranjeros.
¿Cambia el panorama el código abierto?
Sí. Los modelos abiertos permiten a los países adaptar en lugar de reconstruir. Hoy se usan ampliamente modelos de pesos abiertos de muchos países. El ATOM Project informó de que los modelos abiertos chinos superaron a los estadounidenses en descargas acumuladas en Hugging Face a mediados de 2025.
Ajustar (fine-tuning) un modelo abierto existente para una lengua, un sector o un sistema jurídico consume una pequeña fracción de la energía necesaria para entrenar uno nuevo. Apertus, de Suiza, muestra otra vía: un modelo totalmente abierto, construido en público, que otros pueden reutilizar. Ambas opciones reducen la necesidad de que cada país pague el coste completo del entrenamiento.
¿Existe una vía intermedia?
Muchos defienden la soberanía sobre las partes que importan y la interdependencia en el resto. En la práctica:
- Controlar los datos y el despliegue, aunque el modelo base proceda de otro lugar.
- Preferir modelos pequeños, locales y especializados, que pueden funcionar en infraestructura nacional o en las propias instalaciones y mantener los datos sensibles donde están. Consulte la IA en el borde.
- Compartir capacidad de cálculo y modelos abiertos con países aliados en lugar de duplicarlos.
- Integrar la eficiencia, la medición y la electricidad limpia en la IA pública desde el principio.
Hay quien va más allá y se pregunta si la inferencia distribuida, repartida entre muchos proveedores más pequeños, podría impedir que una sola empresa o un solo gobierno controle cómo se usa la IA. Es una cuestión de investigación abierta, con sus propias contrapartidas en eficiencia.
Qué hacer a continuación
- Si diseña programas públicos de IA, exija desde el principio la medición de la energía y la información sobre ella: consulte política de IA verde.
- Cuando el caso de uso lo permita, prefiera adaptar modelos abiertos a entrenar otros nuevos.
- Ubique la capacidad de cálculo donde haya electricidad limpia disponible: consulte alojamiento y centros de datos.
- Valore el despliegue en el borde y local para los datos sensibles: consulte ¿borde o nube?.
- Lea por qué la IA verde importa ahora para conocer el contexto energético.
Preguntas frecuentes
¿Qué es la IA soberana?
Capacidad de IA que controla un país, o un grupo de países: su propia capacidad de cálculo, sus modelos, sus datos o sus competencias, de modo que no dependa por completo de empresas o gobiernos extranjeros.
¿Es más verde la IA soberana?
No necesariamente. Un modelo nacional entrenado desde cero duplica una energía que otros ya han gastado. Puede ser más verde si es más pequeño, especializado, funciona con electricidad limpia y sustituye a usos menos eficientes, pero eso hay que diseñarlo desde el principio.
¿Qué es la IA pública?
La idea de que parte de la IA se ofrezca como infraestructura pública, como la radiotelevisión o el transporte públicos, junto a los servicios privados, con rendición de cuentas y acceso públicos.
Fuentes
- Sovereign AI Index, Center for a New American Security (2026)
- Sovereign AI Unit, UK Government, Department for Science, Innovation and Technology (2026)
- AI Opportunities Action Plan: one year on, UK Government (2026)
- EU launches InvestAI initiative to mobilise €200 billion of investment in artificial intelligence, European Commission (2025)
- Call for tenders: selection of AI gigafactory consortia, EuroHPC Joint Undertaking (2026)
- Apertus: a fully open, transparent, multilingual language model, EPFL, ETH Zurich and CSCS (2025)
- Public AI: making AI work for everyone, by everyone, Mozilla Foundation (2024)
- Sovereignty in the age of AI: strategic choices, structural dependencies, Tony Blair Institute for Global Change (2026)
- Is AI sovereignty possible? Balancing autonomy and interdependence, Brookings Institution (2026)
- UK's best AI engineers can apply now to build tech for public services in £1 million fellowship, UK Government (2025)
- The ATOM Project, ATOM Project (2026)
- Energy and AI, International Energy Agency (2025)
Relacionado
Cómo redactar una política de IA verde
Guía paso a paso para redactar la política de IA verde de una organización, con un esquema que abarca uso, modelos, medición, compras, afirmaciones y revisión.
Alojamiento y centros de datos para una IA verde
Cómo elegir dónde se ejecuta la IA: intensidad de carbono de la red, PUE y WUE, energía renovable, uso del agua y ubicación, con preguntas para proveedores.
Por qué la IA verde importa ahora
La IA impulsa un rápido aumento de la demanda eléctrica de los centros de datos, tensiona las redes y eleva los costes. Datos de escala, energía y política en 2026.
IA en el borde: ¿más verde o simplemente menos visible?
La IA en el dispositivo y en el borde puede ahorrar energía de red y de centros de datos, pero reparte el cómputo entre miles de millones de dispositivos sin medir.