The Conversion Gap: How China, Japan and South Korea Turn AI Inputs into AI Capability, 2017–2025
Este artículo sostiene que la soberanía nacional en IA depende más de la capacidad de política de un Estado para convertir eficientemente los recursos en capacidad que de la mera acumulación de recursos, revelando que el rezago de Japón frente a China y Corea del Sur se debe a ineficiencias sistémicas al transformar el conocimiento y la computación en modelos de IA, más que a una falta de insumos.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En la carrera por construir la inteligencia artificial, las naciones suelen ser juzgadas por lo que pueden reunir. Cuentan los investigadores en sus laboratorios, los miles de millones de dólares vertidos en proyectos y los enormes bancos de computadoras que zumban en los centros de datos. Es una lógica de acumulación: si tienes más materias primas, deberías construir la mejor máquina. Durante años, este ha sido el estándar para comparar países como China, Japón y Corea del Sur, todos los cuales han volcado recursos inmensos para convertirse en líderes en esta tecnología. Pero tener los ingredientes no garantiza una comida terminada. Un país puede poseer una vasta reserva de talento y potencia de cómputo y, sin embargo, no lograr convertir esos recursos en sistemas inteligentes y funcionales que cambien el mundo. La verdadera pregunta no es solo cuánto tiene una nación, sino qué tan eficientemente puede transformar lo que tiene en capacidad real.
Este es el rompecabezas que Alfredo Merlet se propuso resolver en un nuevo estudio que examina los años 2017 a 2025. Él miró más allá de los totales simples de dinero y personas para medir algo más sutil: la tasa de conversión. Imagine una fábrica donde el objetivo es convertir el mineral bruto en autos terminados. Una fábrica podría comprar el doble de mineral que otra, pero si produce menos autos, es claramente menos eficiente en el trabajo. Merlet aplicó esta misma lógica a la inteligencia artificial, desglosando el proceso en tres etapas distintas. Primero es la invención, donde los investigadores crean nuevas ideas y publican artículos. Segundo es la industrialización, donde esas ideas se convierten en modelos de software reales que pueden ser utilizados. Tercero es la operacionalización, donde esos modelos son adoptados por personas y empresas comunes. Al rastrear cuánto producto salió de cada unidad de entrada en cada etapa, el estudio reveló una historia sorprendente sobre por qué algunas naciones están tomando la delantera mientras otras, a pesar de tener más recursos, se están quedando atrás.
Los resultados pintan un cuadro de tres caminos muy diferentes tomados por los vecinos de Asia Oriental. China, comenzando con una fuerza laboral masiva y un gobierno que establece objetivos claros y agresivos, logró acelerar su progreso dramáticamente. Para 2024 y 2025, los desarrolladores chinos estaban lanzando cientos de nuevos modelos de IA, pasando de ser un seguidor a un par de los Estados Unidos. Lograron esto no solo gastando más, sino coordinando sus esfuerzos para que la investigación se convirtiera rápidamente en productos desplegables. Corea del Sur, a pesar de tener menos investigadores y menos potencia de cómputo que Japón, alcanzó la mayor eficiencia del grupo. El país logró producir 87 modelos de IA, incluyendo 23 que fueron considerados notables o innovadores, una cifra que superó con creces a su vecino más grande. Este éxito fue impulsado por una relación altamente coordinada entre el gobierno y las grandes corporaciones, permitiéndoles enfocar sus recursos intensamente en tecnologías específicas y obtener resultados rápidamente.
Japón, sin embargo, presenta un contraste marcado y confuso. En el papel, debería haber sido el más exitoso. Tiene una fuerza de trabajo de investigación más grande, más potencia de cómputo y una larga historia de excelencia industrial que Corea del Sur. Sin embargo, entre 2017 y 2025, las organizaciones japonesas lanzaron solo 52 modelos de IA, y apenas seis de ellos fueron considerados notables. En los últimos dos años del estudio, ninguna organización japonesa lanzó un solo modelo que los investigadores clasificaran como notable. Los datos muestran que Japón no está fallando porque carezca de dinero o científicos. De hecho, al observar qué tan bien los investigadores japoneses convierten su trabajo en patentes, desempeñan un papel razonablemente bueno. El quiebre ocurre más tarde en la cadena. La brecha aparece cuando los investigadores japoneses intentan convertir sus artículos publicados en modelos funcionales, y nuevamente cuando intentan usar su enorme potencia de cómputo para construir esos modelos. Tienen los ingredientes, pero la cocina no está produciendo el plato.
El estudio sugiere que la razón de esta brecha no reside en la tecnología misma, sino en cómo el gobierno gestiona el proceso. Los investigadores compararon el desempeño de los países contra una medida de "capacidad de política", que es esencialmente la capacidad del gobierno para establecer una dirección clara, coordinar diferentes grupos y moverse rápidamente para apoyar nuevas industrias. Corea del Sur obtuvo una puntuación extremadamente alta en esta medida, reflejando un gobierno que es asertivo y organizado en su enfoque hacia la IA. Japón, por el contrario, obtuvo una puntuación significativamente menor. Durante la mayor parte del periodo estudiado, Japón dependió de una guía suave y directrices voluntarias en lugar de objetivos vinculantes o programas concentrados. Fue solo en 2025 cuando Japón estableció una sede dedicada y una nueva ley para impulsar la IA, un movimiento que el estudio interpreta como un reconocimiento tardío del problema. La evidencia indica que tener la mejor investigación y las computadoras más potentes no es suficiente si el Estado no puede organizarlas efectivamente para producir resultados.
Este hallazgo desafía la suposición común de que el dominio de la IA es simplemente una cuestión de quién puede gastar más dinero o contratar a más expertos. El estudio muestra que la soberanía sobre la inteligencia artificial no es solo cuestión de poseer las herramientas; es la capacidad de gobernar cómo se utilizan esas herramientas. Un país puede invertir fuertemente en investigación e infraestructura y aun así producir muy poco si el sistema para convertir esas inversiones en aplicaciones del mundo real es débil. Para las economías emergentes que observan esta carrera, la lección es clara: construir un futuro sólido de IA puede depender menos de igualar los presupuestos masivos de los líderes globales y más de construir la capacidad administrativa para coordinar los recursos de manera efectiva. La diferencia entre una nación que financia la IA y una que realmente la construye puede residir en la calidad de su planificación y la velocidad de su ejecución, más que en el tamaño de su cuenta bancaria.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.