El AI Index 2025 de Stanford mide el cierre de la brecha entre China y EE.UU.

Stanford acaba de publicar su AI Index 2025, una de las radiografías más completas del sector. El informe retrata una industria que sigue liderando Estados Unidos en inversión y modelos punteros, pero en la que China ha recortado con rapidez la distancia en calidad.

La otra gran fuerza que aparece en los datos es económica: usar modelos avanzados se ha abaratado de forma drástica. Eso ayuda a explicar por qué la IA generativa ha pasado de ser una demostración tecnológica a integrarse en productos y procesos de empresas de todos los tamaños.

China se acerca en los grandes benchmarks

Las compañías e instituciones estadounidenses lanzaron 40 modelos de IA considerados relevantes en 2024, frente a 15 de China y tres de Europa, de acuerdo con el AI Index de Stanford. La diferencia en volumen sigue siendo amplia, y Estados Unidos conserva una posición dominante en la creación de los sistemas más avanzados.

Pero la distancia en resultados se ha estrechado. Los modelos chinos ya se aproximan a los estadounidenses en pruebas habituales de conocimiento general, programación y matemáticas. En MMLU —un examen con preguntas de múltiples materias— la brecha entre los mejores modelos de ambos países se redujo a 0,3 puntos porcentuales. En HumanEval, una prueba de generación de código, fue de 1,6 puntos; y en MATH, de 2,4 puntos.

No significa que todos los modelos chinos sean equivalentes a los líderes estadounidenses ni que el origen nacional baste para juzgar un sistema. Los benchmarks son mediciones limitadas y los modelos pueden rendir de manera muy distinta en tareas reales, idiomas o contextos profesionales. Sí muestra que la ventaja técnica que Estados Unidos mantenía hace apenas dos años ya no puede darse por sentada.

Esta convergencia tiene consecuencias geopolíticas y comerciales. Un mercado con modelos competitivos de más de un bloque reduce la dependencia de un pequeño grupo de proveedores estadounidenses. Al mismo tiempo, intensifica la competencia por chips, talento, datos y desarrolladores.

Usar un modelo cuesta una fracción de lo que costaba

El descenso de precios es una de las cifras más llamativas del informe. La inferencia —el proceso de pedir a un modelo ya entrenado que responda o genere contenido— para un sistema con un rendimiento equivalente al de GPT-3.5 se abarató más de 280 veces entre noviembre de 2022 y octubre de 2024.

El coste pasó de unos 20 dólares por millón de tokens a 0,07 dólares. Los tokens son las unidades de texto que procesan los modelos; de forma aproximada, pueden ser palabras, partes de palabras o signos de puntuación.

La reducción no elimina los costes de desplegar IA a gran escala, especialmente si una empresa maneja documentos confidenciales, necesita respuestas muy fiables o utiliza modelos de razonamiento más caros. Pero sí cambia qué proyectos resultan viables. Un asistente que analiza miles de consultas, traduce documentación o clasifica incidencias puede dejar de ser un experimento reservado a grandes tecnológicas.

El informe también recoge avances en eficiencia de los modelos pequeños. Sistemas con muchos menos parámetros —los valores internos que aprenden durante el entrenamiento— alcanzan resultados que requerían modelos mucho mayores hace pocos años. Es una tendencia relevante para móviles, ordenadores personales y organizaciones que quieren ejecutar IA con menor coste o dentro de su propia infraestructura.

La inversión se concentra en Estados Unidos

La ventaja estadounidense sigue siendo muy visible en capital privado. En 2024, la inversión privada en IA generativa en Estados Unidos alcanzó los 33.900 millones de dólares, un 18,7% más que el año anterior. China recibió 9.300 millones y Reino Unido, 4.500 millones.

En el conjunto de la inversión privada en IA, Estados Unidos acumuló 109.100 millones de dólares en 2024. La concentración financiera ayuda a entender por qué los laboratorios estadounidenses pueden afrontar entrenamientos cada vez más caros: Stanford estima que entrenar GPT-4 costó alrededor de 79 millones de dólares en computación, mientras que Gemini 1.0 Ultra alcanzó unos 192 millones.

Esas cifras también plantean una tensión central del sector. La inferencia se abarata para el usuario, pero construir modelos frontera exige recursos que muy pocas empresas pueden reunir. La IA se vuelve más accesible en su uso y, a la vez, más concentrada en su producción.

La adopción empresarial acelera, junto con la regulación

El 78% de las organizaciones encuestadas por McKinsey declaró usar IA en 2024, frente al 55% del año anterior. La cifra no implica que todas hayan transformado su negocio ni que obtengan retornos claros: adoptar una herramienta y rediseñar de verdad un proceso son cosas distintas. Aun así, confirma que la IA ha entrado en la agenda operativa de la mayoría de las compañías consultadas.

La respuesta regulatoria también crece. Las agencias federales de Estados Unidos introdujeron 59 regulaciones relacionadas con IA en 2024, más del doble que en 2023. A escala global, 42 países aprobaron 131 leyes vinculadas a esta tecnología durante el año.

El AI Index registra además 233 incidentes relacionados con IA en 2024, un aumento del 56,4% respecto a 2023. El dato abarca problemas como contenidos falsificados, sesgos, fallos de sistemas y usos indebidos. La expansión de la tecnología está llevando la discusión más allá de las capacidades de los modelos: importa quién los controla, cómo se evalúan y qué mecanismos existen cuando fallan.

La fotografía de Stanford no anuncia un relevo inmediato en el liderazgo estadounidense. Muestra algo más preciso: la carrera ya no depende solo de quién presenta el modelo más capaz, sino de quién logra hacerlo barato, útil, confiable y disponible para millones de personas y empresas.