La era del scaling está llegando a sus límites

El informe de la Stanford AI100, publicado el 10 de noviembre de 2026, ofrece un mensaje que va contra la narrativa dominante de la industria de inteligencia artificial. AI Goes Mainstream: The Scaling Era and the Rise of Generative AI — el tercer documento del One Hundred Year Study on Artificial Intelligence — reconoce que el método que impulsó los avances más notables de los últimos cinco años se está agotando.

Qué es el AI100 y por qué importa

Creado en 2014 en el Instituto para IA Centrada en el Humano de Stanford (HAI), el AI100 está concebido como un estudio longitudinal de largo plazo: cada cinco años, un panel independiente de expertos evalúa el estado de la inteligencia artificial. La primera edición salió en 2016, la segunda en 2021, y la tercera fue presidida por Michael Wooldridge, profesor de la Universidad de Oxford. El panel cuenta con nombres como Peter Norvig, de Google, Toby Walsh, de la UNSW Sydney, Sara Hooker e Iyad Rahwan, del Instituto Max Planck.

A diferencia de los informes anuales de Stanford HAI (el AI Index), que se enfocan en datos estadísticos, el AI100 es un ejercicio de reflexión colectiva, con 12 preguntas fijas, dos estudios profundos sobre geopolítica y scaling, y un lenguaje que intenta ser lo más honesto posible. Los autores se permiten una ironía rara en documentos académicos: advierten, ya en la introducción, que "el informe estará desactualizado cuando lo leas".

El descubrimiento central: el scaling está bajo presión

El punto de mayor impacto del informe es la constatación de que la estrategia que definió la era de la IA generativa — usar datos y computación a escala sin precedentes — está encontrando límites estructurales. Según el panel, el paradigma del scaling es ahora presionado por dos factores:

1. Escasez de datos de alta calidad. Fuentes nuevas de datos en volumen y calidad para entrenar modelos de frontera están cada vez más escasas. Investigadores ya discuten abiertamente el concepto de "peak data" — la idea de que el pool de texto humano de alta calidad disponible para entrenamiento está prácticamente agotado.

2. Costos prohibitivos de compute. Entrenar modelos de frontera se está acercando a un límite económico. El informe estima que modelos de frontera pueden pronto costar miles de millones de dólares para entrenar, y, considerando que modelos "vivos" tienen solo alrededor de 18 meses de vigencia antes de necesitar ser reconstruidos, "estos costos pueden tensionar incluso los recursos de los gigantes del Valle del Silicio".

Lo que esto significa en la práctica es un cambio de paradigma. La próxima fase de la IA no será definida por modelos cada vez más grandes entrenados con siempre más datos brutos. Será definida por algoritmos más inteligentes, modelos más pequeños que son reconstruidos menos frecuentemente, mejor contexto y memoria, más computación en el momento de la inferencia (inference-time compute) y herramientas o agentes especializados para tareas complejas.

"La IA aún no se está pagando sola"

Una de las frases más contundentes del informe aparece en la cuarta conclusión principal:

> "El impacto económico de la IA aún no es evidente en los datos macroeconómicos agregados ni en los retornos de inversión de las empresas: la IA aún no se está pagando."

La frase suena aún más impactante cuando contextualizada. El propio informe reconoce que la inversión en infraestructura de IA es "sin precedentes en escala y velocidad", sosteniendo partes de la economía de EE.UU. y alimentando temores de una burbuja financiera. Nvidia alcanzó valuation superior a US$ 5 billones en el momento de la escritura del documento. Solamente la acción de Nvidia representó más del 15% de las ganancias del mercado de acciones estadounidense en 2025. El 60% de las ganancias del mercado vinieron de los sectores de tecnología y comunicaciones.

La disparidad entre la inversión colosal y el retorno medible no es nueva — analistas ya levantaron esta cuestión hace más de un año — pero el hecho de que un informe académico independiente lo ponga en términos tan directos es una señal de que la narrativa del retorno automático está comenzando a ser cuestionada incluso entre los académicos.

La concentración que preocupa

El informe también diagnostica un problema de gobernanza: el desarrollo de IA de frontera está concentrado en un número pequeño de entidades, predominantemente en Estados Unidos y China. Esta concentración, argumentan los autores, no es solo un hecho de mercado — es un problema estructural de gobernanza global.

La recomendación es clara: la sociedad necesita tener voz sobre cómo la IA es construida y desplegada. Y, hasta el momento, no la tiene. Los autores llaman para mayor involucro público, educación más amplia sobre cómo funcionan estos sistemas y estructuras de gobernanza más claras.

La IA que escribió sobre la IA

Hay una ironía fina en el propio proceso de producción del informe. Los autores reconocen que usaron herramientas de IA para transcripciones, resúmenes y borradores iniciales. Hacen énfasis en que el análisis central y la redacción final fueron conducidos por humanos. Pero el hecho de que el documento use IA para producirse a sí mismo no es solo un detalle burocrático — es un microcosmos de la misma tensión que el informe describe.

El panel termina con una llamada que resuena entre los estudios anteriores del AI100: "los beneficios y los riesgos de las tecnologías de IA requieren la misma mirada serena y desprovista de ilusiones". No es un llamado para pausar el progreso — el informe no aboga por moratoria — pero es una advertencia de que la aceleración sin escrutinio puede tener consecuencias que el propio modelo de scaling no puede predecir.

Fuentes: Stanford HAI — AI100 Report 2026, The Next Web, CryptoBriefing

✓ Fuentes independientes cruzadas y verificadas antes de la publicación