México puede aprender de Brasil y Chile para crear IA propia

México busca pasar de utilizar herramientas de inteligencia artificial creadas en otros países a desarrollar soluciones propias, pero la comparación con Brasil y Chile muestra que no existe una sola ruta para lograrlo. Brasil apuesta por una infraestructura computacional de gran escala y por modelos en portugués; Chile ha construido una política de largo plazo centrada en talento, datos, conectividad y seguimiento de iniciativas. México está apenas conectando esas piezas mediante una supercomputadora pública, una nube gubernamental, una fábrica de software y programas de formación.

El reto, por tanto, no consiste únicamente en comprar procesadores o entrenar modelos. También implica decidir para qué problemas se utilizará la tecnología, quién tendrá acceso a la infraestructura, cómo se protegerán los datos y qué resultados deberán demostrar las instituciones. Esa es la prueba que enfrenta el país mientras el ecosistema nacional de IA discute cómo dejar de ser sólo consumidor y convertirse en desarrollador.

Tres países, tres formas de entender la capacidad propia

La experiencia internacional sirve como referencia, pero no como una receta automática. Brasil tiene una escala económica, científica y territorial mayor que México, además de una comunidad de supercomputación consolidada. Chile, aunque cuenta con un mercado más pequeño, ha sostenido desde 2021 una política nacional de inteligencia artificial con objetivos de formación, infraestructura, adopción y gobernanza. México comparte elementos con ambos, pero parte de una administración pública tecnológica más fragmentada y de una infraestructura propia todavía en construcción.

La diferencia principal está en el punto de partida. El Plan Brasileño de Inteligencia Artificial 2024-2028 contempla una inversión de 23 mil millones de reales en cuatro años y plantea actualizar el supercomputador Santos Dumont para colocarlo entre los cinco con mayor capacidad del mundo. El mismo plan prevé ampliar centros regionales de procesamiento y desarrollar modelos de lenguaje con datos nacionales en portugués.

Chile, en cambio, ha organizado su política alrededor de 177 iniciativas coordinadas por 14 ministerios. Su Plan de Acción reportó que, a abril de 2025, 78% de las iniciativas estaban en implementación o concluidas. El dato no equivale a tener una industria nacional dominante, pero sí muestra una forma de gobernar la agenda: establecer responsables, plazos y mecanismos de seguimiento.

La comparación tiene un límite importante. Que Brasil anuncie una inversión mucho mayor no significa que México deba replicar la cifra, y que Chile registre avances en sus iniciativas no demuestra por sí solo que todos sus proyectos hayan generado modelos competitivos. Lo útil es observar los mecanismos: acceso compartido a cómputo, formación especializada, coordinación entre ministerios y evaluación pública.

El punto de partida mexicano: infraestructura antes que modelos

La política federal mexicana está construyendo una base que puede servir tanto para inteligencia artificial como para otros servicios digitales. El Programa Sectorial de la Agencia de Transformación Digital y Telecomunicaciones 2025-2030 incluye la Fábrica de Software pública, la Nube de Gobierno, el Programa Nacional de Ciberseguridad, la Escuela Pública de Código y una agenda de inteligencia de datos.

Sin embargo, el propio programa muestra la distancia entre la aspiración y la operación. La línea base indica que sólo tres de 250 dependencias y entidades de la Administración Pública Federal estaban hospedadas en Nube MX. La meta es llegar a 17% en 2030. Ese objetivo puede parecer modesto frente a la idea de una infraestructura soberana, pero revela una condición previa: antes de desplegar modelos públicos, el Estado debe ordenar sus sistemas, migrar plataformas, homologar estándares y saber cuánto cuesta mantener cada servicio.

En ese contexto aparece Coatlicue, la supercomputadora pública presentada por el Gobierno de México con una inversión anunciada de 6 mil millones de pesos y un plazo de construcción de 24 meses a partir de enero de 2026. El proyecto se ubicará en el Instituto Politécnico Nacional, Unidad Zacatenco, y se plantea para atender problemas como predicción climática, prevención de desastres, análisis agrícola, energía, exploración de hidrocarburos y procesamiento de grandes volúmenes de datos.

Coatlicue puede convertirse en una plataforma nacional si su capacidad se distribuye entre universidades, centros de investigación, dependencias y empresas bajo reglas transparentes. También puede quedarse como un activo aislado si no existen convocatorias, datos preparados, personal capaz de utilizarla y proyectos con continuidad presupuestal. La existencia de una supercomputadora no equivale por sí misma al desarrollo de una inteligencia artificial mexicana.

Lo que Brasil resuelve con escala y México debe resolver con acceso

Brasil ofrece a México una referencia especialmente útil en materia de cómputo. Su plan no se limita a un equipo central: también contempla ampliar cinco centros nacionales de procesamiento de alto desempeño distribuidos por las regiones del país. La lógica es que la infraestructura no se concentre en una sola institución y pueda sostener investigación, innovación empresarial y formación de personal.

Para México, esa lección importa porque el costo de los equipos no es el único obstáculo. Los centros de datos requieren electricidad estable, refrigeración, conectividad, mantenimiento, seguridad y personal técnico. Además, la disponibilidad de chips especializados depende de cadenas internacionales de suministro y de proveedores que el país no controla completamente. La soberanía tecnológica, en este sentido, no significa producir todos los componentes, sino reducir vulnerabilidades y conservar capacidad de decisión sobre los usos críticos.

El caso brasileño también muestra una diferencia de escala difícil de ignorar. Su inversión prevista para el plan nacional de IA supera ampliamente el presupuesto anunciado para Coatlicue, pero ambos proyectos persiguen un objetivo parecido: que investigadores y empresas puedan entrenar o ejecutar modelos sin depender por completo de servicios extranjeros. México tendría que compensar su menor volumen de recursos con selección de problemas, cooperación regional y una política de acceso que evite que el cómputo público sea utilizado sólo por las instituciones con mayor capacidad previa.

Chile deja otra lección: formar y medir antes de prometer liderazgo

Chile representa un contraste distinto. Su política nacional de IA, publicada en 2021, impulsó la creación del Centro Nacional de Inteligencia Artificial, becas de doctorado focalizadas, un doctorado especializado y proyectos de algoritmos éticos. También vinculó la agenda tecnológica con conectividad 5G, almacenamiento, procesamiento de datos y colaboración entre universidades y empresas.

La experiencia chilena sugiere que el talento no debe aparecer como un apartado separado de la infraestructura. Un centro de cómputo sin investigadores, ingenieros de datos, especialistas en seguridad y equipos capaces de traducir problemas públicos en productos útiles puede operar por debajo de su potencial. Del mismo modo, formar personas sin ofrecerles acceso a proyectos, datos y empleos de calidad puede acelerar la migración del talento en lugar de consolidar un ecosistema nacional.

México tiene una ventaja potencial en el tamaño de su mercado y en sectores con grandes volúmenes de datos, como manufactura, salud, logística, agricultura y energía. Pero esa ventaja sólo se convierte en capacidad tecnológica si los datos pueden utilizarse legalmente, con protección de información personal y criterios de calidad. En salud, por ejemplo, no basta con acumular expedientes: es necesario establecer reglas de anonimización, interoperabilidad, seguridad y responsabilidad clínica.

La prueba mexicana será demostrar resultados comparables

La comparación con Brasil y Chile permite definir un tablero más útil que el número de anuncios. México tendría que informar cuántas instituciones utilizan efectivamente Nube MX, cuántas horas de cómputo público se asignan a universidades y empresas, cuántos modelos o herramientas se desarrollan con datos nacionales y qué proyectos llegan a operar fuera de la fase piloto.

También debería publicar indicadores de formación: personas capacitadas, egresados contratados, participación regional y presencia de mujeres y grupos históricamente excluidos. En paralelo, el desempeño de Coatlicue tendría que evaluarse por sus resultados científicos, económicos y sociales, no sólo por su capacidad técnica.

Brasil muestra que la escala puede acelerar una estrategia, mientras Chile demuestra que la continuidad institucional permite sostenerla. México necesita combinar ambas lecciones sin asumir que puede importar sus condiciones. Su ruta más realista pasa por usar la infraestructura pública para resolver problemas concretos, abrirla a más actores y construir capacidades que permanezcan aunque cambien las administraciones.

El desarrollo propio de inteligencia artificial se podrá considerar un avance cuando el país pueda explicar qué tecnología construyó, con qué datos, para quién funciona, cuánto cuesta mantenerla y qué dependencia extranjera logró reducir. Hasta entonces, Coatlicue, Nube MX y la formación de talento serán piezas prometedoras de una arquitectura todavía en montaje.