El pasado 7 de abril, Telefónica anunció formalmente la venta del 100% de sus operaciones en México —Movistar— al consorcio Melisa Acquisition, integrado por OXIO Inc. y Newfoundland Capital Management, por 450 millones de dólares. 

La transacción, sujeta aún a la consabida aprobación regulatoria, pone fin a más de dos décadas de presencia del grupo español en el país y cierra —con Venezuela como última pieza pendiente— la salida de Telefónica de Hispanoamérica.

La cobertura mediática ha tratado el anuncio como un evento explicado por factores coyunturales: la competencia de los operadores móviles virtuales, la depreciación del peso, el litigio fiscal con el SAT que Telefónica ganó en febrero de 2026, la estrategia global de desinversión del grupo en Hispanoamérica para focalizarse en Europa. 

Todo ello son factores ciertos, pero ninguno de ellos explica por qué la salida ocurre ahora y no hace cinco o diez años, ni por qué el comprador paga apenas 450 millones de dólares por una operación con 21.7 millones de clientes.

Este texto ofrece otra mirada. Es una lectura que quien suscribe ha sostenido en distintos artículos de opinión durante más de quince años, y que la serie de ingresos auditados de Telefónica México confirma con una claridad que sólo los datos pueden dar.

Telefónica no se retira derrotada por un mercado hostil, sino tras haber operado durante toda su estancia en México bajo un régimen de privilegios regulatorios, adjudicaciones preferenciales y acuerdos entre competidores que le fueron otorgados, renovados o tolerados por las sucesivas autoridades del sector, y que no logró convertir en un negocio sostenible. 

Es decir, actuaba como si la competencia dependiera de un entorno legal asimétrico a su favor y no de la libre preferencia de sus clientes actuales y potenciales. 

La historia no comienza con la reforma de 2013-14; la reforma fue sólo el capítulo más visible de un patrón más largo.

El texto está organizado en tres partes. Primero, reseño los beneficios regulatorios acumulados por Telefónica desde su entrada al mercado mexicano, distinguiendo entre los que recibió antes de la reforma y los que recibió después de ella. 

Segundo, muestro con datos de la Comisión Reguladora de Telecomunicaciones (antes IFT) cómo evolucionó la participación de mercado de Movistar durante ese periodo. 

Tercero, presento la serie completa de ingresos del segmento México en los reportes financieros de Telefónica ante la SEC y muestro que los datos contaban la historia de la salida desde mucho antes del anuncio.

Parte I. Los beneficios regulatorios acumulados

I.1 Las adjudicaciones previas a la reforma (2010-2012)

Mucho antes de que existiera la figura del “agente económico preponderante”, Telefónica ya había sido beneficiaria directa de decisiones regulatorias y adjudicaciones públicas que le entregaron activos valiosos a costos ventajosos o por vías que los economistas observaríamos con escepticismo.

La fibra óptica de CFE (2010)

En ese año, el consorcio integrado por Televisa, Megacable y Telefónica recibió la adjudicación del par de hilos de fibra óptica de la red de la Comisión Federal de Electricidad —19,469 kilómetros de infraestructura troncal a nivel nacional— por un periodo de 20 años, prorrogable. 

Este era uno de los activos de infraestructura, en aquellos años, más valiosos que el Estado mexicano tenía disponibles para catalizar competencia en el mercado mayorista de transporte de datos. 

La adjudicación al consorcio mencionado le dio a Telefónica acceso, a precios subsidiados por dos décadas, a una red troncal que bajo condiciones de mercado habría requerido una inversión de capital considerable. 

Este beneficio, visible en su momento, pero pronto olvidado en las discusiones públicas, fue un primer subsidio implícito cuya magnitud nunca se cuantificó adecuadamente.

Licitación 21 (2010): espectro AWS con topes ad-hoc a los operadores entrantes

Ese mismo año, la entonces Cofetel condujo la Licitación 21 para asignar espectro en la banda AWS (1.7/2.1 GHz), el segmento sobre el cual se desplegarían las redes 3G y 4G de la década siguiente. Dos rasgos del diseño de esta licitación merecen atención.

Primero, la Comisión Federal de Competencia fijó topes de acumulación espectral que, en la práctica, impidieron a los operadores con mayor presencia —Telcel y la propia Telefónica, entre otros— competir por ciertos bloques reservados a “nuevos operadores”. 

Este es un patrón recurrente en la política regulatoria mexicana: usar topes con la justificación de evitar concentración, pero sin el análisis riguroso que exige distinguir entre tamaño absoluto y poder de mercado efectivo. 

Los topes de la L-21 generaron distorsiones que el propio regulador tuvo que corregir seis años después en la Licitación IFT-3 de 2016.

Segundo —y este es el dato más elocuente sobre la relación entre Telefónica y el espectro asignado—, Movistar obtuvo en la L-21 apenas 10 MHz en seis de las nueve regiones nacionales, una tenencia fragmentada y modesta. 

Pero en diciembre de 2015 Telefónica canjeó esas licencias AWS con AT&T a cambio de frecuencias en 1.9 GHz. Es decir, el espectro obtenido en una licitación pública para el despliegue de 4G fue intercambiado —no desplegado productivamente— apenas cinco años después, en una operación bilateral que evidenciaba la disposición de Telefónica a tratar sus concesiones como activos financieros, más que como compromisos de inversión de red a largo plazo. 

Y en 2019, recordemos, devolvió todo su espectro al Estado y se convirtió en arrendatario de la red de AT&T.

Acuerdos de compartición con Iusacell y Megacable (2011-2012)

En los años previos a la reforma, Telefónica suscribió al menos dos acuerdos de compartición que la insertaron en una red de convenios entre competidores que en cualquier otra jurisdicción con autoridad de competencia seria habrían recibido un escrutinio mucho más severo.

Con Iusacell, un acuerdo para compartir infraestructura móvil y servicios intermedios. Aisladamente, un acuerdo voluntario de compartición puede ser eficiente —y lo es más cuando se negocia libremente en lugar de imponerse por un regulador. 

El problema surgió cuando, poco después, Televisa adquirió 50% de Iusacell con aprobación condicionada de la Comisión Federal de Competencia. Por transitividad, Televisa obtuvo acceso indirecto a la infraestructura de Telefónica, al mismo tiempo que ya compartía con Telefónica —junto con Megacable— la fibra óptica de CFE. 

El entramado de relaciones cruzadas entre cuatro actores —Televisa, Telefónica, Megacable e Iusacell— conformaba un esquema de interdependencias que debilitaba la rivalidad competitiva en múltiples mercados simultáneamente. 

Documenté en su momento que las autoridades mexicanas optaron por “remedios conductuales” —compromisos de buena conducta, consejeros independientes, códigos de ética— en lugar de remedios estructurales.

Con Megacable, el acuerdo consistió en operar como operador móvil virtual (Megafón) usando las frecuencias de Telefónica en las localidades donde Megacable tiene presencia con su red de cable. 

Esto convirtió a Telefónica en un habilitador de cuádruple-play para un competidor del mercado de televisión restringida, nuevamente sin que la autoridad de competencia examinara si el acuerdo generaba intercambios de información o coordinación de precios entre operadores que, en principio, debían competir entre sí, haciendo caso omiso que un operador de telecomunicaciones NO podría ser competidor en cuádruple play por su restricción en su título de concesión desde 1990.

Estos acuerdos —legales, individualmente defendibles por las eficiencias que generan— adquieren otro significado cuando se consideran en conjunto. 

Telefónica fue, durante ese periodo, nodo central de una red de relaciones contractuales con competidores que le daba acceso a infraestructura, capacidad de red y mercados complementarios sin necesidad de invertir por cuenta propia a la escala que habría requerido una estrategia competitiva socialmente eficiente.

Segundo capítulo: la reforma de 2013-14 y el régimen de asimetría

Sobre este terreno —ya inclinado a favor de Telefónica— llega la Reforma Constitucional de 2013 y la Ley Federal de Telecomunicaciones y Radiodifusión (LFTR) de 2014. 

La reforma introdujo la figura de “agente económico preponderante” —Telmex/Telcel en telecomunicaciones, Televisa en radiodifusión— y le impuso un catálogo de obligaciones asimétricas: desagregación de red local, compartición de infraestructura pasiva y activa y, en su expresión más extrema, la llamada tarifa cero de interconexión del artículo 131, que obligaba al preponderante a terminar, sin cobrar, todo el tráfico proveniente de las demás redes.

Ningún régimen regulatorio asimétrico del mundo había llegado tan lejos. Ni la jurisprudencia estadounidense sobre essential facilities ni las recomendaciones de la Comisión Europea sobre tarifas de terminación contemplaban la gratuidad obligatoria. 

En Europa, de hecho, la tendencia ha sido exactamente la opuesta: tarifas simétricas, basadas en costos, con el régimen asimétrico reservado para excepciones justificadas en diferenciales de costo y siempre con fecha de caducidad.

El resultado analítico es sencillo. Los economistas Jean-Jacques Laffont y Jean Tirole (Nobel 2014) lo formalizaron hace décadas: el bienestar social se maximiza cuando el operador regulado obtiene utilidades no negativas por los servicios que presta. 

Imponer un precio cero a un servicio que tiene costos reales —capital invertido, costo de oportunidad de los recursos, mantenimiento— equivale a confiscar valor productivo y transferirlo como subsidio implícito a los competidores.

Durante los años cuando la tarifa cero estuvo vigente, cada minuto de voz que un usuario de Movistar originaba y terminaba en la red de Telcel representaba, en términos económicos, una transferencia de recursos reales de la red del preponderante a la red de Movistar. 

Telefónica no pagaba por ese insumo; lo recibía gratis por mandato legal. Lo mismo AT&T, que ingresó al mercado mexicano en 2015 adquiriendo Iusacell y Nextel: su propio Director Ejecutivo declaró públicamente en 2017 que la decisión de entrar al país se tomó precisamente por el régimen asimétrico y la promesa de certeza a largo plazo. A confesión de parte, relevo de pruebas.

Cuando la Suprema Corte declaró inconstitucional la tarifa cero a finales de 2017, el privilegio no desapareció. El entonces IFT fijó tarifas de interconexión que siguieron siendo asimétricas hasta en cuatro veces a favor de los no preponderantes. 

El apalancamiento regulatorio continuó siendo un componente estructural de la viabilidad aparente de Movistar en México, junto con los beneficios heredados del periodo previo: la fibra troncal de CFE, los acuerdos de compartición con operadores del duopolio televisivo y de cable, y el acceso a la red mayorista que el propio Estado construyó bajo el modelo de Altán Redes a partir de 2018.

El inventario acumulado

Vale la pena sumar lo que Telefónica recibió en México durante más de una década. Entre 2010 y 2019 contó con:

1. Acceso subsidiado a fibra óptica troncal nacional por 20 años (fibra CFE).
2. Espectro AWS obtenido en una licitación con topes diseñados en parte para protegerla de la competencia por los bloques grandes.
3. Compartición de infraestructura con Iusacell primero y con AT&T después.
4. Acceso como usuaria virtual a la red de Megacable en ciertas regiones.
5. La tarifa cero de interconexión durante tres años y medio.
6. Tarifas de interconexión asimétricas aún después de la sentencia de la SCJN.
7. Acceso subsidiado a la red mayorista de Altán Redes.

Es difícil imaginar un marco más generoso para un entrante extranjero. 

Parte II. Lo que muestran los datos de participación de mercado

La primera señal de que algo no encajaba con la narrativa de “la reforma abrió el mercado gracias a los entrantes” la ofrecen los propios datos del regulador. 

Las siguientes dos gráficas muestran la evolución de la participación de mercado de los tres operadores principales —Telcel, Movistar y AT&T— en telefonía móvil y en banda ancha móvil entre 2010 y 2024.

Gráfica 1. Telefonía móvil en México: participación de mercado de los tres operadores principales, 2010-2024

Gráfica 2. Banda ancha móvil en México: participación de mercado de los tres operadores principales, 2010-2024

Lo que se observa en telefonía móvil es una erosión gradual y sostenida de la participación de Telcel, de aproximadamente 71% en 2010 a 55% en diciembre de 2024 —unos 16 puntos en 14 años, sin escalón dramático tras la reforma. 

Movistar se mantuvo relativamente estable alrededor del 20-23% durante casi toda la vigencia del régimen asimétrico, pero a partir de 2022 entra en un descenso acelerado hasta cerrar 2024 en aproximadamente 14%, por debajo incluso de AT&T. 

AT&T, por su parte, muestra el salto esperable al entrar en 2015 absorbiendo Iusacell-Unefón y Nextel, y luego crece de forma continua hasta superar a Movistar.

El contraste en banda ancha móvil es aún más elocuente. Telefónica nunca logró consolidarse en datos móviles: tras un pico de cerca de 19% a fines de 2015 —ya con la tarifa cero vigente—, inicia un descenso ininterrumpido hasta llegar a aproximadamente 7% en 2024. 

Es decir, en el segmento que definía el futuro del negocio móvil —los datos—, Movistar perdió participación de forma sostenida incluso bajo el régimen asimétrico más generoso. AT&T, en el mismo periodo, prácticamente duplicó su participación.

Así vemos a AT&T consolidándose y a Telefónica descendiendo, especialmente en el segmento donde se encontraba el futuro inmediato del sector. Las gráficas sugieren que Movistar ni siquiera aprovechó efectivamente el subsidio implícito que recibía.

Parte III. Lo reportes bursátiles 20-F les decían a los inversionistas

Durante más de dos décadas, Telefónica presentó reportes Form 20-F anualmente ante la U.S. Securities and Exchange Commission. 

Estos reportes son auditados externamente, reformulados cuando es necesario y desglosan los ingresos del grupo por segmento geográfico a nivel de país. 

Para el caso de México, ofrecen una serie temporal inusualmente limpia: dieciséis años consecutivos de ingresos reportados bajo la misma metodología de consolidación, con notas explicativas sobre movimientos significativos y efectos de tipo de cambio.

Lo que sigue es esa serie, reconstruida a partir de los 20-F de 2010 a 2023 (14 filings) y complementada para 2024 con el informe anual integrado de Telefónica Hispanoamérica y para 2025 con el comunicado oficial de Telefónica Movistar México del 24 de febrero de 2026.

Ingresos anuales del segmento México, 2008-2025

Fuente: elaboración propia con datos de los Form 20-F de Telefónica, S.A. ante la SEC (2010-2023); informe anual integrado Telefónica Hispanoamérica 2024; comunicado oficial de Telefónica Movistar México del 24 de febrero de 2026. Cifras en euros reportados, no ajustadas por inflación ni tipo de cambio.

La misma serie, representada visualmente:

Gráfica 3. Telefónica México: ingresos anuales del segmento país y variación anual, 2008-2025.

La serie muestra que el pico histórico fue 2010, no post-reforma. 

Este es probablemente el dato más contundente del ejercicio, y contradice una narrativa implícita que circula sobre cómo la reforma habría impulsado la competencia de los entrantes. 

Los ingresos más altos que Telefónica México generó en toda su historia fueron los de 2010 —1,832 millones de euros—, el año anterior a la discusión pública de la reforma y tres años antes de su promulgación. 

Ese mismo año coincide con los tres eventos: la adjudicación de la fibra de CFE, la Licitación 21 de espectro AWS y la vigencia plena del régimen de compensación Bill & Keep en interconexión, con tarifas de terminación positivas. 

Es decir, el periodo de mayor facturación de Telefónica en México ocurrió bajo el esquema que la reforma vino a desmantelar. 

Una lectura honesta de estos datos sugiere que el régimen previo no era el obstáculo que la narrativa oficial asumió, al menos no para Telefónica.

Segunda observación: la caída de −15% en 2011 es el primer gran escalón hacia abajo y ocurre antes de la reforma. Los propios 20-F de Telefónica lo explican: “sharp reduction in mobile termination rates” y “lower revenues from outgoing traffic in the pre-pay segment”. 

En moneda local, los ingresos por servicios móviles cayeron 13.3% ese año. Esto es importante porque muestra que Telefónica ya enfrentaba presión competitiva real antes de que la reforma le ofreciera tarifa cero como compensación. 

La reforma, vista con esta serie, luce menos como respuesta a un mercado estancado ausente de competencia y más como rescate regulatorio a entrantes que mostraban fatiga y cabildeaban al gobierno de Peña Nieto para implementar regulaciones draconianas.

Tercera observación: entre 2012 y 2015 la serie muestra un modesto repunte acumulado de 14.6%, justo en el periodo en que la tarifa cero del artículo 131 de la LFTR estaba plenamente vigente. Es el único tramo en que se puede argumentar que el régimen asimétrico ayudó a Movistar a mejorar sus ingresos reportados. 

Aun así, nunca recuperó el nivel de 2010. El pico de 2015 —1,783 millones de euros— se quedó 49 millones por debajo del pico pre-reforma. Cuatro años de asimetría regulatoria extrema no fueron suficientes para devolver a Telefónica al nivel donde estaba antes.

Cuarta observación: el colapso 2016-2019 ocurrió en plena vigencia del privilegio. Aquí está la observación más incómoda para cualquier defensa del régimen asimétrico. Entre 2015 y 2019, los ingresos de Movistar cayeron 51.4% acumulado —de 1,783 a 867 millones de euros. 

Este colapso ocurrió precisamente cuando la tarifa cero y las tarifas asimétricas de interconexión estaban operando. La Suprema Corte sólo declaró inconstitucional la tarifa cero en 2017, y las tarifas asimétricas post-SCJN siguieron siendo hasta cuatro veces favorables a los no preponderantes. 

En otras palabras: el periodo de máximo apalancamiento regulatorio a favor de Telefónica coincide con el periodo de peor desempeño financiero de su historia en México.

Telefónica misma reconoció este deterioro contablemente. En 2016 registró un impairment de goodwill sobre Telefónica México por 91 millones de euros y en 2018 un impairment adicional por 350 millones de euros. 

Un impairment de esa magnitud es un reconocimiento formal ante auditores y reguladores bursátiles de que los flujos de caja futuros esperados del activo ya no justifican su valor en libros. Telefónica México estaba, en términos contables, dejando de ser un activo rentable.

Quinta observación: la caída de 26.2% en un solo año es el segundo mayor descenso de toda la serie y marca el punto en que Telefónica abandona el modelo de operador de red en México. 

Como los propios 20-F lo reportan, 2019 fue el año de la “transformation of the operating model of Telefónica México” y de la migración al acuerdo de acceso mayorista con AT&T. 

Telefónica devolvió su espectro al Estado mexicano y dejó de ser operador de facilidades para volverse arrendatario de infraestructura. 

La serie de ingresos registra ese cambio estructural como un escalón vertical. El capital regulatorio acumulado —fibra de CFE, espectro, acuerdos de compartición— no fue suficiente para sostener siquiera una presencia como operador con red propia.

Sexta observación: la “recuperación” 2020-2023 es contable. El repunte que muestra la gráfica entre 2020 y 2023 —de 1,033 a 1,318 millones de euros, un aumento acumulado de 27.6%— parece impresionante hasta que se leen las notas a los reportes. 

Los 20-F son explícitos: el crecimiento de 16% en 2022 y de 12.5% en 2023 está dominado por efecto de tipo de cambio (apreciación del peso frente al euro), no por crecimiento real del negocio. 

En 2023, por ejemplo, Telefónica misma desagrega: 12.5% reportado, de los cuales 10.5 puntos porcentuales provienen del efecto del tipo de cambio, dejando el crecimiento real en apenas 2%. En moneda local, las métricas operativas siguieron siendo modestas o negativas prácticamente todo el periodo.

Séptima observación: 2024-2025 marcan el retorno a la caída y la retirada. Una vez que el viento de cola del tipo de cambio se agota —el peso se depreció 22.5% contra el dólar durante 2024, la mayor depreciación en 16 años—, los ingresos reportados vuelven a caer: 2.4% en 2024 y 12.4% en 2025. 

El dato de 2025 (1,127 millones de euros) es 38.5% inferior al pico histórico de 2010 y es el peor año de Telefónica México desde 2020. El EBITDA ajustado cayó 9.5% en 2024; aunque se recuperó operativamente en 2025 gracias a “eficiencias en gastos operativos” —subiendo a 128 millones de euros, según el comunicado oficial de Telefónica Movistar México—, esto es un ajuste defensivo, no expansión comercial. 

Los ingresos por venta de terminales se desplomaron, señal inequívoca de que la actividad comercial se estaba contrayendo en preparación para la venta.

Conclusión: la salida como consecuencia lógica

Telefónica recibió en México, entre 2010 y 2019, uno de los paquetes más generosos de privilegios regulatorios que cualquier operador entrante haya obtenido en América Latina. 

Accedió a fibra troncal subsidiada por dos décadas, a espectro asignado bajo reglas diseñadas en parte para protegerla, a acuerdos de compartición con tres de sus potenciales competidores y durante casi cuatro años recibió gratis la terminación de llamadas en la red del operador dominante al que ningún otro régimen regulatorio del mundo había fijado un precio cero. 

Encima de todo eso, cuando la Suprema Corte corrigió el exceso más flagrante, el IFT mantuvo tarifas asimétricas que preservaban el núcleo del subsidio.

Y sin embargo, los datos muestran que Telefónica México no prosperó en ningún momento de ese periodo. 

Su pico histórico de ingresos ocurrió antes de que la reforma entrara en vigor. Su participación en banda ancha móvil nunca superó 19% y cayó continuamente desde 2016. 

Sus ingresos cayeron 51% entre 2015 y 2019, justo cuando más privilegios acumulaba. 

En 2019 tuvo que admitir, con la devolución del espectro y la migración a la red de AT&T, que ni siquiera el subsidio regulatorio le alcanzaba para sostener una red propia. 

Los seis años siguientes fueron de administración defensiva de un activo en declive, hasta que el 7 de abril de 2026 el grupo español formalizó su salida por 450 millones de dólares, aproximadamente un cuarto del valor anual de los ingresos que Movistar México generaba en 2010.

Todo lo anterior, tiene una implicación importante. El régimen asimétrico de la reforma 2013-14 no fracasó en mantener a Telefónica en México porque le faltaran elementos o porque “faltara tiempo” o por el costo de los derechos de espectro que bien pueden ser menores que los beneficios regulatorios que Telefónica recibió durante su estancia en México, tres defensas comunes. 

Fracasó porque el beneficiario al que se le otorgó el subsidio regulatorio más generoso no tenía un modelo de negocio que pudiera convertirlo en valor económico. 

Movistar competía, en buena medida, en las oficinas de los reguladores y en los procesos judiciales, no en el mercado. 

Cuando el régimen asimétrico se agotó en las nuevas dádivas que aparecieron —Bait, los OMV de nueva generación, las plataformas Cloud-native como la que ahora adquiere sus activos—, sus operaciones colapsaron.

Los nuevos propietarios —OXIO, una plataforma de telecom-as-a-service en la Nube— apuestan precisamente por ese otro modelo: infraestructura ligera, eficiencia operativa, márgenes delgados, diferenciación por software. 

Si la apuesta funciona, será una segunda confirmación de lo mismo: el mercado mexicano de telecomunicaciones tiene espacio para competir sin subsidios regulatorios ni adjudicaciones preferenciales. Lo ha tenido todo el tiempo. 

Lo que faltó, durante años, fue autoridades reguladoras que lo reconocieran.

Que la salida de Telefónica coincida con el auge de operadores que nunca necesitaron esos privilegios para prosperar debería decirnos algo sobre qué tipo de regulación efectivamente abre mercados y cual sólo redistribuye rentas entre actores seleccionados. 

La reforma de 2013-14 fue el experimento regulatorio más intrusivo ensayado en América Latina. Su principal beneficiario acaba de vender su operación a precio de saldo. 

Los datos contaban esta historia desde hace años; solo tenían que agotarse por no poder competir ante operadores de mayor innovación y preferencia del usuario.

Nota metodológica

Sobre la serie de ingresos. La serie 2008-2023 se construyó a partir de los catorce reportes Form 20-F de Telefónica, S.A. presentados ante la U.S. Securities and Exchange Commission (CIK 0000814052), extrayendo las cifras de la tabla de ingresos por segmento geográfico dentro del Item 5 (Operating and Financial Review and Prospects). 

Para cada año se utilizó la cifra del 20-F más reciente que reportara ese año, que es el estándar cuando se trabaja con filings sujetos a reformulaciones. 

Para 2024 se utilizó la cifra reportada por Telefónica en su comunicado Q4 2024 y confirmada por el informe integrado de Telefónica Hispanoamérica. 

Para 2025 se utilizó el comunicado oficial de Telefónica Movistar México del 24 de febrero de 2026. Las tres fuentes reportan la misma métrica: ingresos totales del segmento país en euros consolidados.

Sobre los cambios de segmentación, Telefónica reorganizó sus segmentos reportables dos veces durante el periodo: en 2014 reclasificó al Reino Unido, y circa 2017 dividió Telefónica Latin America en Telefónica Brasil y Telefónica Hispanoamérica. 

Estas reorganizaciones afectan la comparabilidad de los subtotales regionales, pero no afectan la línea de ingresos del país México, que se reporta consistentemente al nivel de país en todas las presentaciones.

Sobre el delisting de NYSE, Telefónica anunció en 2021 la cancelación de su programa de ADRs y el delisting de la Bolsa de Nueva York, pero continuó presentando Form 20-F hasta el ejercicio 2023 (el último 20-F con información del segmento país México). Para 2024-2025 la fuente primaria pasa a ser el informe integrado y los comunicados al mercado.Sobre la decisión de mantener la serie en euros reportados, deliberadamente se conservó la serie en euros reportados, como aparece en los filings, sin convertir a pesos mexicanos ni ajustar por inflación. Esto es deliberado cuando Telefónica hablaba a sus inversionistas del mercado mexicano en sus 20-F.

Durante un reciente viaje a Kazajistán, el premio Nobel de economía, Michael Spence, quedó sorprendido por el entusiasmo generalizado hacia la Inteligencia Artificial. 

Académicos, empresarios y funcionarios públicos compartían una convicción: la IA ayudaría a resolver desafíos fundamentales para cada una de sus actividades, impulsando su crecimiento y, con ello, el de su economía como un todo. Desde diversificar su economía dependiente de recursos naturales hasta expandir servicios críticos en poblaciones remotas. 

Esta actitud contrasta marcadamente con el escepticismo que predomina en economías avanzadas y por ciertas resistencias y descalificaciones al interior de instituciones privadas y públicas en nuestros países, donde las conversaciones sobre IA rápidamente derivan hacia temores de desempleo masivo y amenazas a las jerarquías laborales establecidas.

¿Quién tiene razón? ¿Son las economías emergentes ingenuamente optimistas, o están captando una oportunidad que los países ricos están demasiado asustados para aprovechar? La evidencia sugiere que el optimismo está justificado, pero sólo si los gobiernos evitan el error de sofocar la innovación con regulaciones prematuras.

La ventaja inesperada de llegar tarde

Existe una percepción común de que se está formando una “brecha digital de IA”, con países de altos ingresos beneficiándose desproporcionadamente de la tecnología mientras las naciones en desarrollo quedan más rezagadas. 

Esta preocupación, aunque comprensible, malinterpreta fundamentalmente cómo funciona la revolución de IA.

Es cierto que sólo un puñado de países —principalmente Estados Unidos y China— lideran el desarrollo de los modelos de IA más poderosos. Construir estos sistemas requiere inversiones masivas en computación, talento especializado e infraestructura que pocos países pueden costear. Sin embargo, esta es sólo una dimensión de la revolución de la IA.

La otra dimensión, igualmente importante y mucho más accesible, es la adaptación, el ajuste fino y la aplicación de herramientas existentes para resolver problemas específicos de cada contexto.[1] 

Los costos de estas actividades son significativamente menores y, con la expansión de modelos de código abierto —muchos desarrollados en China— seguirán disminuyendo. Como señala Spence, el campo está ampliamente abierto para la innovación en un amplio rango de países.

Esta dinámica es crucial de entender. Las economías emergentes no necesitan desarrollar el próximo GPT-5 para beneficiarse enormemente de la IA. Necesitan infraestructura básica: electricidad confiable, conectividad móvil a Internet y acceso a datos asequibles. Una vez establecidas estas condiciones, las posibilidades son prácticamente ilimitadas.

Beneficios económicos reales y medibles

Contrario a la percepción de que los beneficios de IA son puramente especulativos, estamos observando impactos económicos tangibles. Un estudio reciente de Avinash Collis y Erik Brynjolfsson estima que los estadounidenses disfrutaron de aproximadamente 97 mil millones de dólares en “excedente del consumidor” sólo en 2024 por el uso de herramientas de IA generativa.[2] 

Este excedente —la diferencia entre lo que los consumidores estarían dispuestos a pagar por un servicio y su precio real— representa valor económico genuino, incluso si no aparece directamente en las mediciones tradicionales del PIB.

Pero los beneficios van mucho más allá del ahorro en tiempo o costos para usuarios individuales. En el ámbito empresarial, la evidencia es contundente. Un estudio sobre empresas francesas entre 2018 y 2020 encontró que la adopción de IA está positivamente asociada con aumentos en el empleo total y las ventas a nivel de empresa.[3] Este hallazgo contradice directamente las narrativas apocalípticas sobre desplazamiento laboral.

¿Por qué?, porque la IA no sólo reemplaza tareas, también expande las capacidades de las empresas. Cuando una compañía se vuelve más productiva, puede ofrecer mejores precios, llegar a más clientes y expandir su negocio. El efecto neto, al menos hasta ahora, es creación de empleo, no destrucción. Incluso en ocupaciones típicamente consideradas vulnerables a la automatización —contabilidad, telemarketing, trabajo secretarial— el impacto sobre el empleo ha sido mayormente positivo o neutral.

Para las economías emergentes, esta dinámica es especialmente prometedora. Consideremos algunos ejemplos concretos:

• Servicios financieros inclusivos. Tradicionalmente, las personas con activos limitados y sin historial crediticio han estado excluidas del sistema financiero formal. Los canales tradicionales hacen prohibitivamente caro o imposible extender crédito a estos grupos. Pero las herramientas digitales ahora ofrecen medios accesibles para cerrar estas brechas de información. A medida que las economías de efectivo dan paso a sistemas de pago digital y los hogares adquieren cuentas bancarias y billeteras electrónicas, la acumulación de datos resuelve el problema de la ausencia de información de los potenciales acreditados. La evaluación crediticia impulsada por IA puede entonces sustentar versiones sostenibles, escalables y rentables de microcrédito, permitiendo que los negocios crezcan y contraten más personas.[1]
• Salud y educación. En sectores donde el acceso tradicionalmente ha estado limitado por la geografía, la IA está democratizando servicios críticos. Asistentes digitales de aprendizaje pueden acelerar la adquisición de conocimientos y habilidades. No todos pueden acceder a un aula o tutor, pero con la infraestructura adecuada, cualquiera puede consultar un modelo de IA Generativa que ha “leído” y comprende la vasta literatura digital que existe en cada campo e idioma. El impacto directo sobre productividad, crecimiento y desarrollo es difícil de exagerar.
• Mejora en la productividad laboral. En ciertos lugares de trabajo, la IA puede reducir drásticamente los tiempos de capacitación y aumentar la productividad de los trabajadores. En servicio al cliente, por ejemplo, asistentes de IA pueden proporcionar orientación personalizada, basada en experiencia acumulada, en comparación con los agentes humanos, acelerando el proceso de aprendizaje y permitiendo a los agentes proporcionar mejor soporte desde etapas tempranas en la relación con clientes actuales y potenciales. Este efecto se puede lograr en una amplia gama de trabajos y sectores, desde enfermería hasta desarrollo de software.[1]

El costo del miedo: las lecciones de Europa

Si los beneficios de la IA son tan claros, ¿por qué algunos países no están aprovechándolos? La respuesta frecuentemente radica en el enfoque regulatorio y el contraste entre Europa y Estados Unidos es ilustrativo.

La Unión Europea promulgó la primera regulación integral de IA del mundo en agosto de 2024, estableciendo salvaguardas contra riesgos como discriminación, desinformación, violaciones de privacidad y sistemas de IA que podrían poner en peligro vidas humanas o amenazar la estabilidad social.

La ley asigna diferentes niveles de riesgo a sistemas de IA, con tratamientos diferenciados para cada uno. Mientras que los sistemas de “puntuación” social impulsados por IA están prohibidos por completo, los sistemas de mayor riesgo están fuertemente regulados y supervisados, con una lista de multas exorbitantes por incumplimiento.

El problema no es que estas preocupaciones sean infundadas. Son legítimas. El problema es el momento y la magnitud de la respuesta. Como señala Raghuram Rajan, ex gobernador del Banco de la Reserva de India, el enfoque europeo carga a las empresas incipientes con costos de cumplimiento regulatorio antes de que el potencial de la tecnología se haya vuelto claro.[4]

Los resultados hablan por sí mismos: Europa tiene poca presencia en la floreciente industria de IA, especialmente en comparación con Estados Unidos o China. Los líderes en IA Generativa son empresas estadounidenses como OpenAI, Anthropic y Google; ninguna empresa europea alcanza ese nivel. Esta brecha no es accidental; es el resultado predecible de sofocar la experimentación temprana. Lo mismo que pasó en telecomunicaciones cuando Europa se aferró a la regulación ex ante y la desagregación que, posteriormente, fue contagiada a países como México.

Cuando se exige casi-perfección a criterio del regulador en turno desde el inicio, no se protege tanto a la sociedad como se sofoca el proceso de prueba y error a través del cual emergen los avances. 

Debe haber cierta tolerancia o margen para errores en las etapas tempranas del desarrollo de un sistema. Cuando los desarrolladores pueden explorar las posibilidades positivas de un sistema más libremente, también tienen tiempo para descubrir formas costo-efectivas de abordar problemas que socavan la confiabilidad del sistema.

Los números económicos refuerzan este punto. Investigadores estiman que la revolución de l IA debería aumentar el crecimiento de la productividad agregada entre 0.8 y 1.3 puntos porcentuales por año durante la próxima década, con una estimación mediana de 0.68.[3] 

En comparación, el economista Daron Acemoglu proyecta un aumento de sólo 0.07 puntos porcentuales. La diferencia radica en supuestos sobre qué tan rápido se adoptará y difundirá la IA, lo cual está directamente afectado por el entorno regulatorio.

El problema con las “Cajas de Arena” regulatorias

Reconociendo que la regulación prematura puede sofocar la innovación, algunos reguladores han recurrido a enfoques de “sandbox” (caja de arena): permitir que nuevos productos se prueben sólo en entornos estrictamente controlados. Los innovadores pueden experimentar con un grupo limitado de usuarios, siempre bajo la atenta mirada del regulador. Este enfoque ayuda a contener cualquier daño potencial.

Superficialmente, esto parece un compromiso razonable. Pero las “cajas de arena” también pueden limitar lo que puede salir bien. Las pruebas con grupos pequeños y restringidos no pueden capturar los beneficios de los efectos de red, mediante los cuales los productos se vuelven más valiosos a medida que más personas los usan. Tampoco pueden revelar avances inesperados que surgen cuando las personas “equivocadas” adoptan un producto. 

En resumen, las pruebas en “caja de arena” pueden mantener limitados los usos o resultados no deseados, pero también arriesgan sofocar el descubrimiento.[4] Son mejores que las prohibiciones absolutas, pero aún pueden causar que los innovadores entierren demasiadas ideas prometedoras antes de que puedan escalar.

El modelo estadounidense: caos productivo

En contraste con la cautela europea, el enfoque estadounidense ha sido dejar que florezca el entorno y ecosistemas de IA, a pesar de que varios estados de la unión regulan la IA en forma desordenada. 

El Plan de Acción de IA de la administración Trump busca limitar la burocracia, el desorden y descoordinación entre las legislaciones de los estados en materia de regulación en IA. Esta filosofía encarna dejar evolucionar y actuar ex post antes que limitar ex ante.

Este enfoque laissez-faire tiene sus propios riesgos. Como señala Rajan, el sistema puede explotar debido a productos defectuosos, como sucedió con los valores respaldados por hipotecas subprime antes de la crisis financiera global de 2008.[4]

Aun así, el enfoque estadounidense ha demostrado permitir innovación rápida. Cuando Erik Brynjolfsson y sus coautores examinaron el impacto de la IA Generativa en agentes de servicio al cliente en una empresa de software estadounidense, encontraron que la productividad entre trabajadores con acceso a un asistente de IA aumentó casi 14% en el primer mes de uso, luego se estabilizó en un nivel aproximadamente 25% más alto después de tres meses. [3]

El camino intermedio: aprendiendo de ambos modelos

Ni el enfoque estadounidense ni el europeo logran el equilibrio correcto. Estados Unidos tiende a regular muy poco, demasiado tarde, mientras que Europa hace demasiado, demasiado pronto. Las economías emergentes tienen la oportunidad de aprender de ambos experimentos.

Como argumenta Rajan, el mundo puede beneficiarse de tener enfoques diferentes. [4] Los chatbots estadounidenses pueden prosperar en un entorno relativamente no regulado, experimentando y escalando rápidamente. Pero una vez que busquen presencia global, se encontrarán con estándares más estrictos de Europa. 

Con recursos suficientes e incentivos fuertes, encontrarán formas creativas y de bajo costo de cumplir, y esas estrategias de reducción de riesgos eventualmente pueden fluir de vuelta a Estados Unidos, dejando al mundo con más innovación y con mayor seguridad.

Para las economías emergentes, esto sugiere un camino pragmático: establecer requisitos básicos de infraestructura y protecciones de datos, pero evitar regulación excesivamente prescriptiva de aplicaciones específicas de IA. El enfoque debería estar en habilitar experimentación mientras se mantienen redes de seguridad fundamentales.

La medición de la IA dentro de la economía

Un desafío importante para entender el impacto de la IA es que las métricas económicas tradicionales no capturan bien sus beneficios. Como señala Diane Coyle de la Universidad de Cambridge, el PIB es en el mejor de los casos un indicador rezagado del cambio estructural.[5] 

Los historiadores económicos han demostrado que las tecnologías transformadoras como la energía de vapor y la electricidad tardaron décadas en registrarse en las estadísticas oficiales.

El problema es conceptual. El PIB captura el valor de la mayoría de las cosas compradas y vendidas. Pero con pocas excepciones, los bienes gratuitos son invisibles en las cifras del PIB, incluso si mejoran el bienestar de los consumidores. 

Cuando un consumidor aprovecha un chatbot de nivel gratuito o un generador de imágenes, no ocurre ninguna transacción de mercado, por lo que los beneficios que los usuarios obtienen —ahorrar una hora redactando un informe, automatizando una invitación a fiesta de cumpleaños, tutorando a un niño en álgebra— no se contabilizan.

Esta medición errónea crece cuando las personas reemplazan un servicio costoso como fotos de stock con una alternativa gratuita. Para abordar esta brecha, investigadores han desarrollado medidas como “GDP-B” (PIB-B, donde B significa beneficios).[2] En lugar de preguntar qué pagan las personas por un bien, preguntan qué necesitarían recibir para renunciar a él.

Para las economías emergentes, esto significa que los beneficios de la adopción de IA pueden ser aún mayores de lo que sugieren las estadísticas oficiales. Los hogares de menores ingresos, en particular, ganan más, en relación con sus ingresos de referencia, de herramientas gratuitas.

Acelerando la curva de aprendizaje

Uno de los aspectos más notables de la IA es cómo acelera fundamentalmente el aprendizaje y la innovación. Durante casi un siglo, los planificadores industriales han confiado en la Ley de Wright: los costos caen de manera predecible cada vez que se duplica la producción. Más produces, más barato se vuelve, en parte porque el costo de aprendizaje por unidad disminuye.

La IA está reescribiendo esta ley. Como señalan Jonathan Rosenthal y Neal Zuckerman en el Wall Street Journal, la IA hace posible que la experiencia venga antes de la producción.[6] La simulación puede ocurrir millones de veces antes de que se envíe una sola caja. La experiencia escala casi instantáneamente sin costo real. La curva de aprendizaje no sólo se vuelve más empinada, colapsa.

Esto significa que el conocimiento que alguna vez tomó décadas de prueba y error humano puede emerger en semanas, días, incluso horas. Para las economías emergentes, esto es un cambio profundo. Las decisiones sobre capacidad, espacio de almacenamiento, enrutamiento, adopción de tecnología y gestión de riesgos pueden modelarse, probarse y optimizarse por adelantado. Los costos de planificación imprecisa se reducen dramáticamente.

La investigación del grupo METR (Model Evaluation and Threat Research) demuestra esto cuantitativamente.[7] Su trabajo muestra que las capacidades de los modelos de IA para completar tareas largas se han duplicado aproximadamente cada 6-7 meses. 

En un gráfico notable, se demuestra la cantidad de tiempo que les toma a los humanos completar tareas que los modelos de IA pueden resolver con al menos 50% de éxito. El resultado en una escala logarítmica, significa crecimiento exponencial: el horizonte temporal de tareas que los modelos pueden manejar se cuadruplica cada año.

Si esta tendencia continúa —y la evidencia sugiere que puede estar acelerándose— las implicaciones son extraordinarias. Como escribe el teórico informático Boaz Barak, una vez que la IA alcanza un cierto horizonte temporal, puede esencialmente simular cualquier combinación de humanos trabajando durante cantidades arbitrariamente grandes de tiempo.[7]

Navegando la disrupción laboral

No sería honesto discutir los beneficios de la IA sin reconocer sus riesgos, particularmente en el mercado laboral. Un informe emitido por el Comité de Salud, Educación, Trabajo y Pensiones del Senado de Estados Unidos estima que la IA y la automatización podrían destruir casi 100 millones de empleos estadounidenses durante la próxima década. 

Preguntémonos, ¿cuál fue el costo en empleo del desfase de la taquimecanografía, la máquina de escribir, los conmutadores manuales, los libros de contabilidad, etc.?

Sin embargo, la evidencia hasta ahora no respalda esta narrativa apocalíptica. Como se mencionó anteriormente, los estudios a nivel de empresa muestran que la adopción de IA está asociada con aumentos en el empleo, no disminuciones.[3] 

El principal riesgo para los trabajadores no es que sean desplazados por la IA directamente, sino que sean desplazados por trabajadores en otras empresas que usan IA.

Esto apunta a la verdadera preocupación política: ralentizar el ritmo de adopción de IA probablemente sería contraproducente para el empleo doméstico, porque muchas empresas competirán internacionalmente con adoptantes de IA. La respuesta no es resistir la tecnología, sino asegurar que los trabajadores tengan las habilidades para prosperar junto a ella.

Para las economías emergentes, esto requiere inversiones serias en educación, programas de capacitación y políticas activas del mercado laboral. También significa evitar la trampa de sobreproteger industrias existentes a expensas de nuevas oportunidades. La historia muestra que el progreso tecnológico, aunque disruptivo a corto plazo, crea más empleo del que destruye a largo plazo, pero sólo si los trabajadores pueden moverse hacia nuevos roles.

Una preocupación válida es que la IA pueda ampliar la brecha entre trabajadores “superestrella” y trabajadores promedio. Una investigación de Matthew Call de Texas A&M sugiere que son los “superestrella” mismos quienes ganarán más de la IA, ampliando el abismo entre los mejores desempeños y todos los demás.[8] 

Los “superestrella” aprovechan su experiencia de dominio para extraer fundamentalmente más valor de los sistemas de IA que los desempeños promedio.

Para las empresas y los gobiernos, esto significa que no es suficiente simplemente proporcionar acceso a herramientas de IA. También deben invertir en capacitación que ayude a los trabajadores promedio a usar estas herramientas estratégicamente, crear plantillas y mejores prácticas que democraticen conocimiento efectivo y rediseñar sistemas de evaluación para dar crédito justo por trabajo asistido por IA.[8]

La transformación organizacional

Más allá del impacto individual en trabajadores y empresas, la IA está desafiando la estructura misma de las organizaciones. Como argumenta Sami Mahroum en un análisis provocativo, la empresa tradicional —tal como la conocemos desde la Revolución Industrial— puede no sobrevivir en su forma actual.[9]

Las empresas existen, según la teoría económica clásica, porque resuelven problemas de coordinación que los mercados no pueden manejar eficientemente. Pero la IA puede diseñar ahora acuerdos confiables que se ejecutan automáticamente mediante contratos inteligentes, mientras que los servicios en la Nube hacen que el conocimiento y los activos sean instantáneamente compartibles. 

Con los problemas de coordinación que alguna vez justificaron jerarquías corporativas aparentemente resueltos por código de computadora, la justificación tradicional de las empresas comienza a desvanecerse.

Esto podría llevar a lo que Mahroum llama la “economía de actor-red”: un sistema donde humanos aumentados por IA forman redes temporales para proyectos específicos, capturando directamente el valor que crean en lugar de cederlo a intermediarios organizacionales. Para las economías emergentes, esto representa tanto oportunidad como desafío: la oportunidad de saltar estructuras corporativas tradicionales, pero el desafío de crear nuevas formas de coordinación social y redes de seguridad que no dependan del empleo tradicional.

Señales del mercado

Una forma de cortar a través de la especulación sobre el futuro de la IA es examinar qué creen aquellos con “dinero en juego”. Isaiah Andrews y Maryam Farboodi realizaron un estudio fascinante sobre cómo responden los mercados financieros a los anuncios importantes de IA.[10]

Los resultados son sorprendentes y matizados. Por un lado, las valoraciones bursátiles de empresas de tecnología sugieren que los inversionistas esperan enormes ganancias del sector de IA. Pero cuando los investigadores examinaron los rendimientos de bonos del Tesoro estadounidense alrededor de lanzamientos importantes de modelos de IA y encontraron que los rendimientos a largo plazo caían, típicamente en más de diez puntos base.

¿Por qué importa esto? Si los inversionistas genuinamente esperaran un crecimiento mucho mayor de ingresos futuros por productividad impulsada por IA, se elevarían las tasas de interés en bonos a largo plazo. 

Las tasas decrecientes sugieren que los inversionistas están revisando las expectativas a la baja, ya sea reduciendo las tasas anticipadas de crecimiento del consumo o reduciendo la probabilidad percibida de eventos extremos.

En otras palabras, los mercados parecen pensar que el camino desde capacidades impresionantes de IA hasta prosperidad generalizada es menos directo de lo que sugieren las narrativas optimistas. 

Quizás los inversionistas se preocupan de que la IA produzca disrupción y desplazamiento sin generar crecimiento sustancial, o que los beneficios de la IA fluyan principalmente a empresas tecnológicas mientras los costos se distribuyen ampliamente.

Para las economías emergentes, esta cautela del mercado sugiere la importancia de políticas que aseguren que los beneficios de la IA se distribuyan ampliamente en lugar de concentrarse en unos pocos sectores o empresas.

Implicación para las economías emergentes

Las economías emergentes se encuentran en un momento decisivo. La revolución de la IA ofrece una oportunidad sin precedentes para saltar etapas de desarrollo, expandir acceso a servicios críticos y acelerar el crecimiento económico. Pero capturar estos beneficios requiere tomar decisiones inteligentes ahora.

La primera prioridad debe ser infraestructura básica: electricidad confiable, conectividad a Internet de alta velocidad y planes de datos asequibles. Sin estos cimientos, incluso las herramientas de IA más poderosas permanecerán fuera de alcance.

La segunda prioridad es resistir la tentación de sobre-regular prematuramente. Sí, la IA plantea riesgos reales, pero la respuesta no es sofocar la experimentación temprana. Sobre regular emulando lo ocurrido en telecomunicaciones en los años 90’s y 00’s garantiza que estos países nunca desarrollarán sus propios ecosistemas de IA. El enfoque correcto es establecer principios básicos —protección de privacidad, movilidad de datos, estándares de transparencia— mientras se permite amplia libertad en cómo se aplican las herramientas de IA.

La tercera prioridad es invertir en capital humano. La IA no reemplaza la necesidad de educación, la hace más urgente. Los trabajadores necesitan no sólo habilidades técnicas sino también capacidad de adaptación: la habilidad de aprender continuamente, colaborar con sistemas de IA y aplicar juicio humano donde las máquinas se quedan cortas.

Finalmente, los países emergentes deben recordar que no están en esta carrera solos. Como argumenta Rajan, el mundo puede beneficiarse de diferentes enfoques regulatorios.[4] Las innovaciones que emergen de experimentos estadounidenses pueden eventualmente adoptar salvaguardas desarrolladas en Europa. 

De manera similar, las soluciones creativas desarrolladas en economías emergentes —ya sea servicios financieros inclusivos en India o aplicaciones de agricultura de precisión en África— pueden eventualmente fluir de vuelta a mercados ricos. 

La brecha digital dará origen a la brecha en IA, la gráfica siguiente da cuenta de que acceso a banda ancha no implica que tal acceso este correlacionado con el uso de la IA. Por ejemplo, el uso de Internet en México se ubica en el rango de mayor o igual a 80% mientras la difusión de IA es entre 10 y 19%. Una nueva brecha está surgiendo, lo que puede profundizar las brechas de ingreso entre economías:

Fuente: Measuring digital development: Global Connectivity Report 2025.

Fuente: https://www.microsoft.com/en-us/research/group/aiei/ai-diffusion/. 

Conclusión: optimismo vigilante

El entusiasmo que Michael Spence encontró en Kazajistán no está fuera de lugar. Las economías emergentes tienen razones reales para estar optimistas sobre la IA, no porque ignoren los riesgos sino porque entienden las oportunidades.

A diferencia de revoluciones tecnológicas pasadas —electrificación, combustión interna, Internet— que requirieron infraestructura física masiva y décadas de despliegue, las herramientas de IA están disponibles de inmediato para cualquiera con una conexión a Internet. Los costos están cayendo rápidamente. Los modelos de código abierto están proliferando. El campo de juego, aunque no perfectamente nivelado, es más accesible de lo que ha sido para cualquier tecnología transformadora en la historia moderna.

Pero el optimismo debe estar templado por el realismo. Los beneficios de la IA no se materializarán automáticamente. Requieren inversiones deliberadas en infraestructura, educación y capacidades institucionales. Requieren un entorno regulatorio que equilibre la innovación con la protección sin caer en la trampa de la parálisis regulatoria.

Sobre todo, requieren reconocer que esta revolución ya está en marcha. La pregunta no es si la IA transformará las economías emergentes, sino si estas economías se posicionarán para aprovechar la transformación. 

Aquellos que actúen decisivamente —estableciendo bases, empoderando a experimentadores y resistiendo el impulso de sobreproteger— pueden encontrarse no sólo alcanzando a economías avanzadas sino en algunos dominios dejándolas atrás.

La historia recordará los próximos diez años como el momento en que se decidió el destino económico del siglo XXI. Las economías emergentes que entiendan esto, y actúen en consecuencia, pueden escribir un capítulo muy diferente de lo que muchos predicen. No uno de ampliación de brechas digitales sino de convergencia acelerada. No de pérdida de empleos sino de nuevas oportunidades. No de dependencia perpetua sino de cambio tecnológico transversal que saque a los países de la trampa de crecer a menos del 1% anual.

El excedente de 97 mil millones de dólares que los usuarios estadounidenses obtuvieron de la IA en 2024 es sólo el comienzo.[2] Para las economías emergentes con poblaciones mucho más grandes y necesidades mucho más grandes, el potencial es de magnitud mayor. La pregunta es si tendrán el disposición política de alcanzarlo.

Referencias

[1] Spence, Michael. “Why Emerging Economies Are Embracing AI”. Project Syndicate, 10 de noviembre de 2025. https://www.project-syndicate.org/commentary/emerging-economies-can-use-ai-to-advance-social-economic-goals-by-michael-spence-2025-11

[2] Collis, Avinash y Erik Brynjolfsson. “AI’s Overlooked $97 Billion Contribution to the Economy”. The Wall Street Journal, 3 de agosto de 2025.

[3] Aghion, Philippe, Simon Bunel y Xavier Jaravel. “What AI Means for Growth and Jobs”. Project Syndicate, 28 de octubre de 2025. https://www.project-syndicate.org/commentary/ai-impact-on-productivity-growth-employment-by-philippe-aghion-simon-bunel-and-xavier-jaravel-2025-10

[4] Rajan, Raghuram G. “The Tradeoffs of AI Regulation”. Project Syndicate, 26 de agosto de 2025. https://www.project-syndicate.org/commentary/ai-regulation-innovation-tradeoff-us-versus-europe-by-raghuram-g-rajan-2025-08

[5] Coyle, Diane. “Measuring AI’s Economic Impact”. Project Syndicate, 21 de octubre de 2025. https://www.project-syndicate.org/commentary/measuring-ai-economic-impact-gdp-alternatives-by-diane-coyle-2025-10

[6] Rosenthal, Jonathan y Neal Zuckerman. “AI Destroys the Old Learning Curve”. The Wall Street Journal, 22 de octubre de 2025.

[7] Barak, Boaz. “Thoughts by a non-economist on AI and economics”. Windows On Theory, 4 de noviembre de 2025. https://windowsontheory.org/2025/11/04/thoughts-by-a-non-economist-on-ai-and-economics. [Incluye referencia al trabajo de METR: Kwa, Kelvin y West, Peter, et al. sobre medición de la capacidad de IA para completar tareas largas]

[8] Call, Matthew. “Why AI Will Widen the Gap Between Superstars and Everybody Else”. The Wall Street Journal, 12 de octubre de 2025.

[9] Mahroum, Sami. “Will AI Kill the Firm?”. Project Syndicate, 31 de octubre de 2025. https://www.project-syndicate.org/onpoint/will-ai-kill-the-firm-by-sami-mahroum-2025-10

[10] Andrews, Isaiah y Maryam Farboodi. “What Does the Market Really Think About AI?”. Project Syndicate, 21 de octubre de 2025. https://www.project-syndicate.org/commentary/bond-market-signals-about-ai-economic-impact-by-isaiah-andrews-and-maryam-farboodi-2025-10

El Congreso de la Unión ha aprobado una nueva Ley en Materia de Telecomunicaciones y Radiodifusión (LMTR) y una reforma sustantiva a la Ley Federal en Competencia Económica, ambas publicadas en el DOF el 16 de julio. Ambas son resultado de los cambios constitucionales en la materia, los cuales modifican lo realizado en la reforma en materia de competencia y telecomunicaciones entre los años 2013-14.

Los cambios no sólo son resultado de la desaparición del Instituto Federal de Telecomunicaciones (IFT), sustituido por la Comisión Reguladora de Telecomunicaciones (CRT), y de la Comisión Federal de Competencia (Cofece) sustituida por la Comisión Nacional Antimonopolios (CNA).

Son cambios fundamentales en el entramado institucional, que se enfrentan a un nuevo entorno de Tecnologías de la Información mientras deja prácticamente intocado el paradigma regulatorio adoptado en la anterior legislación que ha sido abrogada y que fue resultado del llamado “Pacto por México” del sexenio 2012-2018.

En el presente texto se abordarán dos aspectos a destacar del nuevo marco institucional: i) las implicaciones para los mercados digitales y el uso de la Inteligencia Artificial, totalmente diferente a lo que existía en hace 12 años; y ii) el paradigma regulatorio que mantiene y que favoreció fundamentalmente a empresas extranjeras y a la empresa considerada “preponderante” en radiodifusión (televisión abierta y restringida), pero que fue beneficiada en su incursión en servicios de telecomunicaciones.

Ahora, por lo que toca al paradigma regulatorio que establece se destaca lo siguiente como variaciones respecto de la reforma de 2013-14:

La ley de competencia vigente incluye dos nuevos capítulos “De la Preponderancia y Regulación Asimétrica” y “De la Propiedad Cruzada” (en medios de radiodifusión), así como en la legislación anterior se establece un régimen específico para la regulación del concesionario preponderante en materia de telecomunicaciones.

Dicho régimen se mantiene fundamentalmente intocado respecto de la reforma del 2013-14. La diferencia institucional es que la continuación en su aplicación y mantener lo impuesto por el Instituto Federal de Telecomunicaciones (IFT), ahora extinto, dependerá de la intervención coordinada de la Comisión Reguladora de Telecomunicaciones (CRT), la Agencia de Transformación Digital y Telecomunicaciones y la autoridad en materia de competencia y libre concurrencia que es la nueva CNA

La figura del concesionario “preponderante” y el paradigma regulatorio de asimetría regulatoria se mantiene tal y como se ideó en la reforma de 2013-14. La LMTR establece en los artículos 3, 10 y 256que la preponderancia es una calidad determinada por la autoridad en materia de libre competencia y concurrencia, en los términos de esta y la Ley Federal de Competencia Económica (Art. 3, fracción LV).

Pero en el artículo 256 transcribe el sinsentido económico del pasado marco normativo: “Un Agente Económico Preponderante se considerará en razón de su participación nacional en la prestación de los servicios de radiodifusión o telecomunicaciones, a cualquiera que cuente, directa o indirectamente, con una participación nacional mayor al cincuenta por ciento, medido este porcentaje ya sea por el número de usuarios, suscriptores, audiencia, por el tráfico en sus redes o por la capacidad utilizada de las mismas.”

Sin embargo, el que sea la autoridad en materia de competencia y libre concurrencia la que determine tal condición abre la puerta a enmendar dicho error y unificar el criterio de la denominada “preponderancia” con el de “poder sustancial en el mercado relevante”.

Sin embargo, dado que el artículo 3 fracción LV, anteriormente mencionado, define la condición de “Preponderancia” de la siguiente manera: “Preponderancia: Calidad determinada por la autoridad en materia de libre competencia y concurrencia de un agente económico en los términos de esta Ley y la Ley Federal de Competencia Económica”, se abre la posibilidad de que sean los criterios de la Ley Federal de Competencia Económica y no sólo el criterio ad-hoc y sin fundamento económico con que ha sido aplicado dicho términos en términos de participación de mayor a 50% de cualquier métrica que cumpla con tal condición, lo cual es y ha sido económicamente el mayor yerro de la anterior legislación para el sector de telecomunicaciones.

Todas estas medidas se han impuesto al concesionario denominado como preponderante a consecuencia de la reforma de 2013-14 y su legislación secundaria. El IFT agotó todo el catálogo regulatorio posible y sus derivaciones, sin limitarse por el equilibrio económico financiero de dicho concesionario, sostener a su plantilla laboral y mantener viable los recursos para sus derechos de seguridad social mientras al resto de los concesionarios “no preponderantes” se les minimizaba cada esfuerzo financiero que podría ser transferido o subsidiado por medio de las obligaciones que se le imponían bajo la justificación de facilitar el acceso de nuevos operadores y promover condiciones más competitivas.

Siendo la CRT la autoridad especializada responsable de la regulación técnica y económica del sector, tiene facultades para identificar agentes con poder sustancial y aplicarles medidas correctivas, incluidas las mencionadas en el artículo 10 fracciones de la XXII a la XXIV relacionadas con la regulación asimétrica

Por su parte, la Agencia de Transformación Digital y Telecomunicaciones tiene a su cargo la planeación estratégica de infraestructura digital y redes abiertas, así como la promoción del acceso universal. Si bien no impone sanciones, colabora en el diseño de condiciones técnicas que favorezcan la competencia y la interconexión, por lo que al igual que la CRT deberá coincidir con la necesidad de depurar, desregular la carga regulatoria impuesta por el IFT ante una estructura de mercado que es diferente en forma sustantiva a la que se tenía antes de la reforma de 2013-14.

Por lo anterior, la CNA es la encargada de emitir declaraciones de poder sustancial o condición preponderante, así como de sancionar prácticas monopólicas y analizar concentraciones, en específico determinar la condición de preponderancia o la existencia de poder sustancial de mercado e imponer medidas para corregir distorsiones en el mercado derivadas de la preponderancia, incluidas aquellas que serán implementadas por la Comisión Reguladora de Telecomunicaciones (Art. 3, fracciones IV y LV; Art. 10, fracción XXII).

Por lo que será la CNA la entidad a cargo de desregular lo necesario para incentivar la inversión en las redes de telecomunicaciones, toda vez que el IFT ha agotado todos los instrumentos regulatorios posibles, incluso cuando han sido redundantes respecto de sus supuestos objetivos.

Su actuación técnico económica es clave para sustentar legalmente las intervenciones regulatorias de la Comisión y será la que tenga que corregir la “preponderancia” en los mercados de servicios de telecomunicaciones, de acuerdo con la legislación en materia de competencia y no respecto al criterio unilateral de una definición de preponderancia que, aunque sobrevive, está sujeto a la aplicación de una definición de mercado relevante que el IFT nunca se adhirió a ella en el caso de considerar al concesionario “preponderante” como “preponderante” durante los 11 años de su actuar en este respecto.

En el artículo 116, último párrafo de la ley establece expresamente la facultad de la Comisión Reguladora de Telecomunicaciones para modificar las medidas impuestas a concesionarios preponderantes, en particular regresar a un esquema de bill-and-keep que existía previa a la reforma de 2013-14 y que, en efecto, desregula las tarifas de mayoreo; pero también debería modificar o eliminar los controles sobre las tarifas al usuario final.

“Cuando la autoridad en materia de libre competencia y concurrencia determine que existen condiciones de competencia efectiva en el sector de las telecomunicaciones, la Comisión podrá determinar los criterios conforme a los cuales los concesionarios de redes públicas de telecomunicaciones, fijas y móviles celebraran acuerdos de compensación recíproca de tráfico.”

Esto implica que:

• La revisión de las medidas no se hace de oficio por parte de la CRT, sino a partir de una determinación previa de la autoridad de competencia (en este caso la CNA).
• La vigencia de las medidas impuestas a los preponderantes no es indefinida; está sujeta a revisión y posible extinción en función de la evolución del mercado, que dadas las condiciones actuales de la estructura de mercado respecto a las existentes previa a la reforma de 2013-14, no sólo es posible la extinción de todas las medidas que impuso el IFT, sino que es inaplazable su desregulación.

Este mecanismo busca garantizar que las regulaciones sean temporales y no una forma permanente de intervención en el mercado de servicios de telecomunicaciones. De aplicarse objetivamente y en forma económicamente correcta deberá de llevar necesariamente a la desregulación del mercado de telecomunicaciones y desmantelar los controles tarifarios y demás regulación redundantes para dar lugar a detonar la inversión por parte de todos los concesionarios.

El haber conservado la regulación asimétrica y la figura del operador preponderante heredado de la reforma a las telecomunicaciones de 2013-14, puede ser corregido y sustituirse, toda vez que el paradigma regulatorio que se adoptó en aquellos años correspondió a imponer en México una modalidad de regulación de la primera década de este siglo.

El agente preponderante que determinó el IFT se ha contraído sustancialmente y la tecnología y servicios de telecomunicaciones son totalmente diferentes a los imperantes en la primera década de principios de siglos, por lo que ahora estas nuevas entidades deberán optar por permitir mayor libertad a la inversión en infraestructura sin limitantes a los servicios a ser ofrecidos, ni regulaciones tarifarias que esperemos se desregulen.

Estamos por iniciar el segundo cuarto del siglo XXI y no podemos mantener regulaciones de principios de siglo fruto de aquel “Pacto por México”.

Sobre recomendaciones a la CNA en ecosistemas digitales e Inteligencia Artificial

A principios del siglo XXI, el mundo de las telecomunicaciones estaba dominado por tecnologías que hoy consideraríamos primitivas, pero que en su momento representaban la vanguardia de la conectividad.

En el año 2000, la telefonía móvil era principalmente un servicio de voz. Las redes GSM de segunda generación (2G) dominaban el mercado, ofreciendo velocidades de datos limitadas de apenas 9.6 kbps. Los teléfonos móviles eran dispositivos especializados para llamadas y mensajes de texto SMS, con pantallas monocromáticas. La llegada de 2.5G (GPRS) y, posteriormente, 3G marcó el inicio de la era de los datos móviles. Las velocidades alcanzaron los 384 kbps en condiciones ideales, permitiendo por primera vez servicios básicos de Internet móvil. Sin embargo, estos servicios eran costosos, lentos y de cobertura limitada. Ahora estamos en un ecosistema móvil de 5G con velocidades de datos en decenas de gigas por segundo.

El acceso a Internet residencial se realizaba principalmente a través de módems telefónicos de 56k, que ocupaban la línea telefónica y ofrecían velocidades reales de 40-50 kbps. La navegación web era una experiencia de paciencia, con páginas que tardaban minutos en cargar. El DSL (Digital Subscriber Line) comenzó a popularizarse hacia mediados de aquella primera década, ofreciendo velocidades de hasta 1-8 Mbps de descarga.

Esta tecnología permitía el uso simultáneo de Internet y teléfono, marcando el inicio de la banda ancha doméstica. Ahora, la fibra óptica se ha convertido en el estándar para conexiones residenciales y empresariales, con velocidades simétricas de 1 Gbps comúnmente disponibles y planes de hasta 10 Gbps en áreas urbanas.

La distinción entre telefonía, Internet y televisión ha desaparecido. Los operadores ofrecen (todavía no todas por lo empecinado que ha resultado que el Estado dé marcha atrás a una prohibición de hace 35 años) plataformas integradas que combinan:

• Comunicaciones unificadas (voz, video, mensajería).
• Entretenimiento bajo demanda.
• Servicios en la Nube.
• Seguridad digital integrada.

Las redes actuales procesan datos en el “borde de la red”, reduciendo latencias y mejorando la eficiencia en la administración y procesamiento de datos. El network slicing permite crear redes virtuales especializadas para diferentes aplicaciones, garantizando calidad de servicio específica. Los sistemas de Inteligencia Artificial (IA) gestionan automáticamente el tráfico de red, optimizan recursos, predicen fallas y personalizan servicios en tiempo real.

Las redes de sexta generación (6G) prometen velocidades de hasta 1 Tbps, latencias de microsegundos y conectividad tridimensional que incluirá tierra, mar, aire y espacio. Estas redes habilitarán en el ecosistema digital fronteras como la criptografía cuántica que se integrará en las redes comerciales, proporcionando seguridad teóricamente inquebrantable para comunicaciones críticas.

Mega constelaciones de satélites de órbita baja proporcionarán conectividad global uniforme, eliminando las brechas digitales geográficas. Las urbes de 2035 serán organismos digitales vivientes, con sensores, actuadores y sistemas de IA que optimizarán automáticamente el tráfico, la energía, el agua y los servicios públicos en tiempo real.

Los “límites del antimonopolio” identificados por Frank Easterbrook en su influyente obra^[1] adquieren una dimensión hiperbólica en los ecosistemas digitales contemporáneos. Su advertencia sobre los “costos de error” —particularmente el riesgo de que falsos positivos desincentiven la innovación— resuena con fuerza cuando observamos plataformas tecnológicas que generan efectos de red y economías de escala exponenciales.

Ahora, la premisa easterbrookiana de que los mercados son generalmente autocorrectivos y que el poder monopólico es transitorio desafía la tentación regulatoria de las autoridades de competencia.

La pregunta central no es intervenir o no, sino cómo adaptar el análisis a mercados donde la contestabilidad o la amenaza de innovadores se fortalece cuando se materializa en forma evidente que para permanecer en el liderazgo de un servicio digital se tiene que innovar en forma sostenida.

La incorporación de Inteligencia Artificial en los mercados añade capas de complejidad que exacerban tanto los límites epistémicos que Easterbrook identificó como la necesidad de supervisión regulatoria.

Los algoritmos de pricing dinámico, la colusión tácita facilitada por sistemas de IA que aprenden a coordinar precios sin comunicación explícita, y el uso de modelos predictivos para responder a la conducta del resto de los competidores plantean conductas competitivas difíciles de identificar en sus costos y beneficios netos en materia de competencia con herramientas analíticas tradicionales.

Easterbrook tenía razón al señalar la limitada capacidad institucional de las autoridades y tribunales para comprender mercados complejos, pero la opacidad inherente a los sistemas de aprendizaje automático —la “caja negra” algorítmica— magnifica este problema.

La incertidumbre ya no radica sólo en predecir efectos económicos futuros, sino en descifrar la propia mecánica de las decisiones empresariales automatizadas y su impacto en la estructura competitiva.

No obstante, la cautela easterbrookiana contra el exceso regulatorio mantiene relevancia precisamente porque la IA y los ecosistemas digitales serán motores de eficiencia, innovación y bienestar del consumidor.

Intervenciones precipitadas podrían fragmentar redes que generan valor precisamente por su escala, o desincentivar inversiones en el desarrollo de modelos de IA que requieren enormes recursos de datos y computación.

El desafío contemporáneo no es descartar los límites del antitrust que Easterbrook articuló, sino recalibrar el balance entre sus advertencias sobre la intervención excesiva y el reconocimiento de que ciertos mercados digitales exhiben fallas persistentes que no se autocorrigen.

Esto exige marcos analíticos más sofisticados que incorporen teorías de daño específicas para plataformas, metodologías para auditar algoritmos y criterios de bienestar que trasciendan el estrecho foco en precios para considerar calidad, privacidad, innovación y pluralismo en el ecosistema digital.

La evolución de las telecomunicaciones desde el año 2000 hasta las proyecciones para 2035 representa una de las transformaciones tecnológicas más profundas en la historia humana. Hemos pasado de conexiones dial-up medidas en kilobits a redes que prometen velocidades de terabits, de dispositivos especializados a ecosistemas conectados omnipresentes.

Esta transformación no es sólo tecnológica, es social y económica. Las telecomunicaciones han redefinido conceptos fundamentales como el trabajo, la educación, el entretenimiento y las relaciones humanas.

El futuro promete una integración aún más profunda entre lo físico y lo digital, donde la conectividad será tan natural e invisible como respirar. Sin embargo, este progreso viene acompañado de responsabilidades. Los reguladores, empresas y la sociedad en general deben navegar cuidadosamente los desafíos de privacidad, seguridad, equidad y sostenibilidad que acompañan estas tecnologías transformadoras.

El futuro de las telecomunicaciones no es sólo sobre velocidades más rápidas o dispositivos más inteligentes; es sobre crear un mundo más conectado, inclusivo y humano. La tecnología es la herramienta, pero la sabiduría para usarla responsablemente será lo que definirá el éxito de esta revolución digital continua. Este es el reto de la nueva ley y las nuevas entidades a cargo de su aplicación y de su interpretación.

[1] Frank H. Easterbrook, “The Limits of Antitrust,” University of Chicago Law Occasional Paper, no. 21 (1985).

La gobernabilidad, en el contexto de la inteligencia artificial (IA), se refiere a la capacidad para controlar, gestionar y regular los sistemas de IA. 

Este concepto puede entenderse como un conjunto de principios y prácticas que garantizan que la IA siga siendo una tecnología con beneficio social a medida que avanza.

En su esencia, la gobernabilidad de la IA trata de mantener la supervisión y el control humano. Implica hacer que los procesos de toma de decisiones de la IA sean transparentes y comprensibles, de modo que podamos conocer cómo y por qué un sistema de IA llega a ciertas conclusiones. Esta transparencia permite atribuir la responsabilidad de las acciones de la IA a entidades o individuos específicos.

Otro aspecto crucial es la capacidad para intervenir en las operaciones de la IA cuando sea necesario. Es decir, tener mecanismos para modificar un sistema de IA si exhibe un comportamiento inesperado o indeseable. Lo anterior, de tal forma que el comportamiento de la IA sea predecible, permitiéndonos anticipar sus acciones dentro de ciertos límites.

Que los sistemas de IA se alineen con los valores y la ética también es una parte clave de la gobernabilidad. Esto implica diseñar la IA para que se comporte de manera consistente con principios morales y objetivos previstos. 

La seguridad está estrechamente relacionada con esto, ya que necesitamos implementar medidas para evitar que la IA cause daños no intencionados.

A medida que los sistemas de IA se vuelven más complejos y poderosos, mantener una gobernanza efectiva se vuelve cada vez más desafiante. Por eso, la escalabilidad del control es una consideración importante. Necesitamos mecanismos de gobernanza que puedan adaptarse y crecer junto con la tecnología de IA.

Por último, la gobernabilidad abarca la capacidad de revisar y evaluar el rendimiento de la IA después del hecho. Esto nos permite aprender de experiencias pasadas, refinar enfoques de gobernanza y adaptarse a nuevos desafíos a medida que la IA continúa evolucionando.

En esencia, la gobernabilidad de la IA trata de crear un marco que permita aprovechar sus beneficios sujetos a mitigar los riesgos, manteniendo la intervención humana en un ecosistema digital cada vez más impulsado por la IA. Este es un planteamiento fundamentalmente económico.

Por otro lado, el Principio de Precautorio (PP) es un enfoque de gestión de riesgos que plantea lo siguiente: ante un entorno de incertidumbre sobre los efectos o resultados de implementar una nueva tecnología, especialmente cuando podría ocurrir un daño sustantivo e irreversible, se justifica un enfoque que privilegie la cautela. Con frecuencia se resume en el dicho popular “más vale prevenir que lamentar”, lo cual se traduce en una regulación estricta en la adopción o liberación de una tecnología cuando los riesgos potenciales se anticipan sustantivos, pero no se les puede asignar un nivel de riesgo o probabilidad.

En economía, se distingue entre riesgo e incertidumbre conforme a la definición de Frank Knight, economista estadounidense, quien estableció esta distinción en su libro de 1921 Riesgo, incertidumbre y beneficio. Esta distinción es fundamental para la regulación económica. Conforme a su explicación, la diferencia es:

– El riesgo se refiere a situaciones en las cuales el tomador de decisiones puede asignar probabilidades matemáticas a la aleatoriedad de un evento, es decir, el riesgo es medible. Las probabilidades de los posibles resultados son conocidas o pueden estimarse con cierto grado de precisión estadística.

En cambio, la incertidumbre:

– Se refiere a situaciones en las cuales esta aleatoriedad “no puede” expresarse en términos de probabilidades matemáticas. Es inmedible y no es posible calcularla, ya que los posibles resultados no pueden ser conocidos en su alcance o magnitud, y su probabilidad no puede estimarse.

En el caso de los reguladores, utilizan el PP para justificar todo tipo de regulaciones sin primero justificar que se está ante escenario de incertidumbre, y que los efectos pueden ser sustantivos e irreversibles. 

De esta manera, optan por acciones regulatorias subjetivas y sin apegarse a un análisis costo beneficio de sus medidas regulatorias. 

Es decir, existe un abuso por parte de los reguladores y de las instancias jurisdiccionales de privilegiar las acciones regulatorias por lo que “pudiera ser o causar”, sin dilucidad si es un exceso regulatorio ante riesgos que, en realidad, son mínimos o inexistentes cuando son debidamente ponderados. 

Knight argumentó que es la incertidumbre, no el riesgo, la que forma la base del beneficio económico en los mercados. A menudo, esto se interpreta como producto de una posición dominante en dichos mercados, y no como la debida retribución ante un escenario de aleatoriedad. 

Los empresarios son recompensados por asumir la incertidumbre, que no puede ser asegurada o eliminada mediante la diversificación.

La distinción anteriormente mencionada es relevante para la discusión sobre la IA y el Principio de Precaución, dado que los desafíos planteados por los sistemas avanzados de IA, especialmente los GPT (General Purpose Techonology), se ubican actualmente en la categoría de incertidumbre knightiana, más que en la de riesgo medible.

El PP ha sido, durante mucho tiempo, una piedra angular en la gestión de riesgos asociados con nuevas tecnologías, especialmente cuando existe incertidumbre científica sobre sus resultados (v.gr. cambio climático o materiales genéticamente modificados). 

Este principio ha influido en diversas áreas de la política pública, incluida la seguridad de productos y salud, la gestión de riesgos ambientales y, más recientemente, la Inteligencia Artificial. 

Tanto en Estados Unidos como en la Unión Europea se ha adoptado el PP, consagrándolo en tratados y aplicándolo a la seguridad de productos, la legislación ambiental y, ahora, a la Ley de Inteligencia Artificial. 

La legislación en ambos lados del Atlántico clasifica las aplicaciones de IA según su nivel de “riesgo anticipado” (¿es posible determinarlo?) y especifica los procesos que deben completar antes de ser comercializadas o utilizadas. 

Las aplicaciones de “alto riesgo” deben someterse a rigurosos procesos de prueba y aprobación, con extensos requisitos de monitoreo e informes post-mercado. En ambos casos, la IA asociada responsabiliza a los operadores por daños inesperados por IA de “alto riesgo” sujetos a leyes de responsabilidad estricta.

Sin embargo, ambos marcos regulatorios no logran abordar completamente la complejidad y la incertidumbre inherentes al ecosistema de la IA. La crítica clave a estos enfoques regulatorios es su nivel de riesgos supuestamente conocidos asociados con usos específicos de la IA, en lugar de tener en cuenta los comportamientos emergentes impredecibles que pueden surgir de sistemas complejos. 

El PP y las regulaciones asociadas han sido relativamente efectivos en la gestión de la incertidumbre científica para nuevas tecnologías cuando dicha incertidumbre tiene un punto definido y medible de precisión científica o daños potenciales en una población específica. 

Este enfoque ha funcionado para nuevos fármacos o productos químicos agrícolas, donde es posible especificar las poblaciones que probablemente se verán afectadas y establecer medidas de seguridad para un uso responsable, pero no en sistemas complejos como los algoritmos de IA en GPT.

Ahora es necesario definir qué es un sistema complejo para entender las limitaciones de las autoridades frente a la evolución de la IA. 

Los sistemas complejos se caracterizan por una gran cantidad de elementos organizados de forma flexible y con innumerables interacciones entre ellos. Además, estos sistemas evolucionan con el tiempo, están abiertos a su entorno y son irreversibles. 

Otras características de los sistemas complejos incluyen la autoorganización en patrones, el comportamiento caótico —en el que pequeños cambios en las condiciones iniciales pueden producir grandes cambios posteriores—, la mayor frecuencia de eventos fortuitos de lo que podría predecirse y la interacción adaptativa entre agentes. 

La predicción en estos sistemas no es posible debido a las relaciones no lineales entre los elementos. La complejidad también puede resultar de interacciones que son “secuencias desconocidas o secuencias no planificadas e inesperadas, que no son visibles o no son inmediatamente comprensibles. 

Los desarrollos recientes en IA, particularmente los algoritmos generativos pre-entrenados (GPTs) como los modelos de lenguaje masivo (LLMs), presentan un desafío diferente a sus antecesores. 

A diferencia de los modelos de IA tradicionales, entrenados en reglas lógicas y reproducibles, los GPTs se entrenan con cantidades masivas de datos y producen resultados basados en recombinaciones sofisticadas y probabilísticas de respuestas humanas. 

Este cambio de paradigma plantea preguntas sobre la aplicabilidad de los marcos regulatorios tradicionales. Tales diferencias clave hacen que la IA GPT sea difícil de regular bajo los instrumentos tradicionales de regulación por los siguientes factores:

1. Imprevisibilidad: no es posible entender completamente o predecir cómo un GPT formula su producto, es decir, no se conoce el alcance de su producto, lo que dificulta especificar límites operativos “seguros”. Los GPTs pueden usarse para una amplia variedad de objetivos, muchos de los cuales pueden no haber sido contemplados por sus desarrolladores. Esto complica los problemas de responsabilidad en caso de resultados inesperados.

2. Aumento en dimensiones de riesgo: el número de dimensiones de riesgo y poblaciones susceptibles que necesitan ser analizadas y monitoreadas para las GPTs es mayor que para las tecnologías tradicionales reguladas por el PP. La complejidad de la gestión de riesgos para los GPTs conlleva costos mucho más elevados, que no necesariamente reducen el riesgo de daño.

Dadas estas diferencias, se argumenta que un conjunto único de reglas y procesos no es apropiado para regular la IA GPT. En cambio, deben preferirse reglas específicas para cada industria y caso de uso. Por lo tanto, su gobernabilidad y regulación necesitan reflejar diferencias respecto a otros componentes del ecosistema digital, alejándose de regulaciones tradicionales y adoptando enfoques específicos basados en casos. Se requiere la consideración de múltiples perspectivas, consecuencias no intencionadas y la naturaleza dinámica del ecosistema, reconociendo las limitaciones de las regulaciones actuales para garantizar la seguridad o anticipar todos los resultados potenciales. Es necesario migrar hacia estrategias de gobernabilidad adaptativas y holísticas que puedan mantener el ritmo de la innovación en IA.

La capacidad de cómputo, los datos y los algoritmos (investigación y desarrollo) son tres insumos fundamentales en el desarrollo y despliegue de sistemas de Inteligencia Artificial. De estos, la capacidad de cómputo ha surgido como un factor clave, ya que la potencia computacional utilizada para entrenar modelos de IA de frontera se duplica aproximadamente cada seis meses.

¿En qué parte del mundo se encuentra físicamente toda la computación utilizada en el desarrollo y despliegue de IA? La respuesta es clave desde las perspectivas de la gobernabilidad de la IA y el análisis geopolítico. 

La gobernabilidad computacional implica la gobernabilidad del desarrollo y despliegue de sistemas de IA. Esto se debe a que, en comparación con los datos y los algoritmos, el cálculo es un aspecto observable y medible del entrenamiento de la IA que puede restringirse a través de la naturaleza física del hardware de cómputo. 

La demanda de capacidad de cómputo utilizado para entrenar e implementar un modelo de IA a gran escala generalmente se produce mediante miles de unidades de procesamiento gráfico (GPU) y otros chips aceleradores de IA, que se alojan dentro de grandes Centros de Datos que consumen cientos de megavatios. 

Los reguladores podrían, por ejemplo, implementar controles de cumplimiento legal en el punto en el que los algoritmos y los datos llegan a un Centro de Datos, con el fin de habilitar estándares de seguridad compartidos, mantenimiento de registros gubernamentales y la verificación de sistemas y desarrolladores de IA, o para hacer cumplir restricciones y limitaciones en sistemas no compatibles. En consecuencia, la gobernanza computacional podría potencialmente dar poder de negociación a los países o bloques de países que no tienen otros medios para hacer cumplir las regulaciones de IA en otras jurisdicciones nacionales. 

Sin embargo, no todos los países son igualmente capaces de implementar la gobernanza a través de la computación. Los países que pueden ejercer jurisdicción territorial sobre infraestructuras computacionales físicas están en mejores condiciones para imponerles sus reglas que los Estados que no pueden. 

Esto se debe a que, incluso si las leyes de un país están destinadas a cubrir el contenido de las infraestructuras computacionales ubicadas en el extranjero, la aplicación de esas leyes puede ser difícil y ser cuestionada por otros países. 

Economías pequeñas o emergentes sólo podrán optar por adherirse a la gobernabilidad de IA de otras economías grandes en términos de capacidad de cómputo, datos y desarrollo de algoritmos.

Todo lo anterior representa una desviación significativa de la aplicación tradicional del Principio de Precaución, destacando los desafíos únicos que plantean las tecnologías avanzadas de IA. 

Asimismo, NO puede existir enfoques de gobernabilidad en autarquía por países o de manera regional. No es consistente dos enfoques (estadounidense y europeo), así como un enfoque latinoamericano diferente de los anteriores, ya que los cambios tecnológicos son únicamente compatibles con el libre flujo de ideas entre latitudes y NO puede sujetarse a un entorno regulatorio donde las entidades se hayan diseñado para sólo las telecomunicaciones y los fenómenos de competencia entre los años noventa y los primeros tres lustros del presente siglo. 

Si se requiere un nuevo marco institucional regulatorio deberá provenir de una entidad de competencia y regulación digital unificado, antes que desaparecerlos y mantenerlos separados.

_____
1. Walters, David C. “Complex System Governance Leadership” (2022). Doctor of Philosophy (PhD), Dissertation, Engineering Management & Systems Engineering, Old Dominion University, DOI: 10.25777/ vqcc-pb91.
2. Howell, B., “The Precautionary Principle, Safety Regulation, and IA: This time, it really is different”, AEI (September 2024).

3. Heim, L., Fist, T., Egan, J., Huang, S., Zekany, S., Trager, R., Osborne, M. A., and Zilberman, N. 2024. “Governing Through the Cloud: The Intermediary Role of Compute Providers in AI Regulation”, arXiv.2403.08501.

“You’ve got to test this stuff.”

“You can’t come into a mission-critical 24/7 operation and tell us you have a bug it doesn’t work.”

Ed Bastian, CEO de Delta.

El 19 de julio de 2024 se produjo una interrupción en los sistemas de tecnologías de información de uso crítico y masivo que sacudió a múltiples sectores de la economía global. Esta crisis fue desencadenada por una actualización de software rutinaria realizada por la empresa de ciberseguridad CrowdStrike Holdings Inc.

El incidente, que algunos consideran como la mayor interrupción en la historia de la tecnología de la información, afectó a aproximadamente 8.5 millones de dispositivos con sistemas operativos Windows de Microsoft, causando que la fatídica y tan temida “pantalla azul” apareciera y permaneciera en los monitores de los sistemas de acceso.

La falla fue causada por una actualización de software defectuosa de CrowdStrike, un importante proveedor de tecnología de ciberseguridad basada en la Nube. Esta actualización provocó que los dispositivos Windows dejaran de funcionar, lo cual resultó en la cancelación de vuelos, procedimientos médicos electivos y problemas con aplicaciones de pago, correo electrónico y otros programas cruciales críticos en tiempo real.

Este evento puso de manifiesto la creciente vulnerabilidad de la infraestructura en la Nube ante los puntos de falla. Los servicios de ciberseguridad son un mercado fragmentado, lo cual no puede ser lo mejor en términos de eficiencia dentro del ecosistema digital. El incidente demostró que incluso en un mercado de servicios intermedios concurren múltiples proveedores. Un software defectuoso puede causar daños extensos, dado que los proveedores suelen entregar la misma versión de software a todos los usuarios que a su vez ofrecen servicios finales.

Las empresas también son susceptibles a interrupciones causadas por fallas en los proveedores de servicios en la Nube, fallo en seguridad y operativos en productos de software de terceros que se ejecutan en la Nube, o en casos donde delincuentes obtienen acceso no autorizado a entornos en la Nube o al de un proveedor externo en la Nube.

Este incidente subraya la importancia de la gestión de riesgos y la diversificación en la infraestructura tecnológica, especialmente a medida que las empresas y los gobiernos dependen cada vez más de la infraestructura en la Nube para ofrecer servicios críticos.

La magnitud de esta interrupción fue inmediatamente evidente. Downdetector.com, un sitio web que monitorea el rendimiento en tiempo real de miles de servicios web en todo el mundo,^[1] experimentó un aumento sin precedentes en la actividad de los usuarios.

El impacto se extendió a través de una amplia y diversa gama de sectores de actividad económica:

• Servicios de emergencia: experimentaron el mayor aumento sobre su promedio diario de interrupciones y fallos, con un incremento de 68 veces.
• Sistemas informáticos: Microsoft fue duramente golpeado, con un aumento de 42 veces en los informes de interrupciones. Microsoft 365 vio un aumento de 18 veces, mientras que Microsoft Azure experimentó un incremento de 21 veces.
• Transporte y entrega: Tesla tuvo un aumento de 12 veces sobre su promedio diario de fallos, mientras que Uber experimentó un aumento de 57 veces y Uber Eats de 41 veces. Amazon presenció un aumento de 14 veces en los informes de interrupciones, mientras que DHL y FedEx vieron aumentos de 6 y 4 veces, respectivamente.
• Aerolíneas: este sector fue particularmente afectado, con un aumento de más de 50 veces en el número promedio de informes de usuarios sin acceso. Delta Airlines y Ryanair lideraron este sector en términos de problemas reportados.

La industria de las aerolíneas fue un caso dramático debido a la gravedad de la situación que causó el fallo. Según OAG, un proveedor de información digital de vuelos, las 20 aerolíneas más grandes del mundo se vieron obligadas a cancelar cerca de 10,000 vuelos entre el 19 y el 21 de julio.

Delta Airlines fue la más afectada, cancelando 5,300 vuelos desde el inicio de la interrupción. Como resultado, la aerolínea se encuentra ahora bajo investigación por su manejo de los retrasos y cancelaciones a consecuencia del fallo informático.

El sector financiero también se vio afectado. Visa recibió más de 64,000 informes de usuarios con fallas en el uso de sus sistemas de pagos, en comparación con su promedio diario típico de solo 1,500. El banco en línea TDBank aumentó sus reportes de usuarios a más de 56,000 en comparación con su promedio diario típico de 240 informes.

En cuanto a las implicaciones para la industria de seguros,^[2] al 26 de julio las pérdidas aseguradas de esta interrupción generalizada parecían ser un evento limitado para las aseguradoras de propiedad y accidentes.

Sin embargo, determinar las pérdidas finales para la industria será un proceso largo y complejo debido a que el lenguaje de las pólizas de seguros cibernéticos no está estandarizado en entre todos los sectores.

La firma de servicios de seguros Parametrix estimó pérdidas económicas totales de 5.4 mil millones de dólares por este evento, con pérdidas aseguradas probablemente entre 540 millones y 1.1 mil millones (10-20% de las pérdidas económicas).

Por su parte, CyberCube proporcionó una estimación preliminar de pérdidas aseguradas entre 400 millones y 1.5 mil millones de dólares para el mercado de seguros cibernéticos independientes.

La mayoría de las pérdidas derivadas serán por interrupciones en las transacciones, que es el principal factor de las pérdidas por incidentes cibernéticos. Dado que estas pérdidas no fueron causadas por un ciberataque, las reclamaciones se harán bajo la cobertura de “falla de sistemas”, que se está convirtiendo en una cobertura estándar dentro de las pólizas de seguros cibernéticos.

El momento de la interrupción podría contribuir a limitar la magnitud de las pérdidas aseguradas. La actualización defectuosa se envió a las computadoras el 19 de julio a las 04:09 UTC y sólo afectó a las computadoras que estaban en línea entre ese momento y las 05:27 UTC, aproximadamente 80 minutos después.

En ese momento, más sistemas de Asia-Pacífico estaban en línea que sistemas europeos y estadounidenses, pero Europa y EE.UU. tienen una mayor participación en la cobertura de seguros cibernéticos que la región de Asia-Pacífico.

Según Munich Reinsurance Company, las primas totales para el mercado global de seguros cibernéticos fueron de aproximadamente 14 mil mdd en 2023 y se espera que crezcan a alrededor de 29 mil mdd para 2027. A pesar de su rápido crecimiento, el seguro cibernético representa menos de 1 por ciento de los ingresos por primas de toda la industria en EE.UU.

Este evento ha puesto de manifiesto los amplios riesgos que plantea un único punto de falla con efectos sistémicos de gran magnitud.

Fallas que incluso pueden ser de naturaleza fortuita, aunado al grado en que muchos sectores de la economía están interconectados e interdependientes, debido a que el ecosistema digital es transversal a todos los sectores de la economía moderna en diferentes magnitudes.

El efecto de la interrupción fue similar al de un ciberataque a una cadena de suministro, afectando múltiples industrias y deteniendo a todos los sistemas de TI de todo tipo de empresas, desde aerolíneas hasta hospitales.

Es de esperarse que los usuarios de tales sistemas informáticos de misión crítica evalúen el alcance y la naturaleza del evento y ajusten sus prácticas, centrándose en la cobertura de fallas de sistemas aunque sean eventos menos probables que un ciberataque malintencionado.

Aunque las aseguradoras han mejorado su capacidad para analizar las posibles pérdidas relacionadas con violaciones de datos individuales, pérdidas por ransomware e interrupciones de pagos, sigue siendo un desafío analizar interrupciones generalizadas como esta ajenas a un ataque por terceros.

Es ahí donde existe una oportunidad para el uso de plataformas de IA para mejorar los pronósticos de eventos catastróficos.

El modelado de fallos y de ataques cibernéticos ha avanzado, pero los riesgos están en constante evolución, lo que crea incertidumbre en torno al retorno de la inversión.

La interrupción de CrowdStrike seguramente impulsará un mayor escrutinio actuarial de las agregaciones de riesgo y las prácticas de modelado y estimulará la demanda de seguros cibernéticos.

Este incidente nos debe llamar la atención respecto a conocer la economía de los problemas de agente-principal en los sistemas digitales de misión crítica. Aquellos que surgen y se deben de reconocer entre las empresas de ciberseguridad y las proveedoras de los servicios en la Nube.

Problemas entre las partes de un contrato de proveeduría que provienen por no considerar que puede existir una desalineación de incentivos y asimetría de información entre las partes.

En este contexto conceptual económico, las partes son las siguientes:

• Los proveedores de servicios en la Nube son típicamente los principales, ya que contratan las empresas de ciberseguridad.
• Las empresas de ciberseguridad actúan como agentes, proporcionando servicios y experiencia en seguridad informática.

Los aspectos económicos clave en esta relación incluyen:

1. Asimetría de información:

• Las empresas de ciberseguridad a menudo tienen un conocimiento más detallado sobre amenazas, vulnerabilidades y medidas de seguridad.
• Los proveedores de la Nube pueden no entender completamente los detalles técnicos o el alcance de los riesgos de seguridad.

2. Incentivos desalineados:

• Las empresas de ciberseguridad pueden tener un incentivo para exagerar las amenazas o recomendar medidas de seguridad excesivas para aumentar su negocio.
• Los proveedores de la Nube buscan equilibrar la seguridad con la rentabilidad y la experiencia del usuario, lo cual puede llevar a una inversión insuficiente en seguridad desde la perspectiva de la empresa de ciberseguridad.

3. Riesgo moral:

• Una vez contratadas, las empresas de ciberseguridad podrían no ejercer un esfuerzo óptimo si su desempeño es difícil de medir o verificar.
• Los proveedores de la Nube podrían volverse complacientes, confiando demasiado en la empresa de ciberseguridad sin mantener su propia vigilancia.

4. Contratos incompletos y prioridades conflictivas:

• Es difícil diseñar contratos que alineen perfectamente los intereses de todas las partes y tengan en cuenta todos los escenarios posibles.
• Las empresas de ciberseguridad priorizan la máxima seguridad, mientras que los proveedores de la Nube también necesitan considerar factores como el rendimiento del sistema, la accesibilidad del usuario y el monto de la inversión.
• Los directivos de la empresa pueden tener diferentes objetivos que aquellos de sus accionistas, en perjuicio del capital invertido por éstos a diferencia de los ingresos de los directivos.
• Los accionistas de CrowdStrike han demandado a la empresa argumentando que han ocultado sobre lo inadecuado de sus pruebas de software y que causaron la interrupción global del 19 de julio,^[3] teniendo como efecto que el precio de las acciones de CrowdStrike cayera 32 por ciento en los siguientes días, eliminando 25 mil millones de dólares de valor de mercado.
• En una demanda colectiva presentada el 30 de julio en el tribunal federal de Austin, Texas, los accionistas dijeron que se enteraron de que las garantías de CrowdStrike sobre su tecnología eran materialmente falsas y engañosas sobre la actualización de software defectuosa.

5. Riesgo reputacional:

• Los eventos de intromisión de terceros o violación en la seguridad pueden dañar severamente la reputación de un proveedor de la Nube, pero la empresa de ciberseguridad puede no asumir todas las consecuencias de tales eventos, pero sí aquellas deficiencias de las que son responsables directos.

7. Cumplimiento regulatorio:

• Los proveedores de la Nube son en última instancia responsables del cumplimiento regulatorio, pero dependen de las empresas de ciberseguridad para garantizar este cumplimiento, creando conflictos potenciales dado que el que causa una falla no internaliza por completo los costos que causa dicha falla, es evidente como ejemplo el caso de las aerolíneas y su relación con Microsoft y CrowdStrike.
• El WSJ reporta que el CEO de Delta afirma que el evento le costó a la línea aérea 500 millones de dólares y que litigará contra Microsoft y CrowStrike los daños causados.^[4]

Para mitigar estos problemas de agente-principal, se pueden emplear varias estrategias comúnmente citadas en la literatura económica:

• Contratos basados en el desempeño con métricas de seguridad claras y medibles.
• Auditorías y evaluaciones regulares por terceros.
• Mejora de la comunicación y transparencia entre las partes.
• Modelos de responsabilidad compartida para la seguridad.

Entender y abordar estos problemas de agente-principal es crucial para mantener una ciberseguridad robusta en entornos de servicios en la Nube, dado que ambas partes se deben de complementar eficientemente hacia el objetivo de proteger datos y sistemas, o en su caso optar por la integración vertical entre las partes minimizando riesgos y costos de transacción.

El caso de referencia ha demostrado la vulnerabilidad del actual ecosistema digital, para operaciones en tiempo real, y la importancia de herramientas preventivas, tanto contractuales como operativas.

También ha subrayado la necesidad de una mayor resiliencia y redundancia en los sistemas tecnológicos y un mejor entendimiento de la economía de los incentivos y contratos incompletos que puedan mejorar la complementariedad entre las partes de tal fundamental cadena de suministro en el ecosistema digital.

[1] Fuente: https://www.ookla.com/

[2] Moody’s Credit Outlook, “Business interruption will drive cyber insurance losses from CrowdStrike outage”, 29 de julio de 2024.

[3] Reuters, “CrowdStrike is sued by shareholders over huge software outage”, 1 de agosto de 2024.

[4] WSJ, “Delta CEO Says CrowdStrike Tech Outage Cost It $500 Million”, 31 de julio de 2024.

La presidenta electa, Claudia Sheinbaum Pardo, ha establecido en su propuesta de gobierno lo siguiente:

1. Evolucionar de la Ley de Mejora Regulatoria a la Ley General de Simplificación y Digitalización.
2. Teniendo como objetivo las siguientes métricas:
   1. 50% menos trámites.
   1. 50% menos costo en tiempo.
   1. 50% menor requisitos y
   1. 80% de los procesos de los trámites que prevalezcan sean digitalizados.

Los anteriores objetivos presentan una oportunidad idónea para incorporar el uso creciente de la Inteligencia Artificial (IA) y la automatización en la administración gubernamental, lo cual obviamente exigirá reformas en el marco de nuestro derecho administrativo y la gobernanza entre los entes públicos y los partícipes en las diferentes actividades económicas.

A nivel global las agencias o entidades gubernamentales están implementando sistemas de IA y automatizados para diversas tareas, y exploran cómo es posible que esta tendencia se acelere en los próximos años.

Existe un vasto conjunto de oportunidades en el tránsito de la interacción con burócratas a la interacción con sistemas digitales para obtener un mismo servicio, en menor tiempo y costos.

En un Estado con prioridad en los programas sociales, en lugar de que burócratas ejerzan discreción en decisiones sobre la dispersión de los beneficios de tales programas, como decidir sobre si los reclamantes individuales califican para los beneficios por nivel de ingresos o por discapacidad, las entidades a cargo podrán confiar en sistemas automatizados para tomar estas decisiones.

Con un sistema de procesamiento de reclamaciones, por ejemplo, importando automáticamente una amplia gama de datos de registros médicos electrónicos, geolocalización e identificación de tales personas y sus familias, utilizar un sistema de Inteligencia Artificial para procesar estos datos y determinar si los solicitantes cumplen con un umbral de probabilidad específico para calificar para los beneficios sociales. Los beneficios de inhibir casos de corrupción son inmediatos.

Los objetivos iniciales de la incorporación de la IA en la administración pública y sus relaciones con la ciudadanía incluyen:

1. Adopción creciente de IA/automatización

En las entidades de gobierno, al menos a nivel federal, en casos tales, como los ilustra la Presidenta electa, en materia de tributación (SAT y aduanas), parecen que serán los primeros en adoptar tal estrategia de transformación.

Entre los usos que se pueden dar a la IA se encuentran:

• Procesamiento de solicitudes y entrega de beneficios sociales (seguridad social, discapacidad, seguro de desempleo).
• Focalización de inspecciones y auditorías.
• Análisis de consultas públicas sobre propuestas regulatorias (v.gr consultas públicas de la Conamer a los proyectos de cambios regulatorios o emisión de nuevas regulaciones).
• Detección de fraudes y errores en programas gubernamentales.
• Predicción de ubicaciones para la prevención del crimen, incluido reconocimiento facial.
• Resolución automatizada de controversias y disputas.

Lo anterior nos puede llevar a un “estado automatizado” donde muchas funciones gubernamentales sean llevadas a cabo por sistemas de IA con una mínima participación humana.

Coglianese (2021)^[1] expone como ejemplo el caso de Estonia. El proyecto e-Estonia ha transformado su administración pública al digitalizar y almacenar de forma segura grandes cantidades de información sobre individuos, desde su atención médica, registros sobre su situación laboral y financiera.

La plataforma cruza a través de una infraestructura digital llamada X-Road, de modo que cualquier entidad que los necesite puede acceder instantáneamente a los registros de una persona. Este nivel de digitalización ha facilitado la automatización de los servicios gubernamentales de tal que los individuos pueden, a mínimo costo en recursos y tiempo, votar, solicitar un préstamo, presentar sus impuestos y completar otras tareas administrativas sin necesidad de interactuar con un funcionario humano, simplemente transfiriendo y compartiendo su información digital para completar formularios y enviar solicitudes.

Al automatizar muchos de sus procesos burocráticos, Estonia ha estimado un ahorro de hasta 2 por ciento de su PIB anual. Otros países con plataformas semejantes son Corea del Sur y Dinamarca.^[2]

En Estados Unidos se pueden señalar los siguientes casos:^[3]

• El Servicio de Ciudadanía e Inmigración en Estados Unidos (USCIS) utiliza un asistente virtual de IA llamado Emma para responder preguntas básicas y ayudar a las personas a navegar por el sitio web de la agencia.
• El FBI usa la IA para localizar niños desaparecidos, difundiendo en tiempo real la información a las agrupaciones de seguridad locales por reconocimiento facial.
• En Chicago, la autoridad de tránsito se apoya en IA para administrar la flota de autobuses mediante el análisis de los patrones de desplazamiento y la predicción de la demanda de pasajeros en tiempo real.

2. Beneficios potenciales de la automatización

– Precisión y consistencia en la toma de decisiones.

– Reducción de costos (incluido el tiempo) y las cargas administrativas.

– Capacidad para manejar mayores volúmenes de datos y casos.

– Potencial para decisiones objetivas y menos sesgadas por la intervención del factor humano.

– Liberar a los funcionarios humanos de tareas rutinarias para enfocarse en cuestiones más complejas.

3. Compatibilidad con los principios del derecho administrativo

Un creciente uso de la IA y la automatización en la administración gubernamental debe de ser compatible con los principios existentes del derecho administrativo en México. Sin que el suscrito sea un licenciado en derecho, considero que los objetivos clave incluyen:

• Obligaciones de transparencia para los modelos de IA que permita una mejor comprensión de dichos modelos, sus alcances y limitaciones, así como requisitos de ciberseguridad.
• En México, los juzgados han delegado la interpretación de las leyes sectoriales a la experiencia técnica de las agencias regulatorias (sobre todo las autónomas como el IFT y la Cofece), apoyándose en la presunción de legalidad de los actos regulatorios y que tales entidades son autónomas y expertas en su área, lo cual no necesariamente es correcto, por lo cual el auxilio de las pruebas periciales se extendería a incluir los sistemas algorítmicos (Large Language Models) como auxiliar del juzgador en sus respectivas áreas.^[4]
• Reducir la discrecionalidad. Los sistemas automatizados pueden potencialmente mejorar el quehacer judicial al implementar e interpretar con precisión los mandatos legislativos, (términos como “medidas proporcionales y razonables” y la existencia o ausencia de “competencia efectiva”, que no tienen una definición en ley, son huecos que dan lugar a discrecionalidad y, por lo tanto, a un tratamiento sesgado entre agentes económicos. La interpretación del contenido de la ley, frecuentemente difuso o sujeto a interpretación es una fuente de riesgo para los agentes económicos, toda vez que dependen en gran medida de la toma de decisiones humanas.

Como resultado, se incurre en fallas del gobierno, desde grandes costos privados y sociales hasta ineficiencias procedimentales, que se remontan a las limitaciones a la toma de decisiones humanas.

Incluso cuando los humanos actúan con buenas intenciones, sus decisiones pueden ser propensas a una amplia gama de sesgos cognitivos, limitaciones físicas, presiones externas y errores básicos de argumentación o ignorancia o indisponibilidad de datos.

En los sectores regulados (telecomunicaciones, energía, etc.) es frecuente observar el sesgo de confirmación donde las conclusiones anteceden al análisis.

El factor humano tiende a buscar y favorecer información que confirme sus prejuicios existentes y tiende a ignorar o descartar información inconsistente con o desafía esas creencias (v.gr. ausencia o existencia de competencia efectiva).

La expectativa de un debido proceso y transparencia pueden cumplirse mediante un diseño y validación adecuados de un sistema de IA a ser incorporado en los procedimientos ante el Poder Judicial.

4. Necesidad de supervisión objetiva de los sistemas de IA

Si bien quienes somos adeptos de la incorporación de la IA en los procesos de la administración pública, somos optimistas sobre el potencial de la automatización, enfatizamos la necesidad de un desarrollo responsable y una supervisión humana de los sistemas de IA en el gobierno, que debería incluir:

• Definir los objetivos y las restricciones de cada sistema.
• Pruebas rigurosas y validación de su desempeño antes de su implementación.
• Auditoría y monitoreo continuo del desempeño del sistema.
• Estándares para evaluaciones de impacto algorítmico y protecciones procedimentales relacionadas con la toma de decisiones automatizada.
• Doctrinas judiciales en evolución sobre la revisión del uso de IA por parte de las agencias.
• Retener el juicio humano para casos de alto riesgo o complejos.
• Que los sistemas sean consistentes con los mandatos legislativos y los objetivos de los entes públicos. La IA puede ser el “co-piloto” en la interpretación de mandato legislativo a la luz del estado de la ciencia y la evidencia en cada caso.
• Tesis judiciales que evolucionen con base en efecto sobre el uso de IA por parte de las entidades gubernamentales.

5. Preocupaciones sobre el sesgo algorítmico

Es de reconocerse el potencial de los sistemas de IA para perpetuar o exacerbar sesgos. Sin embargo, lo anterior no reconoce que la toma de decisiones humana también es propensa al sesgo (el sentido de la existencia de “competencia efectiva” se ha mostrado como maleable conforme a las partes que concurren al IFT).

Los sistemas de IA bien diseñados pueden reducir ciertos tipos de sesgo, homogenizando sus criterios, basados en los desarrollos de las ciencias y evidencia cuantitativa a nivel global sin apelar a juicios de valor del factor humano.

El que suscribe está más que convencido de que un algoritmo de LLM habría recomendado desde hace años eliminar la restricción de convergencia a la red fija del denominado agente económico preponderante. No se le ha liberado sólo y exclusivamente por juicios de valor del factor humano a cargo de tal decisión ¿cuánto le habrá costado al país excluir a un competidor del mercado de sistemas de audio y televisión restringido? Tal vez algunos puntos del PIB a la fecha desde el Acuerdo de Convergencia de 2006 a la fecha, casi 18 años de ello.

6. Equilibrar la eficiencia de la IA/automatización con el factor humano

Un tema clave es la necesidad de incorporar las ganancias de eficiencia de la automatización con la retención del juicio y la discreción humana en donde sea apropiado para la eventual modificación de las decisiones automatizadas en algunos casos, pero sujetas a principios incólumes de objetividad, evidencia y la inevitable presencia de casos con elementos fortuitos o singulares.

En un principio se incorporaría la IA/automatización para tareas rutinarias definidas, mientras se mantiene el factor humano involucrado en decisiones más complejas o consecuentes.

¿Cuántos de nosotros acudimos a realizar trámites en forma presencial y con exigencia de documentos que existen en otras entidades de gobierno, a pesar de ser trámites totalmente estandarizables?

Un elemento fundamental del quehacer regulatorio, ignorado por las entidades regulatorias y de competencia, es sujetarse a un estricto análisis costo-beneficio que vaya más allá de la prosa unilateral de cada autoridad.

Casos como la separación funcional del agente denominado “preponderante” y las medidas de regulación asimétrica impuestas o resolver si existen o no prácticas monopólicas relativas que tengan un efecto neto negativo en competencia, lo anterior debe sujetarse a una evidencia producto de un análisis estricto de costo-beneficio.

La IA se destaca en el manejo de grandes conjuntos de datos de diversas fuentes. Los algoritmos de aprendizaje automático pueden identificar rápidamente correlaciones, tendencias, estimaciones y proyecciones que podrían ser omitidos por los analistas humanos. Este análisis de datos exhaustivo puede proporcionar una base más sólida para las evaluaciones de costo-beneficio.

Los modelos predictivos impulsados por IA pueden tener en cuenta numerosas variables y sus complejas interacciones. Estos modelos pueden simular los impactos potenciales de las regulaciones. Al ejecutar miles de simulaciones, la IA puede proporcionar predicciones más precisas de los efectos a corto y largo plazo de las regulaciones propuestas.

La IA puede generar y evaluar una amplia gama de escenarios potenciales, considerando diferentes condiciones económicas y avances tecnológicos, esto permitiría a los reguladores comprender todo el espectro de posibles resultados de sus medidas que imponen a las empresas.

Los sistemas de IA pueden analizar continuamente flujos de datos para monitorear los efectos de las regulaciones implementadas. Esto permite una detección rápida de consecuencias no intencionadas o condiciones cambiantes que podrían requerir ajustes regulatorios. El monitoreo en tiempo real puede ayudar a crear marcos regulatorios más adaptativos y receptivos.

La IA puede ayudar a garantizar que los métodos analíticos se apliquen de manera consistente a cada diseño regulatorio (v.gr. los términos y condiciones de interconexión que el IFT resuelve cada año y que no necesariamente son consistentes entre ellos en el tiempo).

Al utilizar herramientas estandarizadas impulsadas por IA, los reguladores pueden eliminar las discrepancias en cómo se calculan y comparan los costos y beneficios, lo cual conduce a una toma de decisiones en forma transparente.

Estas aplicaciones de IA pueden mejorar significativamente la profundidad, precisión y eficiencia del análisis costo-beneficio regulatorio. Sin embargo, es importante tener en cuenta que la IA debe utilizarse como una herramienta para apoyar la toma de decisiones humanas, no para reemplazarla por completo, dado que los procesos regulatorios requieren de supervisión humana para su evaluación de desempeño, nada ni nadie es infalible.

En conclusión, la visión para esta propuesta de la Presidenta electa es en gran medida optimista, pero mesurada respecto de la automatización en la administración gubernamental.

El desarrollo de sistemas de IA/automatizados puede mejorar la precisión, eficiencia e incluso la equidad en las tareas gubernamentales rutinarias. Sin embargo, también se enfatiza la importancia de mantener una supervisión, juicio e interacción humana apropiada, particularmente para decisiones complejas y consecuentes.

Los principios existentes del derecho administrativo deberán de ser compatibles con una mayor automatización y reconocer como auxiliar en mejor proveer en la toma de decisiones a los algoritmos de IA.

Se espera cierta evolución en los marcos legales a medida que avanza la tecnología. En general, se propone un enfoque equilibrado que aproveche los beneficios de la IA/automatización mientras preserva elementos humanos clave de la gobernanza.

[1] Coglianese, C.; “Administrative Law in the Automated State”; 2021 by the American Academy of Arts & Sciences. Published under a Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) license https://doi.org/10.1162/DAED_a_01862.

[2] E-Government Survey 2020: Digital Government in the Decade of Action for Sustainable Development (New York: United Nations, 2020). Disponible en: https://publicadministration.un.org/egovkb/en-us/Reports/UN-E-Government-Survey-2020.

[3] Ver https://ai.gov/es/casos/.

[4] El pasado 28 de junio la Suprema Corte de EE. UU. recortó drásticamente el poder de las agencias federales para interpretar las leyes que administran y dictaminó que los tribunales deben confiar en su propia interpretación de las leyes con conceptos y disposiciones ambiguas. Por 6 votos a 3, los jueces anularon su histórica decisión de 1984 en el caso Chevron contra el Consejo de Defensa de los Recursos Naturales, que dio origen a la doctrina conocida como “doctrina Chevron”. Según esa doctrina, si el Congreso no ha definido o delimitado directamente la disposición central en una disputa, se requería que un tribunal confirmara la interpretación del estatuto hecha por la agencia, lo cual frecuentemente ocurría. Algo semejante debe de ocurrir en México, los reguladores autónomos son frecuentemente discrecionales en la interpretación de lo que el legislador ha mandatado.

¿Es el emprendimiento tecnológico fruto de una sobresaliente trayectoria académica, de un soporte financiero preexistente o simplemente producto de la “suerte”, de la aleatoriedad? ¿Cómo separar las startups que crean valor privado y social de aquellas que fracasan o fueron un mero fraude financiero?

El emprendimiento tecnológico se refiere al proceso de identificar, crear y explotar oportunidades para desarrollar y comercializar nuevas tecnologías, productos o servicios en el sector tecnológico. 

Incluye necesariamente su inmersión en el vasto ecosistema digital, lo cual implica combinar habilidades emprendedoras con innovación tecnológica para crear valor agregado mientras se aporta, en el agregado, al crecimiento económico.

Es frecuente romantizar los inicios de las Big Tech actuales como Google, Apple, Amazon, Microsoft y Facebook, surgiendo de cocheras, talleres, dormitorios o bodegas hasta lo que son el día de hoy, pero tal enfoque es perder objetividad de lo que significa el actual emprendimiento tecnológico que tiene como clave los siguientes aspectos:

1. Enfoque en la adopción o creación de tecnologías o desarrollo de aplicaciones de tecnologías existentes. De manera que inherentemente implica riesgos de mercado y tecnológicos toda vez que el desarrollo tecnológico tiene como árbitro y terreno de prueba su desempeño en el mercado. 

Es ahí donde la reunión de talento y circunstancias fortuitas hacen de su existencia y eventual éxito en el mercado lo que las hace singulares. 

Incluso son producto de la teoría del caos, donde cada minúscula decisión ha sido determinante en su existencia y trascendencia o fracaso.

El emprendimiento tecnológico es altamente sensible a las condiciones iniciales, por lo que puede emular la metáfora del llamado “Efecto mariposa”, que dentro de la teoría del caos ilustra cómo pequeños cambios en las condiciones iniciales pueden llevar a grandes e impredecibles consecuencias.

2. Intra-emprendimiento. Es una forma de crear innovación dentro de las empresas establecidas, mediante el fomento de la innovación dentro de la empresa a través de startups internas, proyectos “skunkworks” o equipos dedicados de I+D. 

Estos equipos operan al interior de una corporación pero con un alto grado de autonomía, sin obstáculos burocráticos o jerárquicos y con la tarea de trabajar en proyectos avanzados específicos.

3. Innovación continua y adquisiciones. Frecuentemente, las startups desde el inicio buscan ser adquiridas por empresas como son las Big Tech. 

Éstas las identifican y las adquieren por ser prometedoras para integrar nuevas tecnologías o expandirse a nuevos mercados. Es una estrategia para desarrollar constantemente nuevos productos o servicios y mantener su posición competitiva en el mercado. 

Tal práctica ha sido sujeto de investigaciones por parte de las autoridades de competencia en EE. UU. y Europa.

4. Fondos de capital de riesgo. Son un eslabón fundamental en la existencia del emprendimiento tecnológico. Tales fuentes de financiamiento tienen como objeto identificar e invertir en startups externas para obtener ventajas estratégicas, innovaciones apropiables o como estrategia de diversificación y/o maximización de rendimientos financieros.

Las startups que surgen del emprendimiento tecnológico típicamente implican identificar oportunidades de mercado mediante el reconocimiento de soluciones eficientes en casos donde se puede crear valor mediante la disminución de costos o la creación de nuevos servicios antes inexistentes que pueden abordarse mediante soluciones tecnológicas.

Las startups implican etapas que se caracterizan por el desarrollo y la refinación rápida de productos o servicios basándose en la retroalimentación de los usuarios y por las preferencias que el mercado va revelando. 

Esto conduce, en ciertos casos, a la innovación disruptiva, creando productos o servicios que desafían el status quo de la industria o los modelos de negocio establecidos en el mercado.

Las startup necesariamente tienen la propiedad de escalabilidad, es decir, su escala inicial puede expandirse gradualmente conforme evoluciona su desempeño en el mercado. 

Debe de responder rápidamente a los cambios en las tendencias tecnológicas, condiciones del mercado y su entorno competitivo. Gestionar su propiedad intelectual a través de patentes, derechos de autor y otras formas de derechos de propiedad en forma individual o colaborativa toda vez que en un ecosistema digital es ineludible participar y contribuir al ecosistema tecnológico, incluyendo asociaciones, iniciativas de código abierto y estándares desarrollados por los propios participantes de las industrias.

La relación entre las grandes empresas tecnológicas y las startups en el emprendimiento tecnológico es a menudo compleja y simbiótica. 

Las startups pueden desafiar a las grandes empresas tecnológicas con innovaciones disruptivas, forzándolas a adaptarse o adquirirlas. 

Por otro lado, las grandes empresas tecnológicas pueden proporcionar recursos, mentorías y potenciales oportunidades de salida para las startups.

El emprendimiento tecnológico juega un papel crucial en impulsar la innovación, el crecimiento económico y el cambio social en la economía digital moderna. Requiriendo una combinación de experiencia técnica, perspicacia empresarial y espíritu emprendedor para navegar con éxito el panorama tecnológico en rápida evolución.

No hay que idealizar la vida y trayectoria de Bezos, Brin, Jobs, Gates, Page, Gates, Musk o Zuckerberg. Ese no es el camino para fomentar el surgimiento del emprendimiento tecnológico. 

Como prerrequisito para un entorno fértil para el emprendimiento tecnológico es necesario reconocer igualmente los casos donde el mercado depuró y eliminó startups aparentemente prometedoras o de aquellos que abusaron de las fallas de mercado para prolongar el fraude a sus inversionistas. 

Es igualmente valioso estudiar lamentables experiencias que incluso disminuyeron el flujo de capital de riesgo a startups tecnológicas por el daño causado a sus inversionistas. 

Es importante tener en cuenta que estos casos son ejemplos de situaciones extremas y no representan a la mayoría de las startups tecnológicas.

1. Theranos

Fundada por Elizabeth Holmes en 2003, Theranos prometía revolucionar los análisis de sangre con una tecnología que supuestamente podía realizar cientos de pruebas con sólo unas gotas de sangre. La compañía llegó a valorarse en 9 mil millones de dólares, pero en 2015 se reveló que su tecnología simplemente no existía como se afirmaba. La empresa se disolvió en 2018 y Holmes fue condenada por fraude en 2022. 

2. WeWork

Aunque no fue un fraude, WeWork es un ejemplo de una startup sobrevalorada que fracasó en su intento de salida a bolsa. La compañía de espacios para coworking alcanzó una valoración de 47 mil millones de dólares en 2019, pero en su intento de IPO reveló graves deficiencias en su modelo de negocio y gobierno corporativo.

3. Wirecard

Aunque no era una startup tradicional, Wirecard era considerada una empresa tecnológica innovadora en el sector de pagos. La compañía alemana llegó a valorarse en 24 mil millones de euros, pero en 2020 se descubrió un faltante de 1.9 mil millones. Wirecard se declaró en quiebra y su CEO fue arrestado por fraude.

5. Zenefits

Esta startup de software para recursos humanos creció rápidamente, alcanzando una valoración de 4.5 mil millones de dólares. Sin embargo, se descubrió que la empresa había desarrollado software para permitir que sus empleados hicieran trampa en los exámenes de licencias de seguros.

6. Quibi

Lanzada en 2020, esta plataforma de streaming de contenido corto para móviles recaudó 1.75 mil millones de dólares antes de su lanzamiento. La plataforma fracasó en atraer suscriptores. Quibi cerró apenas seis meses después de su lanzamiento.

7. Jawbone

Esta empresa de tecnología wearable y audio llegó a valorarse en 3 mil millones de dólares. Sin embargo, enfrentó problemas de calidad en sus productos y una intensa competencia. Jawbone se declaró en quiebra en 2017, después de haber recaudado más de 900 millones de dólares.

Abundan las startups tecnológicas que operan de manera transparente y exitosa. Sin embargo, conocer los ejemplos de fracasos y fraudes sirven como advertencias importantes para emprendedores e inversionistas en el sector tecnológico. 

Sin embargo, el estudio de estos casos ilustra que el emprendimiento tecnológico debe de estar sujeto a lo siguiente para protección de startups viables y flujo de capital de riesgo sostenido al reconocer los peligros de la sobrevaloración y el crecimiento insostenible. 

Se necesita un producto o servicio que se sujete a la prueba del mercado y no sólo a las pruebas técnicas para acceder a mecanismos de fondeo tradicionales y no tradicionales y la importancia de la transparencia en la gestión empresarial.

En la educación para el emprendimiento tecnológico resulta fundamental la formación profesional que dista mucho de buscar sólo un “palomeo” al estilo de un Shark Tank y que resultan fundamentales en el mercado:

1. El sometimiento a la disciplina del “due diligence” corporativo y financiero exhaustivo:
   1. Investigar a fondo la tecnología, el equipo, los antecedentes financieros y las afirmaciones de la startup.
   2. Sujetarse a la validación independiente de la tecnología inmersa en los productos o servicios.
2. Escepticismo ante promesas extraordinarias, cuestionar las afirmaciones de avances revolucionarios sin evidencia sólida.
3. Transparencia:
   1. Las startups deben de ser abiertas sobre sus desafíos y limitaciones.
   2. Desconfiar de las negativas al acceso a información clave.
4. Verificar las credenciales y asociaciones para confirmar las afirmaciones sobre patentes, certificaciones y asociaciones con otras empresas o instituciones.
5. Examinar la estructura de gobierno corporativo.
   1. Verifica los antecedentes y la experiencia del equipo fundador y ejecutivo.
   2. Sujetarse a un consejo de administración independiente.
6. Analizar las métricas financieras:
   1. Prestar atención a los ingresos reales, no sólo a las proyecciones.
   2. Buscar una contabilidad clara y transparente.
   3. Sujetar a pruebas financieras los supuestos en la generación de ingresos y alcanzar la rentabilidad.
7. Considerar la opinión de expertos en el campo tecnológico específico de la empresa emergente y sujetarlo al escrutinio por “peers o pares” y validaciones de terceros.
8. Estar atento a las señales de alerta:
   1. Cambios frecuentes en la dirección ejecutiva o en la estrategia.
   2. Retrasos constantes en el lanzamiento de productos o hitos importantes y ausencia de demostraciones prácticas de la tecnología.
9. Examinar la cultura empresarial: una cultura de secretismo excesivo puede ser una señal de alerta.

Incluso con estas precauciones, invertir en startups tecnológicas siempre conlleva riesgos. 

La clave es minimizar estos riesgos a través de una investigación exhaustiva y un enfoque cauteloso. No olvidar que el elevado riesgo conlleva un elevado rendimiento esperado. ¿Cuántas startups conocen que satisfagan estos factores?

El principio de la teoría del caos que mencioné inicialmente puede aplicarse al análisis de las tasas de riesgo de las startups. 

Pequeñas diferencias en las condiciones iniciales de una startup (por ejemplo, dinámica del equipo fundador, financiamiento inicial, momento de entrada al mercado) pueden tener efectos magnificadores en su éxito o fracaso a largo plazo. Dada la naturaleza impredecible de los resultados, las startups necesitan ser altamente adaptables para sobrevivir.

Algunas startups pueden experimentar un crecimiento repentino y explosivo, mientras que otras con inicios similares pueden fracasar rápidamente. 

Construir resiliencia y flexibilidad organizacional es a menudo más valioso que una planificación rígida a largo plazo. 

Las startups pueden apuntar a crear sistemas que no sólo resistan el caos, sino que potencialmente se beneficien de él, distribuyendo el riesgo entre múltiples productos o servicios, lo cual ayuda a las startups a navegar entornos impredecibles.

Entender que el éxito o el fracaso pueden estar influenciados por factores fuera del control de una startup y capitalizar la serendipidad, estando preparado para aprovechar oportunidades inesperadas cuando surjan. 

Sujetarse a los efectos de red al reconocer que las startups digitales existen dentro de ecosistemas complejos y que se requieren de estrategias colaborativas. 

Estas implicaciones resaltan la naturaleza compleja y dinámica de los entornos de las startups y los desafíos en la predicción de resultados.

También apuntan a estrategias que las startups e inversores pueden usar para navegar estas aguas inciertas del cambio tecnológico y las modalidades de emprendimiento que no se enseñan en un salón de clase o en talleres de liderazgo e innovación.

El pasado 22 de abril, se publicó en el Diario Oficial de la Federación el “decreto por el que se modifica la Tarifa de la Ley de los Impuestos Generales de Importación y de Exportación”. Este derogó el publicado el 15 de agosto de 2023, que había establecido modificaciones a 392 fracciones arancelarias. En el reciente decreto, a partir del 23 de abril de 2024, aumenta por un período de dos años los aranceles aplicables a diversas mercancías clasificadas en 544 fracciones arancelarias. Estas incluyen productos de acero, aluminio, textiles, confección, calzado, madera, plástico y sus manufacturas, productos químicos, papel y cartón, productos cerámicos, material eléctrico, material de transporte, instrumentos musicales, muebles, vidrio y sus manufacturas, incluidos los cables de fibra óptica.

Los aranceles varían entre 5 y 50 por ciento, pero 94 por ciento de las fracciones se distribuyen entre dos tasas 25 y 35 por ciento, con el arancel máximo de 35 por ciento aplicado a los cables de fibra óptica.

El decreto especifica que las mercancías originarias de los países parte de un Tratado de Libre Comercio de los cuales México sea parte, continuarán con el tratamiento de preferencia arancelaria en su importación por lo general libre de aranceles.

¿Cuál es la situación del comercio exterior de México en cables de fibra óptica? Para ello, es necesario conocer el perfil de importaciones y exportaciones de dicho insumo.

Si somos importadores netos de este fundamental insumo para la penetración de las telecomunicaciones y el crecimiento de los ecosistemas digitales, existirá un daño al elevar los costos de expansión de los operadores de telecomunicaciones.

El efecto de tales tarifas a la importación eleva los costos de inversión en caso de que una fracción sustancial de las importaciones provenga de países con los cuales no tengamos un tratado de libre comercio.

En su caso, se elevan los costos de expansión de las redes ópticas mientras se protege a los productores nacionales y de Estados Unidos de la competencia de las importaciones de cable óptico que proviene de países con los cuales no se tiene un tratado de libre comercio (fundamentalmente, China).

Antes del decreto de referencia, el arancel para cables de fibra era de cero, proveniente de terceros países, por lo que el incremento a 35 por ciento es significativo.

La fracción arancelaria de los cables ópticos lo identifica como el producto número 354 en el comercio global, con un valor total de 11 mil millones de dólares. Entre 2021 y 2022, las exportaciones de fibras y cables ópticos crecieron 22.3 por ciento, de 8.95 mmdd a 11 mmdd. El comercio de fibras y cables ópticos representa 0.05 por ciento del total del comercio mundial.

En 2022, a nivel global, los principales exportadores de fibras y cables ópticos fueron China (3.04 mmdd), México (1.67 mmdd), Estados Unidos (1.55 mmdd), Polonia (364 mdd) y Japón (357 mdd).

En cuanto a las importaciones, en 2022 los principales importadores de fibras y cables ópticos fueron Estados Unidos (2.74 mmdd), México (1.08 mmdd), Canadá (527 mdd), Reino Unido (509 mdd) y Francia (463 mdd).^[1]

Sin embargo, el mercado nacional de cable óptico en 2022 y 2023 fue valuado en 16.3 y 24.1 millones de dólares, con 11 y 13.6 mil toneladas respectivamente, un mercado relativamente pequeño para ser un país con una participación significativa en el comercio global, siendo el segundo mayor exportador e importador a nivel global.

En 2022, México representó 15.3 por ciento de las exportaciones globales de fibra y cables ópticos y 9.83 por ciento de las importaciones.

Respecto al destino de las exportaciones, 97.6 por ciento fue a Estados Unidos, cuyo valor aumentó 21 por ciento y la cantidad 23 por ciento entre 2018 y 2022.

En cuanto al origen de las importaciones, 56.3 por ciento provino de Estados Unidos y 30 por ciento de China.

Lo anterior indica que el sector de cables ópticos nacional tiene un intenso comercio intraindustrial, es decir, exportamos e importamos bienes que pueden ser competidores entre sí, toda vez que los cables de referencia son bienes diferenciados por sus capacidades o propiedades técnicas.

No obstante, también existe un cierto grado de sustitución y de complementariedad entre ellos.

México es un exportador neto de cables de fibra óptica, lo cual supondría que debería existir un despliegue de fibra mayor a la actual. Dado que se tiene ventaja comparativa respecto a otros países en su manufactura, esto indicaría que el costo de despliegue de fibra no es atribuible al costo de este insumo, sino a otros factores como la densidad poblacional, el costo de la infraestructura pasiva y el retorno esperado del capital invertido.

Contrario a lo previsto hace una década por el legislativo, la entrada y expansión de los operadores alternativos se ha dado por propia expansión de fibra, más que por una demanda masiva de compartición obligada debido al régimen de desagregación impuesto en la regulación asimétrica.

Existen varios tipos de cables ópticos utilizados en las redes de telecomunicaciones, los principales son:

1. Fibra monomodo (SMF):

• Consiste en un núcleo pequeño (8-10 micrones) y revestimiento.
• Transporta una sola señal de luz a largas distancias.
• Se utiliza para aplicaciones de larga distancia y alto ancho de banda.
• Opera en longitudes de onda de 1,310 nm y 1,550 nm.

2. Fibra multimodo (MMF):

• Tiene un núcleo mayor (50-62.5 micrones) y revestimiento.
• Transporta múltiples señales de luz a distancias más cortas.
• Se utiliza para aplicaciones de corto alcance y menor ancho de banda, como redes LAN.
• Opera en longitudes de onda de 850 nm y 1,300 nm.

3. Cable de fibra encintada:

• Múltiples fibras dispuestas en formato de encintado plano.
  • Alta densidad de fibra y diseño compacto.
  • Idóneo para terminar y empalmar en los cables de tubo holgado.
  • Se utiliza en aplicaciones de alta densidad como centros de datos.

5. Cable de tubo holgado:

• Las fibras se colocan en tubos de amortiguación con relleno de gel.
  • Ofrece mejor protección mecánica y resistencia al agua.
  • Se utiliza para aplicaciones exteriores y de larga distancia.

6. Cable blindado:

• Tiene una capa adicional de blindaje metálico para protección.
  • Se utiliza en entornos hostiles propensos a daños mecánicos.
  • Adecuado para aplicaciones de enterramiento directo o submarinas.

7. Cable híbrido:

• Contiene tanto fibras ópticas como conductores de cobre.
  • Se utiliza cuando se necesita conectividad tanto de fibra como eléctrica.
  • Común en aplicaciones FTTx y sistemas de antenas distribuidas.

Estos cables ópticos están diseñados para diversas aplicaciones, distancias, anchos de banda y condiciones ambientales en las redes de telecomunicaciones.

¿Cuáles habrán sido las razones para imponer un arancel con China en cables de fibra óptica? Considerando las cifras de 2022, al menos 30 por ciento de las importaciones estarán sujetas a 35 por ciento de arancel, es decir, al menos 34 mil toneladas de las 95.7 mil toneladas que se importan.

Entre 2018 y 2022, el crecimiento de las importaciones de China fue de 39 por ciento en valor y de 42 por ciento en cantidad, mientras que con Estados Unidos el crecimiento fue de 24 por ciento en valor y de 29 por ciento en cantidad.

Cabe señalar que en el caso de China, entre 2021-22, el crecimiento fue de 71 por ciento en valor, mientras con Estados Unidos fue de 36 por ciento.^[2]

Existen economías de escala y de alcance en la manufactura de cables de fibra óptica, lo cual es fundamental para entender su proceso de producción.^[3]

1. Producción de la preforma:

• Las materias primas, típicamente silicio de alta pureza, se sujetan a mezclado y se funden en horno.
• El vidrio fundido se moldea en una preforma cilíndrica, una versión a gran escala de la fibra óptica final.
• En su caso, añaden dopantes a la preforma para controlar el perfil del índice de refracción de la fibra.

2. Estirado de la fibra:

• La preforma se calienta en un horno de torre de estirado hasta una temperatura tal que el vidrio reblandece y puede estirarse en una fibra delgada.
  • La preforma se estira hasta el diámetro de fibra deseado (típicamente alrededor de 125 micrones) mientras se mantiene el perfil del índice de refracción.
  • Inmediatamente después del estirado, se aplica un recubrimiento protector a la fibra para proporcionar protección mecánica y ambiental.

3. Trenzado y cableado de la fibra:

• Múltiples fibras se trenzan juntas para formar un haz o cinta de fibras.
  • El haz de fibras se envuelve en capas protectoras, como tubos de amortiguación, miembros de refuerzo y cubiertas externas, para formar el cable de fibra óptica final.
  • Se utilizan diferentes diseños de cables según la aplicación y el entorno de instalación (por ejemplo, tubo holgado, tubo ajustado, armado, etc.), lo cual da lugar a las economías de alcance o multiproducto a partir de un proceso inicial común.

4. Control de calidad y pruebas:

• Las propiedades ópticas y mecánicas de las fibras y los cables se prueban a lo largo del proceso de fabricación para garantizar que cumplan con las especificaciones.
  • Las pruebas incluyen atenuación, dispersión, parámetros geométricos, resistencia a la tracción y rendimiento ambiental.

La fuente de economías de escala en la fabricación proviene de los elevados costos fijos: equipos e instalaciones, como los sistemas de fabricación de preformas y de las torres de estirado.

Distribuir estos costos en un volumen de producción creciente reduce el costo por unidad. A su vez, los procesos de producción a lo largo de las etapas de la fabricación de fibra óptica, como la producción de preformas y el estirado de fibras, son procesos continuos que contribuyen a aumentar las economías de escala o costos medios decrecientes.

Los volúmenes de producción más altos permiten tiradas continuas más largas, reduciendo la inactividad y aumentando la eficiencia.

Respecto a las economías de alcance, los fabricantes producen una variedad de productos de fibra óptica que comparten recursos, etapas de producción e infraestructura entre diferentes líneas de productos.

Al aprovechar estas fuentes de economías de escala y alcance, los fabricantes de cables de fibra óptica reducen costos, incrementan eficiencia en el tiempo y son cada vez más competitivos en el mercado a medida que aumentan la producción, además de los subsidios que puedan recibir.

No es de descartarse que el alza arancelaria no sea suficiente para desincentivar las importaciones procedentes de China, toda vez que el precio puede tener un margen lo suficiente para que sus productores absorban el arancel y sigan creciendo en el mercado nacional, desplazando las importaciones de Estados Unidos y la producción nacional, en caso de que ambas no sean tan eficientes en actualizar economías de escala y alcance para ser una opción rentable para los operadores de redes en sus proyectos de expansión.

Los principios económicos del libre comercio indican que los aranceles para una economía pequeña, cuya oferta no modifica los precios internacionales, siempre disminuye el bienestar; sus efectos en precios internos y los beneficios en recaudación son menores a los costos sociales que impone.

En este caso, los dos años de vigencia de los aranceles impuestos podrán tener un efecto en la evolución del patrón de importaciones y en la posición de exportador neto de México, así como en el tamaño del mercado doméstico.

De esta experiencia se desprenderán lecciones valiosas para un curso de comercio internacional con competencia imperfecta y economías a escala en la producción. Al tiempo.

[1] Fuente: https://oec.world/en.

[2] Ídem p. 3.

[3] Philip M. Parker, “The 2020-2025 World Outlook for Fiber-Optic Cable Manufacturing”, ‎ ICON Group International, Inc., 2019.

Es abrumadora la plétora de opiniones favorables respecto al retorno de una activa política industrial y de proteccionismo en las economías que suministran al mundo con bienes que se destinan a un creciente ecosistema digital.

Proteccionismo y subsidios se justifican por argumentos de seguridad nacional, hegemonía geopolítica o por motivos precautorios dadas las experiencias en años recientes de la fragilidad de las cadenas globales de suministro de insumos como semiconductores, paneles solares o baterías para vehículos eléctricos.

Las actuales justificaciones para una política industrial proteccionista son semejantes a aquellas del mercantilismo dominante en Europa desde el siglo XVI hasta el siglo XVIII.

Al mercantilismo lo caracterizó suponer que una nación debe maximizar las exportaciones y minimizar las importaciones para mantener una balanza comercial positiva, por lo que el gobierno debe intervenir en la economía para promover las exportaciones y desalentar las importaciones a través de políticas como subsidios, aranceles y cuotas.

Así como proteger a la industria nacional de la competencia extranjera para asegurar su crecimiento y prosperidad.

El mercantilismo enfatizó el papel del Estado en dirigir las actividades económicas que consideraban como de interés nacional, como en la actual rivalidad entre Estados Unidos y China. Incluso los argumentos de la autosuficiencia en todo momento de los bienes son los mismos que en aquella época.

Todavía se promueve la idea de que el comercio internacional es un juego de suma cero, donde la ganancia de una nación es la pérdida de otra.

Lo anterior es un concepto económicamente erróneo que se opone con la ciencia económica, la cual explica las ventajas del libre comercio, los patrones de comercio que surgen de la ventaja comparativa, la especialización y la distribución global de la producción en industrias donde existen economías de escala.

Por lo tanto, el comercio global no es un juego de suma cero, dado que genera un beneficio neto para todas las partes que comercian entre sí.

Lamentablemente, la lógica del mercantilismo ha permanecido a lo largo del tiempo. Por ejemplo, la Ley Jones, también conocida como Ley de la Marina Mercante de 1920, regula el comercio marítimo en Estados Unidos.

El propósito de dicha Ley es proteger y promover la industria de la marina mercante de ese país mediante las siguientes disposiciones:

1. Todas las mercancías que sean transportadas entre puertos estadounidenses usen barcos construidos, operados y sean de propiedad de ciudadanos estadounidenses o residentes permanentes.
2. Las embarcaciones deben de tener una tripulación predominante de ciudadanos estadounidenses o residentes permanentes.

Los defensores de la Ley Jones argumentan que es esencial para mantener una fuerte industria marítima estadounidense, crucial para la seguridad nacional.

También afirman que la ley ayuda a proteger los empleos estadounidenses en los sectores de transporte marítimo y construcción naval. En realidad, elimina la competencia por parte de embarcaciones construidas, operadas y de propiedad de otros países, lo cual aumenta el costo del transporte de mercancías entre los puertos estadounidenses.

Sobre todo a los estados y territorios que no forman parte de los Estados Unidos contiguos, como Alaska, Hawái y Puerto Rico. En perjuicio de los consumidores de los bienes que son transportados por tales navíos, aquella legislación se mantiene hasta la fecha.

Qué pasa con la Ley CHIPS

Ahora es el turno de la ley CHIPS. La Ley de Creación de Incentivos Útiles para Producir Semiconductores (CHIPS, por sus siglas en inglés) y Ciencia fue promulgada por el presidente Biden en agosto de 2022.

Su objetivo es fundamentalmente reducir la dependencia de los fabricantes extranjeros de semiconductores por medio de subsidios e incentivos fiscales para fomentar la investigación, el desarrollo y la producción de semiconductores dentro de Estados Unidos.

Las disposiciones de la Ley CHIPS relacionadas con los semiconductores incluyen:

1. Inversión en la fabricación de semiconductores: la ley proporciona 52.7 mil millones de dólares en subsidios e incentivos para que las empresas construyan, amplíen o modernicen las instalaciones de fabricación de semiconductores en Estados Unidos.
2. Créditos fiscales: las empresas que inviertan en equipos de fabricación de semiconductores o en la construcción de instalaciones de fabricación en EE.UU. son elegibles para un crédito fiscal de 25 por ciento.
3. Asegurar la cadena de suministro y reducir la dependencia de proveedores extranjeros: particularmente de países de Asia por los riesgos de un posible conflicto con China por el Mar Sur de China y Taiwán. Debido a la escasez mundial de chips entre 2020 y 2021 que afectó varias industrias como la automotriz y dada la expansión de la demanda, por el creciente ecosistema digital, incluidas las plataformas de Inteligencia Artificial.

Obviamente, se espera que la Ley CHIPS reduzca la dependencia de los fabricantes extranjeros y posicione a Estados Unidos como líder mundial en investigación, desarrollo y producción de semiconductores en los próximos años.

Sin embargo, escasamente se discute el costo económico del subsidio, la reacción del resto de los países que los fabrican, el efecto en los precios internacionales tanto de los semiconductores como de los bienes que los utilizan como insumos y, por supuesto, la conducta que incentiva la transferencia, ese “dinero gratis” para las empresas que reciban tales recursos.

Empresas como Intel, que habían quedado rezagadas ante los fabricantes asiáticos, en marzo recibió 8,500 millones de dólares en subsidios y 11,000 millones en créditos a tasa “preferencial” para financiar sus planes de invertir en su expansión durante los próximos cinco años.

Gracias a la Ley CHIPS no hay nada semejante para una empresa como tener al Estado como garante de facto, incluso de productos que sean inferiores al de sus competidores en Asia.^[1]

Es imposible que los subsidios impliquen una garantía de que el actual 8 por ciento de participación de EE.UU. en el mercado global de semiconductores pudiera al menos acercarse al 20 por ciento para 2030; porque en 1990 el país tenía 37 por ciento de participación de mercado.

El giro de EE.UU. hacia el proteccionismo, y su objetivo de impedir o reducir la participación de China en las cadenas de suministro, tiene como efecto colateral ser una amenaza para los fabricantes del resto de Asia, dado el objetivo explícito de atraer inversiones de empresas globales de semiconductores a EE. UU.

En el este y sureste de Asia actualmente se ubican 10 de los 16 exportadores de semiconductores y los principales seis proveedores globales que participan con aproximadamente 85 por ciento de las exportaciones globales, por lo que esta región domina la cadena de suministro global de semiconductores.^[2]

TSMC, el mayor fabricante del mundo, fabrica chips diseñados por empresas como Nvidia y Qualcomm.

Su producción termina en una innumerable cantidad de productos que hacen crecer el ecosistema digital de la vida moderna, desde teléfonos inteligentes hasta automóviles, y Apple es el mayor cliente de TSMC, para sus Macbooks y iPhones. Hospedar a TSMC en la Unión Americana sigue siendo un balón político en las tensiones entre China y Estados Unidos.

En el objetivo de regresar la fabricación de semiconductores avanzados a EE. UU, este país anunció que TSMC recibiría 11,600 millones de dólares en subsidios y préstamos para financiar la construcción de sus fábricas en Arizona que entrarían en operación en 2025 y 2028.

Por su parte, Samsung recibirá hasta 6,400 millones de dólares en subsidios para una planta en Texas con la expectativa de entrar en operaciones en 2026.

Sin embargo, la producción de chips sofisticados para defensa e IA todavía involucraría plantas en Asia en la etapa que se conoce como empaquetamiento de varios tipos de chips para aumentar su rendimiento y eficiencia. A la vez que se reubica la cadena de suministro de una región a otra.

Todo ello implica costos que eventualmente tienen efectos en los precios internacionales de tales insumos y en los instrumentos que los utilizan.^[3]

La posible transferencia de plantas ubicadas en esta región y en Europa está causando que en respuesta a la Ley CHIPS, la Unión Europea, Taiwán, Japón y Corea del Sur^[4] hayan iniciado o ampliado sus propios programas de subsidios, lo cual aumenta la posibilidad de un exceso de oferta global de semiconductores y la caída de los precios mundiales y, como consecuencia, la pérdida de rentabilidad de la industria.

Ahora es objeto de protección como consecuencia de una “guerra de subsidios” que se expande a los paneles solares y las baterías para autos eléctricos.

La respuesta de EE. UU. ante tal escenario sería continuar apalancando su industria con otra oleada de subsidios y/o aranceles a la importación y/o imponiendo exigencias de contenido doméstico en los bienes que incorporen semiconductores en su manufactura.

Todo ello tendría como consecuencia frenar la expansión de los ecosistemas digitales en perjuicio de sus usuarios ante una crisis en la viabilidad y capacidad de investigación y desarrollo a nivel global.

Intentar modificar cadenas enteras de suministro fuera de los incentivos del mercado es ineficiente.

Es necesario pagar alguna prima de seguro para crear cadenas de suministro más resilientes y cercanas (nearshoring o friendshoring). Incluso en México tiene sus riesgos con los cambios en su política energética, la cual incluyó el retorno al monopolio estatal en energía y su centralización, aunque los subsidios de EE. UU. causen una externalidad positiva en el establecimiento de algunas plantas relacionadas con la fabricación de semiconductores en México.

La razón es el valor de la diversificación en un contexto global de libre comercio. Es cierto que las cadenas de suministro cercanas y cortas dependen de países huéspedes potencialmente hostiles son una vulnerabilidad.

También lo es tener toda o la mayor parte de la producción en la propia economía, que no está exenta de estar sujeta a desastres naturales, cambios climáticos, políticas inestables, violencia interna y un suministro de servicios como energía, agua y seguridad poco confiable o deficiente.

Modificar la configuración geográfica de las cadenas de suministro existentes y relocalizar industrias con plantas cuya eficiencia e innovación se han basado en economías de escala internas (por nivel de producción) y externas (por la infraestructura de cada país y su oferta de capital humano) resulta en un elevado costo de oportunidad global.

La generalización de políticas proteccionistas hace difícil la reversión de la fragmentación geoeconómica, donde la retroalimenta al profundizarla.

Hay que reconocer que la mayor parte del acervo de conocimiento tecnológico se importa incluso en los países que se encuentran en la frontera técnica, por lo que las políticas que discriminan las empresas ubicadas en otras latitudes resultan contraproducentes y desencadenan costosas represalias que resultan en ineficiencias en la innovación y producción.

Otro riesgo es la “captura política”, donde la política se ve influida por intereses sectoriales, creando un entorno de persistente dependencia. Lo anterior a semejanza de la regulación asimétrica donde los beneficiados por ella son sus principales defensores de su permanencia.

Tratar de lograr la autosuficiencia en cualquier industria es contraproducente respecto de la opción del libre comercio.

[1] “Cuando pienso en la Ley CHIPS, la llamo la política industrial más importante desde la Segunda Guerra Mundial”, aseveró Gelsinger en Intel Vision 2024. Disponible en: https://dplnews.com/ley-chips-politica-industrial-mas-importante-desde-segunda-guerra-mundial-pat-gelsinger/.

[2] Lovely, M., “US CHIPS Act threatens to hollow out Asian semiconductor industry”, East Asia Forum Quarterly, ‘Industrial policy 2.0’, Vol 15, No 4.

[3] Financial Times, “US missing pieces of AI chip puzzle despite TSMC’s $65bn bet”, 11 de abril 2024.

[4] El presidente de Corea del Sur, Yoon Suk Yeol, anunció un plan para apoyar la inversión público-privada de 477,000 millones de dólares en semiconductores. El presidente Yoon comentó que “cada país no escatima en subsidios y beneficios fiscales a gran escala para construir instalaciones manufactureras de vanguardia en su propio país”. Alemania también anunció que aportará 9,900 millones de euros para financiar un tercio de una nueva planta de Intel en Magdeburgo.

Desde una perspectiva económica, los servicios de computación en la Nube están revolucionando la forma como operan las organizaciones, están redefiniendo el alcance de las empresas y se han convertido en un componente crucial de la infraestructura digital.

La computación en la Nube se refiere a la entrega de servicios informáticos, incluidos servidores, almacenamiento, bases de datos, redes, software, acceso a algoritmos de Inteligencia Artificial a través de Internet (“la Nube”), por parte de proveedores de servicios denominados “en la Nube”.

Estos servicios ofrecen ventajas que tienen implicaciones significativas para las empresas de cualquier escala, sujeto al acceso a banda ancha y a sus precondiciones de capital humano.

1. Abatimiento de costos fijos y operativos. La computación en la Nube permite a las empresas evitar los costos iniciales sustanciales asociados con la compra, instalación y mantenimiento de hardware y software. En su lugar, pueden optar por el suministro de los recursos informáticos según sea necesario, convirtiendo el gasto de capital (CapEx) en gasto operativo (OpEx). Este modelo de pago por uso permite a las empresas optimizar su gasto en TI y asignar recursos de manera eficiente.

2. Escalabilidad y flexibilidad. Los servicios en la Nube proporcionan a las empresas la capacidad de escalar sus recursos informáticos (modularidad) “hacia arriba” o “hacia abajo” según la demanda. Esta flexibilidad permite a las organizaciones responder las necesidades de demanda final o demanda derivada por insumos sin necesidad de incurrir en inversiones significativas e irreversibles en el corto plazo en infraestructura. La flexibilidad de la computación en la Nube permite a las empresas adaptarse rápidamente a los cambios del mercado.

3. Ganancias en productividad y colaboración. Las aplicaciones y servicios basados en la Nube permiten a la planta laboral acceder a datos y herramientas desde cualquier lugar con una conexión a Internet. Facilitan el trabajo remoto y mejoran la colaboración a distancia sin el costo que implica la vieja condición de “horas de oficina” y sustituyéndolo por “horas de productividad”. Este aumento de la accesibilidad conduce a una mayor productividad y a un trabajo en equipo más eficiente, particularmente para las organizaciones con plantas geográficamente dispersas.

4. Continuidad y recuperación ante siniestros. Los proveedores de servicios en la Nube ofrecen soluciones sólidas de respaldo, replicación y recuperación de datos. Al almacenar datos y aplicaciones en la Nube, las empresas pueden protegerse contra la pérdida de datos debido a fallas de hardware, desastres naturales u otras interrupciones. Las soluciones de recuperación ante desastres basadas en la Nube son más rentables y confiables que aquellas alternativas tradicionales en las instalaciones de “oficinas” o servidores locales.

5. Innovación y ventaja competitiva. La computación en la Nube permite a las empresas adoptar rápidamente nuevas tecnologías y servicios sin necesidad de inversiones recurrentes en infraestructura. Esto permite a las organizaciones experimentar con soluciones innovadoras, como Inteligencia Artificial, Aprendizaje Automático y análisis de Big Data, para ayudarlas a obtener una ventaja competitiva en sus respectivos mercados.

La adopción de servicios de computación en la Nube ha tenido un impacto en la economía global. Ha reducido las barreras de entrada para las startups y las pequeñas y medianas empresas, permitiéndoles competir con empresas de mayor tamaño que eran las que anteriormente tenían acceso a su propia infraestructura de TI.

A pesar de que todavía existan opiniones sobre toda estructura de mercado que tenga una elevada concentración, por causa de la existencia de “pocos” competidores, la realidad se terminará imponiendo, dado que con la digitalización los rendimientos crecientes a escala serán la generalidad de estas industrias y no una excepción.

El mercado de la computación en la Nube permanece altamente competitivo, con grandes proveedores como Amazon Web Services (AWS), Microsoft Azure y Google Cloud experimentando un rápido crecimiento y generando ingresos sustanciales.

Al cierre de 2023 la presencia de tales proveedores era la siguiente.^[1]

Un factor importante que impulsó la inversión de servicios en la Nube fue el T-MEC, que entró en vigor en julio de 2020, reemplazando al Tratado de Libre Comercio de América del Norte, y que tiene implicaciones importantes en esta industria.

El T-MEC contribuye a una armonización del mercado regional de la Nube a través de la prohibición de aranceles sobre productos digitales, como servicios en la Nube y software. Es importante destacar que prohíbe exigir que un proveedor utilice o ubique instalaciones informáticas en el país como condición para realizar negocios, y prohíbe la restricción de transferencias de información electrónica.

Esto crea certeza regulatoria para que los proveedores de Nube estadounidenses compitan en el mercado mexicano, permitiendo que las plataformas públicas de hiperescala y la gama de proveedores de software como servicio compitan en México ofreciendo menores costos.

En junio de 2022, Oracle lanzó una región de Oracle Cloud alojada en Querétaro, lo que la convierte en la primera instalación hiperescala en la Nube para lanzar una región local.

La región será la cuarta de este gigante del software empresarial en América Latina, junto con dos regiones en Brasil y una en Chile que se lanzaron en 2020 y 2021, respectivamente.

En septiembre de 2022, Telmex anunció que albergaría una segunda región de Nube de Oracle, la 46º a nivel global, ubicados en 23 países, en uno de sus Centros de Datos de Triara ubicado en Monterrey.

A través de esta alianza, Telmex-Triara se convierte en uno de los primeros operadores de telecomunicaciones en ofrecer servicios Oracle en México, teniendo como objetivo acelerar la adopción de servicios en la Nube y proporcionar capacidades de redundancia y recuperación de desastres en estas dos regiones.

En febrero de 2020, Microsoft fue el primero de los principales proveedores mundiales de Nube pública en anunciar que establecería una red local regional de Nube alojada en México, que se basaría en Centros de Datos geográficamente distintos en el país que albergan Azure, Office Servicios 365, Dynamics 365 y Power Platform.

En marzo de 2021, Microsoft anunció que había seleccionado el estado de Querétaro para la región Azure, que incluirá tres Centros de Datos y será parte de una inversión de 1,100 millones de dólares durante cinco años.

En México, los clientes de Microsoft incluyen al operador de telecomunicaciones América Móvil, la tienda departamental El Puerto de Liverpool y el SAT.

Desde diciembre de 2021, AWS informó que estaba planeando el lanzamiento de una plataforma alojada localmente, para abrir un Centro de Datos en Querétaro, que será uno de los tres Centros de Datos que formarán infraestructura de la región de AWS.

AWS había anunciado previamente sus dos primeras ubicaciones en septiembre de 2020 para aplicaciones de misión crítica, reduciendo la latencia para los clientes hasta 30 por ciento.

En enero de 2023, AWS lanzó una nueva zona local, la cual es una ventaja dado que tiene como objeto alojar aplicaciones sensibles a la latencia en ciudades donde AWS no tiene un Centro de Datos.

En mayo de 2023, Telmex y Amazon Web Services (AWS) firmaron un Acuerdo de Colaboración Estratégica, lo cual permitirá a las organizaciones del sector público y privado acelerar su migración a la Nube, además de promover su adopción entre las pequeñas y medianas empresas (pymes).

Convencidos de que el capital humano es fundamental para la adopción del cambio tecnológico, el acuerdo creó el Centro de Excelencia en la Nube AWS.

Éste tiene como objetivo formar personal capacitado y certificado para acompañar a las organizaciones durante el proceso migratorio, desde el diseño, implementación y operación de cargas de trabajo comercial, además de crear nuevas soluciones que satisfagan las necesidades de los clientes.

La dinámica de desarrollo y competitividad que enfrentan las organizaciones hoy en día provoca la demanda de soluciones basadas en la Nube, razón por la cual analistas como International Data Corporation (IDC) estiman que el mercado de la Nube en México crecerá alrededor de 28.9 por ciento anual entre 2021 y 2026.^[2]

En julio de 2022, Google anunció que lanzaría una región de Google Cloud Platform en México, sin proporcionar una fecha para el lanzamiento, que sería la tercera en América Latina después de Chile y Brasil.

Huawei opera una región de Huawei Cloud en la Ciudad de México, una de las seis que opera fuera de China. En agosto de 2021, Huawei anunció que agregaría un segundo Centro de Datos en México. La empresa también ha tenido una asociación en la Nube con Telefónica en México desde el lanzamiento en septiembre de 2016 de los servicios Open Cloud y Open Server. Estas empresas promueven la migración de los servicios de TI tradicionales a la Nube. Los clientes alojan su informática, almacenamiento y respaldo de los sistemas en los Centros de Datos de Telefónica mediante el sistema de pago por uso.

KIO Networks y Telmex son proveedores locales líderes y compiten con Equinix que ingresó a México en enero de 2020 con la adquisición de tres Centros de Datos de Axtel por 175 millones de dólares. En marzo de 2021, Equinix anunció que expandiría su presencia a hiperescala en México a través de inversiones realizadas por su empresa conjunta xScale con GIC.

En mayo de 2022, Odata, con sede en Brasil, lanzó servicios desde su primer Centro de Datos en México, una instalación de 100 millones de dólares en Querétaro.

Otra empresa de Centros de Datos con sede en Brasil, Ascenty, lanzó dos nuevos Centros de Datos en julio de 2022, ambos en Querétaro, con un total de 185 millones de dólares invertidos.

Qué pasa con la electricidad

Pero ahora es turno de conocer los obstáculos para este crecimiento, y ese proviene de la actual política de generación y distribución de electricidad, contraria a la reforma energética de la administración anterior y los efectos del cambio climático en la disponibilidad de agua.

Los Centros de Datos, que forman la columna vertebral de los servicios en la Nube, han causado un aumento significativo en la demanda de electricidad durante la última década, a medida que crece la demanda por servicios digitales.

También se deriva una demanda por energía que se ha convertido en un tema de interés y preocupación.

Se ilustra a continuación el esquema de demanda por electricidad y agua que exigen los Centros de Datos:

Fuente: Farfan, J., & Lohrmann, A. (2023). Gone with the clouds: Estimating the electricity and water footprint of digital data services in Europe. Energy Conversion and Management, 290, 117225. https://doi.org/10.1016/j.enconman.2023.117225.

El consumo de energía en los Centros de Datos está asociado tanto con el uso de electricidad como con el uso continuo, las 24 horas del día, los 7 días de la semana, del uso intensivo de aire acondicionado, sin los cuales las computadoras y los servidores se sobrecalentarían.

El sector de la IA depende en gran medida de los Centros de Datos, y su uso y difusión cada vez mayores inevitablemente aumentarán las emisiones de carbono de los Centros de Datos en los próximos años hasta llegar a 3.5 por ciento de las emisiones globales de carbono para 2025.

Según la Agencia Internacional de Energía (AIE), los Centros de Datos consumieron alrededor de 200-250 teravatios-hora (TWh) de electricidad en 2022. Lo anterior representa, aproximadamente, 2 por ciento de la demanda mundial de electricidad. Esto equivale al consumo anual de energía de países como Australia o España y, para 2026, llegarán a 1,000 TWh, igualando el consumo de Japón.

Los factores que contribuyen al aumento de la demanda de energía de los Centros de Datos incluyen:

1. Crecimiento de los servicios digitales. El auge de la computación en la Nube, los servicios de transmisión, la Internet de las cosas (IoT) y los algoritmos de Inteligencia Artificial ha provocado un aumento en los requisitos de procesamiento y almacenamiento de datos. La IA ha incrementado la demanda por electricidad y por agua para todas las granjas de servidores que requiere.

2. Aumento de la potencia de cómputo. A medida que aumenta la potencia de cómputo, también lo hace la energía necesaria para ejecutar y enfriar el equipo.

Sin embargo, ha habido esfuerzos para mejorar la eficiencia energética de los Centros de Datos:

1. Cambio tecnológico en hardware. Procesadores, dispositivos de almacenamiento y sistemas de enfriamiento más eficientes han ayudado a reducir el consumo de energía por unidad de potencia de cómputo.

2. Uso intensivo de energía renovable. Microsoft, Google y Amazon se han comprometido en alimentar sus Centros de Datos con fuentes de energía renovable. Google utiliza IA para optimizar su consumo de electricidad y localizar ubicaciones en el mundo donde exista exceso de generación por energía solar y eólica para ubicarse, invertir en generación con ambas tecnologías y optimizar el uso de agua en sus equipos de enfriamiento.

3. Cambio tecnológico en el enfriamiento. Algunos Centros de Datos han implementado técnicas de enfriamiento innovadoras, como el uso de aire exterior o enfriamiento líquido, para reducir el consumo de energía.

A pesar de estos esfuerzos, la AIE proyecta que la demanda de electricidad de los Centros de Datos podría aumentar entre 3 y 13 por ciento anual hasta 2030, dependiendo de la efectividad de las medidas de eficiencia.

En el peor de los casos, los Centros de Datos podrían consumir hasta 8 por ciento de la electricidad mundial para 2030.

Para mitigar el impacto ambiental del creciente consumo de energía de los Centros de Datos, es crucial continuar mejorando la eficiencia energética, la transición a fuentes de energía renovable y la desregulación en la generación y distribución de electricidad. De tal forma que no se sujete a los precios de los monopolios estatales de suministro eléctrico, como se ha procurado vuelva a ser CFE en los últimos 5 años.

En un artículo reciente, Google identifica tres prácticas que reducirían la huella de carbono de los sistemas de cómputo en la Nube y de IA:

1.         Utilizando algoritmos dispersos, con optimización de parámetros.

2.         Usar procesadores diseñados específicamente para las tareas que requieren, en lugar de procesadores de uso general.

3.         Optimización de la ubicación a través de Centros de Datos basados en la Nube: ésta permite seleccionar ubicaciones con energía que minimice su huella de carbono.

La tendencia revela que actualmente no existen economías de escala en los Centros de Datos e IA. Cuanto más grandes son, más energía utilizan. Por lo tanto, los Centros de Datos deben de propugnar por una reversión a la actual política de “fortalecimiento” de la CFE otorgándoles el beneficio de la afirmativa ficta en todos sus proyectos de generación para su autoabastecimiento, cogeneración y generación distribuida con porteo.

Esto con el objetivo de minimizar su huella de carbono y así tener el beneficio social neto de la digitalización con IA y la minimización de la externalidad ambiental.

[1] BMI, Mexico Information Technology Report | Q1 2024.

[2] ProQuest “Telmex and AWS sign Strategic Collaboration Agreement”, 4 de mayo de 2023.