De "competencia en poder de cómputo" a "competencia en capacidades nacionales": Jensen Huang y Ro Khanna hablan sobre cómo Estados Unidos puede ganar en la era de la IA

Escribir artículo: Noticias Techub Organizado

En este diálogo público sobre “El liderazgo de Estados Unidos en inteligencia artificial”, el fundador y CEO de NVIDIA, Jensen Huang, el congresista estadounidense Ro Khanna, y el moderador H.R. McMaster, no discuten solo sobre chips, modelos y controles de exportación, sino sobre una cuestión más grande: cuando la inteligencia artificial se convierte en una nueva tecnología general, ¿en qué debe confiar un país para mantener su liderazgo? La respuesta no es solo la tecnología en sí, sino una capacidad integral que incluye talento, energía, manufactura, sistema universitario, diseño de políticas, confianza social y narrativa nacional.

Desde el contenido, este diálogo contiene al menos tres líneas principales: primero, la IA no es una tecnología puntual, sino un sistema industrial de múltiples capas; segundo, si Estados Unidos quiere seguir liderando, no puede solo enfocarse en innovación de vanguardia, sino también en reconstruir capacidades manufactureras, ampliar la difusión tecnológica y beneficiar a más trabajadores comunes; tercero, frente a la competencia global, especialmente con China, Estados Unidos no puede simplemente “des-riesgar” hasta sofocar la innovación, ni permitir que la globalización desordenada siga erosionando la industria y la cohesión social.

Lo que es aún más notable es que esta discusión no se limita a un dualismo entre “optimismo tecnológico” o “pánico por la IA”. Huang Huang enfatiza que la IA transformará las industrias, pero “automatizar tareas” no equivale a “desaparecer profesiones”; Ro Khanna advierte que, incluso a largo plazo, la mejora de la productividad puede crear más empleos, pero la difusión tecnológica en su fase de transición puede acompañarse de desempleo, polarización de ingresos y desequilibrios regionales. Por lo tanto, lo verdaderamente importante no es si se desarrolla IA, sino cómo se desarrolla de manera socialmente inclusiva.

AI no es un modelo, sino toda una infraestructura industrial

Huang Huang insiste repetidamente en que uno de los mayores malentendidos sobre la IA es entenderla como un modelo o producto único. Según él, la IA esencialmente es un sistema industrial de una estructura de “cinco capas”: en la base está la energía, luego los chips, después la nube y las fábricas de IA, luego los modelos, y en la cima las aplicaciones.

Este juicio es muy importante porque amplía la “competencia en IA” desde la capacidad de los modelos a la competencia en infraestructura básica a nivel nacional. Es decir, si un país quiere mantener su liderazgo en la era de la IA, no basta con tener algunas empresas estrella de modelos, sino también con tener suficiente energía, suministro sostenible de chips, centros de datos y infraestructura en la nube robusta, un ecosistema de modelos próspero, y lo más importante, que las aplicaciones de IA realmente entren en las industrias y la sociedad, formando un uso a escala.

Huang Huang destaca especialmente que si Estados Unidos es fuerte en las primeras cuatro capas, pero la capa de aplicaciones no se difunde, toda la rueda industrial no puede girar, y la tecnología no puede realmente amplificar su valor. Su preocupación no es que la tecnología no sea avanzada, sino que la sociedad, por miedo, rechace excesivamente la IA, incluso regulándola hasta hacer que la industria y la sociedad se “regulen a sí mismas”. Si la difusión de aplicaciones se suprime artificialmente, Estados Unidos, incluso habiendo inventado esta revolución industrial, puede no beneficiarse plenamente de sus dividendos.

Desde esta perspectiva, el núcleo de la política de IA no es solo “gestionar riesgos”, sino “reducir obstáculos para un uso efectivo”. Estos obstáculos pueden ser institucionales, psicológicos o de opinión pública. Si un país construye en la sociedad una imagen de la IA como una amenaza pura, en lugar de una herramienta para aprender y dominar, puede perder la ventana de difusión tecnológica por autoconfianza.

La ventaja de Estados Unidos no solo está en las empresas, sino también en un sistema abierto de talento y universidades

La respuesta de Ro Khanna a “por qué Estados Unidos todavía tiene oportunidad de mantener el liderazgo en IA” complementa la visión industrial de Huang. Él cree que la mayor ventaja comparativa de EE. UU. es, primero, la capacidad de atraer talento global para estudiar, investigar, emprender y colaborar en EE. UU.; en segundo lugar, un sistema universitario de investigación fuerte; y en tercer lugar, la cultura pública de libertad académica, cuestionamiento a la autoridad, y mecanismos de transferencia tecnológica relativamente maduros entre universidades, gobierno y sector privado.

En este diálogo, Khanna menciona especialmente que muchas startups de IA son fundadas por inmigrantes, y que muchos investigadores en IA no completaron su educación de pregrado en EE. UU., pero finalmente vienen a participar en la innovación. Este mecanismo de “absorber talento global y formar una alta densidad de colaboración local” es una de las raíces del liderazgo tecnológico estadounidense.

También señala que no se puede subestimar la importancia de las universidades de investigación. La acumulación a largo plazo en investigación básica, formación de talento y externalización tecnológica en EE. UU. no es casualidad, sino resultado de una inversión pública sostenida. En otras palabras, al discutir la ventaja en IA, no solo se trata de mercados de capital y empresas líderes, sino también del papel fundamental de la inversión en investigación estatal y el sistema universitario.

Por eso, aunque esta discusión está liderada por un empresario estrella y un congresista, su lógica subyacente no es “empresas todo” ni “gobierno todo”, sino una colaboración tripartita: el gobierno proporciona orientación a largo plazo y un entorno institucional, las universidades aportan talento e investigación básica, y las empresas impulsan la industrialización y la aplicación a escala.

Reindustrialización, una nueva palabra clave en la competencia por IA

Si en años anteriores la discusión sobre IA se centraba en capacidad computacional, modelos y capital, esta conversación destaca claramente la “reindustrialización” como una agenda de IA. Khanna afirma que un gran error de EE. UU. en las últimas décadas fue imaginar que podía ser solo un centro financiero y de innovación, sin mantener una base industrial fuerte. Esto no solo perjudica la seguridad nacional, sino que también debilita la cohesión social y deja un resentimiento duradero en muchas comunidades.

Menciona que el declive de la manufactura tradicional no es solo una tendencia macroabstracta, sino que destruye la dignidad, el empleo y la identidad intergeneracional en muchas comunidades. Ciudades y familias que dependían de fábricas, acero y cadenas de producción enfrentan la realidad de que, si no entran en finanzas o tecnología, solo pueden ser eliminadas. Esta fractura también se refleja en la ira, la polarización y la desconfianza en la política estadounidense.

Por ello, Khanna propone un “Nuevo Plan Marshall del siglo XXI” de patriotismo económico: EE. UU. no puede solo usar aranceles como postura, sino que debe reconstruir industrias clave, invirtiendo en recursos como tierras raras, minerales críticos, ingredientes farmacéuticos, robots y materiales avanzados, formando una nueva capacidad de inversión industrial que reúna a gobierno, empresas, tecnología y trabajadores en una misma dirección.

Huang Huang aporta una visión complementaria: la industria de IA en sí misma está convirtiéndose en un motor de la reindustrialización estadounidense. Con fábricas de IA, chips y infraestructura de cálculo en EE. UU., ya se están generando empleos en manufactura, construcción, electricidad, tuberías, herramientas de precisión, y elevando los salarios en estos sectores. También indica que las empresas planean invertir en gran escala en manufactura local, siempre que EE. UU. mantenga un entorno industrial lo suficientemente dinámico, rentable y que fomente la inversión.

Esto significa que la IA no solo es una tecnología para “sustituir trabajo”, sino también una oportunidad para reconstruir la economía real y el empleo regional. Pero si puede ser esa oportunidad depende de si las políticas guían el capital hacia inversiones a largo plazo, no solo en arbitraje a corto plazo.

“¿La IA quitará empleos?” no es una pregunta con respuesta simple

Sobre el impacto de la IA en el empleo, la parte más difundida de este diálogo es sin duda la refutación de Huang Huang a la narrativa de que “la IA destruye empleos”. Él afirma que describir la IA como una fuerza que destruye empleo a gran escala no solo es inexacto, sino que daña la aceptación social de la tecnología.

Cita un ejemplo famoso: hace años, algunos académicos en IA predijeron que, con la penetración total de la IA en la interpretación de imágenes, los radiólogos serían “irrelevantes” en diez años. Huang Huang admite que la primera parte es correcta: la IA ya ha penetrado casi todos los aspectos de la radiología; pero la segunda, no: los radiólogos no han disminuido, sino que han aumentado.

¿por qué? Explica que el “propósito” de una profesión y las “tareas específicas” que realiza no son lo mismo. La IA puede automatizar ciertas tareas, pero no necesariamente elimina la profesión. Al contrario, cuando la IA aumenta la eficiencia, las organizaciones pueden atender a más pacientes, gestionar más demandas y generar mayores ingresos, lo que requiere más profesionales en niveles superiores de juicio, colaboración y servicio.

Extiende esta lógica a la ingeniería de software. En NVIDIA, los ingenieros de software ya usan ampliamente herramientas de IA asistida, y el resultado no es que los ingenieros sean reemplazados, sino que los “ingenieros que usan IA” son más valorados y exitosos, y los equipos pueden avanzar más rápido en más proyectos. En otras palabras, la IA primero cambia la organización del trabajo y los límites de productividad, no simplemente elimina puestos por número.

Sin embargo, Khanna propone una corrección necesaria: no niega que a largo plazo la tecnología genere nuevas demandas y empleos, pero la historia también muestra que, desde la Revolución Industrial hasta las olas tecnológicas posteriores, el crecimiento en productividad no se distribuye automáticamente ni de manera equitativa. La difusión tecnológica suele ir acompañada de desempleo, aumento de la brecha de ingresos y que ciertos grupos no compartan los beneficios durante mucho tiempo.

Por ello, una política responsable no es solo repetir el mantra de que “la tecnología eventualmente creará más empleos”, sino considerar desde la adopción si los trabajadores tienen poder de negociación, si pueden compartir los beneficios de la productividad, cómo los jóvenes y los trabajadores en puestos iniciales acceden a nuevas oportunidades, y si los grupos más vulnerables reciben capacitación, protección y apoyo en la transición.

Por eso, Khanna se define como un “democratizador de la IA”, no como un “adversario de la IA” o un “aceleracionista”. Su principal postura no es oponerse a la IA, sino oponerse a que los beneficios de la IA se concentren en el capital, mientras que los costos los asumen los trabajadores comunes.

Lo que realmente es peligroso no es la IA en sí, sino que solo unos pocos puedan usarla

Huang Huang da una evaluación muy representativa sobre el empleo: la mayoría no perderá necesariamente contra la IA, sino contra quienes sepan usarla. La clave no es crear ansiedad, sino señalar la dirección de la difusión tecnológica: en lugar de temer a la IA, hay que aprender a usarla lo antes posible.

Para él, la IA se ha convertido en una de las tecnologías de adopción más rápidas de la historia, principalmente porque su barrera de entrada es mucho menor que muchas tecnologías básicas anteriores. La gente común no necesita ser ingeniera de chips o investigadora de algoritmos, sino que puede usar IA como una herramienta para potenciar sus capacidades en su trabajo. Incluso da el ejemplo de un carpintero que, con IA, puede mejorar sus diseños y ofrecer servicios más cercanos a la arquitectura o el diseño de interiores.

La lógica detrás de esto es que el valor social más importante de la IA no es mantener el conocimiento especializado en unas pocas instituciones, sino externalizar parcialmente las capacidades cognitivas y de expresión que antes tenían un umbral alto, a más personas. Cuando más trabajadores, emprendedores y estudiantes puedan usar IA para realizar trabajos más complejos, los beneficios tecnológicos podrán difundirse realmente.

Khanna lleva esta idea a un nivel de contrato social: hoy, la desconfianza en la IA en EE. UU. no solo es por desconocimiento técnico, sino porque muchas personas ya no confían en las élites, ni creen que la nueva revolución tecnológica automáticamente traerá oportunidades. Para restaurar esa confianza, no basta con propaganda, sino con planes de empleo visibles, capacitación en habilidades, inversión regional y compromisos públicos.

Entre China, la globalización y la regulación, EE. UU. necesita un “camino intermedio”

Otro tema muy sensible en este diálogo es cómo EE. UU. debe gestionar su relación con China y las cadenas de suministro globales. Huang Huang es muy claro: el mundo está interdependiente, y la cadena de la industria de IA no es un sistema que un solo país pueda cerrar por completo. Cualquier política de “todo cerrado” puede tener consecuencias graves e imprevistas.

Reitera que la IA no es un producto puntual, sino un sistema complejo profundamente integrado en la cadena de suministro global. Desde energía, minerales, equipos hasta manufactura, EE. UU. tiene dependencias profundas con otros países, incluyendo China. Por eso, las políticas no deben ser simplistas o emocionales, sino evaluar cuidadosamente las consecuencias a largo plazo, las reacciones en cadena y el equilibrio del sistema industrial.

Khanna comparte esta visión y añade que EE. UU. no puede desconectarse totalmente, pero también que la globalización sin restricciones ya ha demostrado ser insostenible. EE. UU. debe construir una “apertura con límites”: reconocer los riesgos de monopolio en recursos clave y promover la reequilibración y capacidades locales; y también aceptar que no debe caer en una política de rechazo a China, sino en una relación de competencia y cooperación equilibrada.

Huang Huang advierte que oponerse a la competencia china no debe traducirse en anti-chino, anti-inmigrante o anti-talento internacional. Porque uno de los activos más valiosos de EE. UU. es que “los mejores talentos del mundo quieren venir aquí”. Si la narrativa de competencia se vuelve una hostilidad de identidad, no solo dañará a China, sino que también perderá la atracción de talento y la marca del “Sueño Americano”.

En cuanto a regulación, no hay una diferencia tan grande como parece. Khanna propone reglas moderadas y precisas, para que EE. UU. tenga IA competitiva y confiable en el mercado global; Huang Huang prefiere regular principalmente los usos y aplicaciones, y advierte contra una regulación demasiado temprana, rígida y que pueda frenar tecnologías en rápida evolución.

En resumen, ambos rechazan los extremos: una libertad sin límites, y una regulación excesiva en nombre de la seguridad. La vía viable está en mantener un equilibrio dinámico entre gestión de riesgos, desarrollo industrial y competencia global.

Este diálogo, en realidad, discute una nueva narrativa nacional

Si solo se interpreta como un “seminario de políticas de IA”, se subestima su significado. En un nivel más profundo, trata de si, en la era en que la IA reestructura la economía y el orden social, EE. UU. puede reconstruir una narrativa nacional que genere confianza en que la mayoría puede participar.

Khanna repite que uno de los problemas más graves en EE. UU. hoy es la pérdida de confianza. La gente ya no cree que pueda compartir el crecimiento, ni que las instituciones prioricen a los trabajadores comunes, ni que el “Sueño Americano” siga vigente para las próximas generaciones. Por eso, propone aprovechar la IA para repensar qué debe ser la estrella polar del desarrollo tecnológico: no solo los avances técnicos, sino construir una sociedad más cohesionada, diversa, con mayor seguridad y oportunidades para todos.

Huang Huang, desde la perspectiva empresarial, ofrece otra respuesta alentadora: ahora es uno de los mejores momentos para que los jóvenes ingresen a la sociedad, usen IA, emprendan y transformen industrias. Porque esta revolución tecnológica no es solo una reparación en el viejo mundo, sino una reinicialización de toda la industria de la computación y de casi todos los sectores basados en ella. Para estudiantes y jóvenes profesionales, esto significa una oportunidad de partida igualitaria sin precedentes.

En ese sentido, la conclusión más importante de este diálogo no es que “EE. UU. ganará”, sino que “si EE. UU. quiere ganar, debe hacer que más personas ganen”. La liderazgo en la era de la IA no solo consiste en tener los chips más potentes, el capital más grande y los modelos más avanzados, sino en tejer una comunidad que integre tecnología, industria, educación, manufactura, gobernanza y confianza social.

Quizá esa sea la lección más valiosa que deja este diálogo: en la competencia por IA, a simple vista parece una carrera entre empresas y países, pero en realidad se trata de quién puede construir un sistema de capacidades nacionales más completo, abierto y resiliente. Y la verdadera clave del éxito no son solo los slogans rimbombantes, sino responder a tres preguntas fundamentales: quién innova, quién fabrica y quién se beneficia.