17 de noviembre de 2026
por
Amparo Alonso-Betanzos
Ilustrador
Juárez Casanova
Seguramente no es la primera vez que lo escuchamos: mientras Europa regula, EE. UU. y China innovan, y ahora, de persistir en el propósito de regular la IA, Europa se quedará fuera de juego. Pero, ¿hasta qué punto es esto cierto? Porque también existe la lectura contraria: que la regulación europea pueda convertirse precisamente en una ventaja.
Europa sí está claramente por detrás en capital privado y capacidad de cómputo, pero no podemos concluir que la regulación sea la causante. De hecho, la propia Comisión está intentando combinar regulación con inversión en infraestructura, capital y adopción. La Ley de Inteligencia Artificial y el Reglamento Ómnibus digital sobre IA pretenden armonizar el mercado europeo, reducir cargas y aumentar la confianza, al tiempo que mantienen salvaguardas para la seguridad y los derechos fundamentales.
Analicemos en detalle algunas cuestiones relevantes. En primer lugar, las inversiones en IA, en las que Europa va claramente por detrás. En 2025, la inversión global de capital riesgo en el sector batió su récord, llegando a los 258 700 millones de dólares. Aproximadamente el 73 % de ese valor se concentró en megarrondas de financiación, superiores a los 100 millones de dólares, capturadas casi en su totalidad por empresas estadounidenses como OpenAI o Anthropic.
La brecha es enorme: en 2025, las empresas estadounidenses captaron unos 194 000 millones de dólares frente a unos 15 800 millones de las empresas de la UE-27. Además, Estados Unidos concentró alrededor del 75 % del valor mundial de estas operaciones, y la UE apenas el 6 %. Por su parte, China captó unos 13 900 millones, alrededor del 5 %, con la particularidad de que su estrategia tecnológica se canaliza mediante fondos estatales y subsidios que no aparecen completos en los registros de capital riesgo occidentales. El resto se reparte principalmente entre el Reino Unido y otras economías.
Pese a que, con respecto a 2024, casi se ha duplicado la participación de inversores de la UE (hasta unos 14 500 millones de dólares) en la IA europea, impulsada por startups locales como Mistral o Aleph Alpha, Europa sigue sufriendo la fragmentación de su mercado. Los inversores europeos carecen de la escala necesaria para invertir en el desarrollo del sector, lo que obliga a las startups más prometedoras a financiarse con capital estadounidense.
Dicho sin rodeos: la absorción indirecta es uno de los mayores riesgos estratégicos de la industria de la inteligencia artificial del continente. Por ejemplo, Mistral selló un acuerdo con Microsoft que incluía el acceso a su nube y una participación minoritaria en su capital. Y este es el patrón, no la excepción. Sin un mercado de capital que acompañe a las empresas en fase de crecimiento, Europa tiene la oportunidad de ser un óptimo laboratorio con mucho talento humano, cuyas patentes y beneficios acaben cotizando al otro lado del Atlántico.
Otro aspecto que es importante analizar, y en el que la UE se ha incorporado a la carrera, es el de las infraestructuras. Para poder desarrollar IA sin depender de infraestructura extranjera, se necesitan chips y potencia de cálculo. En este momento, la brecha en capacidad de procesamiento con EE. UU. es enorme: allí se concentra el 80 % de la infraestructura mundial, frente al escaso 5 % de la UE.
Europa ha respondido a esta carencia con una estrategia de infraestructura pública: la red de supercomputadores de la Empresa Común de Informática de Alto Rendimiento Europea (EuroHPC). Esta red cuenta con sistemas como LUMI, en Finlandia, o MareNostrum 5, en España, diseñados para dotar al continente de la potencia de cálculo necesaria para entrenar grandes modelos de lenguaje locales.
Para canalizar esta potencia y democratizar su acceso, la Comisión Europea ha articulado también la iniciativa de las fábricas de IA, ecosistemas integrados que conectan directamente los supercomputadores de EuroHPC con startups, investigadores y pymes, con una inversión conjunta de unos 10 000 millones de euros para el período 2021-2027.
Su objetivo es facilitar no solo el músculo de cómputo sino también el soporte técnico y el desarrollo de talento para que las empresas europeas no tengan que migrar sus datos a nubes estadounidenses.
El verdadero cuello de botella europeo a largo plazo se encuentra en el suministro físico y energético. A través de la Ley Europea de Chips, la UE busca atraer la construcción de megafactorías de semiconductores dentro del territorio europeo. Con una movilización prevista de más de 43 000 millones de euros en inversión pública y privada, busca asegurar su cadena de suministro de hardware crítico.
Esto se complementa con el despliegue de campus de centros de datos —a escala de gigavatios— que cuenten con acceso directo a las energías renovables. Todas estas infraestructuras son indispensables para que Europa pueda competir con el despliegue masivo de centros de datos que ya ejecutan las grandes tecnológicas en suelo estadounidense. Con la iniciativa de gigafactorías de IA, se aspira a movilizar hasta 10 000 millones de euros en fondos públicos, europeos y nacionales, y al menos 20 000 millones de inversión privada5.
Tras analizar el mapa de inversión global y el despliegue de infraestructuras críticas, queda por analizar qué tipo de IA se puede desarrollar en Europa para poder entrar en la contienda. EE. UU. y China libran la batalla de la hegemonía digital. El primero con la fuerza bruta del capital privado y el código cerrado, y el segundo con el control y los recursos estatales. En cambio, la apuesta de Europa se basa en una IA frugal y eficiente, el código abierto y la soberanía del dato.
Aquí conviene precisar una idea que se malinterpreta a menudo: no estamos hablando de hacer una IA más pequeña, estamos hablando de crear la IA adecuada, la que nos da más capacidad en función de nuestros recursos. Y hay una segunda virtud, menos evidente: un sistema más sencillo es también un sistema más adaptable.
Un modelo gigante se diseña para el usuario medio de un mercado homogéneo, pero un modelo frugal puede ajustarse a cada lengua, a cada contexto regulatorio, a cada organización. Y Europa, con sus más de 20 lenguas oficiales y sus distintos marcos culturales, jurídicos y administrativos, se presenta como un terreno natural para esta aproximación.
No se necesita un modelo único para todos, sino muchos modelos bien adaptados. Y la frugalidad es, precisamente, lo que hace viable su adaptación.
Esta estrategia, por la que Europa compite con modelos más simples y flexibles, es la base de empresas como la francesa Mistral AI, que alcanza rendimientos competitivos con una fracción del coste computacional y energético de sus rivales estadounidenses. Además, ha hecho de los pesos abiertos (que permiten que cualquiera pueda descargar, ejecutar y modificar los parámetros de sus modelos de IA) su señal de identidad.
Otra empresa europea, la alemana Aleph Alpha, prioriza dos requisitos básicos para operar en la eurozona: la explicabilidad y la seguridad, lo que la hace atractiva para sectores como el corporativo, el gubernamental o el de defensa.
La apuesta por modelos que las empresas e instituciones puedan descargar, auditar e instalar en sus propios servidores garantiza más autonomía tecnológica y unas herramientas más alineadas con los valores europeos. Esta lógica ya se materializa: España desarrolla ALIA, un modelo fundacional propio en español y en las lenguas cooficiales, pensado para la Administración pública y el tejido empresarial. Portugal ha publicado ya su modelo Amália el primero de lenguaje abierto en portugués europeo, concebido para su aplicación en el sector público.
El mercado objetivo en Europa no es pequeño. Sanidad, industria, energía o la Administración pública son sectores regulados donde la explicabilidad y el cumplimiento normativo son requisitos de entrada, y donde la regulación europea no se ve como un lastre, sino como una certificación de calidad.
Hasta ahora, la narrativa se centraba en el coste de entrenamiento y, en esa fase, EE. UU. ha ganado por fuerza bruta. Pero la industria está descubriendo que el verdadero coste ecológico y financiero está en el uso del modelo ya entrenado para hacer predicciones sobre nuevos datos (inferencia): entre el 60 y el 90 % de la energía que consume un modelo a lo largo de su vida se utiliza cuando millones de usuarios lo usan a diario.
El caso de DeepSeek es aleccionador: asombró al mundo por su entrenamiento barato con arquitecturas hiperoptimizadas pero, al masificar técnicas de cadena de pensamiento y generar respuestas mucho más largas, su consumo energético se dispara en el despliegue. El ahorro del laboratorio se diluye a escala de miles de millones de consultas diarias. Modelos como Mistral Medium 3 tienen un consumo energético mucho más bajo.
Y aquí es donde la regulación deja de ser un lastre y se convierte en una oportunidad, porque Europa tiene dos ventajas que nadie más combina.
La primera ventaja es que Europa cuenta con la infraestructura energética más limpia del mundo. El Pacto de Centros de Datos Climáticamente Neutros, suscrito voluntariamente por los principales operadores, fija objetivos exigentes de energía renovable y límites estrictos de agua por kilovatio-hora (kWh). Desplegar modelos sobre la red EuroHPC hidroeléctrica y renovable en los países nórdicos y del sur es incomparablemente más sostenible que hacerlo sobre las redes de carbón y gas que aún sostienen buena parte de los centros de datos estadounidenses y chinos.
El hecho de que la sostenibilidad fuese desde el principio una de las patas básicas de la estrategia europea de IA puede acabar siendo la puerta de entrada a un mercado que ya demanda IA verde.
Flexibilidad competitiva
El código abierto como palanca de optimización es la segunda cuestión que da ventaja a Europa. Los modelos abiertos y de tamaño medio permiten algo que los modelos cerrados estadounidenses prohíben: que cada empresa o institución optimice el código para su hardware local, comprima el modelo original y lo ajuste a tareas específicas.
Son modelos más flexibles, que se acoplan mejor a la diversidad europea. Ejecutar IA propia con una fracción del coste energético que supone llamar a las APIs de Silicon Valley es, además de economía, eficiencia energética medible.
Es importante separar dos cosas que se suelen confundir. Soberanía tecnológica no significa tener que fabricar en Europa cada chip o entrenar cada modelo. Significa tener la capacidad de elegir, de poder cambiar de proveedor, de ejecutar los modelos de IA en infraestructuras propias, poder proteger los datos. La dependencia aparece cuando no hay alternativas.
Europa tiene la capacidad intelectual y el enfoque ético para liderar una IA más democrática y sostenible. No va a competir con los enormes presupuestos de Washington ni con la escala estatal de Pekín. Pero, en un planeta con recursos limitados y redes eléctricas al límite, el ganador a largo plazo puede ser quien logre desplegar la IA más eficiente y limpia a escala social, y no quien tenga el modelo más grande.
Ahí es donde Europa tiene su mejor oportunidad de liderazgo.
Comisión Europea. AI Factories. 2026. Actualizado el 12 de agosto de 2026. Disponible en: https://digital-strategy.ec.europa.eu/en/policies/ai-factories
OCDE. Venture capital investments in artificial intelligence through 2025. París, OECD Publishing, 2026 (OECD Policy Briefs; núm. 50). Disponible en: https://doi.org/10.1787/a13752f5-en
Luccioni, S.; Jernite, S. & Strubell, E. “Power Hungry Processing: Watts Driving the Cost of AI Deployment?”. En: Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘24). Nueva York, Association for Computing Machinery, 2024, pp. 85-99. Disponible en: https://doi.org/10.1145/3630106.3658542
Saxena, A. et al. “From Prompts to Power: Measuring the Energy Footprint of LLM Inference” en arXiv (2025, arXiv:2511.05597). Disponible en: https://arxiv.org/abs/2511.05597
Stanford University Human-Centered Artificial Intelligence (HAI). The 2026 AI Index Report. Sección «Economy». 2026. Disponible en: https://hai.stanford.edu/ai-index/2026-ai-index-report/economy
Es catedrática de Ciencias de la Computación e Inteligencia Artificial en el CITIC-Universidad de A Coruña (UDC). Investiga sobre desarrollo de modelos de aprendizaje automático escalables, inteligencia artificial fiable y explicable e IA verde y frugal.
Es catedrática de Ciencias de la Computación e Inteligencia Artificial en el CITIC-Universidad de A Coruña (UDC). Investiga sobre desarrollo de modelos de aprendizaje automático escalables, inteligencia artificial fiable y explicable e IA verde y frugal.
Ver todos los artículos