“Existe una escasez significativa de profesionales con capacidad para desarrollar y entrenar modelos de inteligencia artificial”, afirmó Raúl Katz, presidente de Telecom Advisory Services y keynote speaker del 8.º Data & AI Summit 2026, organizado por Seminarium Perú y la Escuela de Posgrado de UTEC el 17 de marzo en el Hotel Los Delfines.
Aunque la inteligencia artificial (IA) ya incide de forma creciente en las operaciones rutinarias de muchas organizaciones, Katz señaló que aún persisten muchas interrogantes sobre estos modelos. El objetivo, afirma, es precisar qué se sabe con certeza y en qué frentes todavía domina la incertidumbre.
Para delinear una hoja de ruta para las organizaciones, el experto en tecnología explicó que la industria de la inteligencia artificial se estructura como una cadena de valor compuesta por múltiples etapas.
1️⃣ Equipamiento: comprende la fabricación de semiconductores, en especial de los Graphic Processing Units (GPU), diseñados originalmente para procesar gráficos de videojuegos. Hoy, sin embargo, son clave para entrenar modelos de inteligencia artificial por su capacidad de ejecutar procesamiento paralelo.
2️⃣ Infraestructura: abarca los centros de datos, donde se concentra la capacidad de cómputo. Su relevancia se ha incrementado con el avance de la computación en la nube y el creciente requerimiento de procesamiento que demanda la inteligencia artificial.
3️⃣ Manejo de datos: implica recolectar, preparar y estructurar grandes volúmenes de información para que puedan utilizarse en el entrenamiento de modelos.
4️⃣ Modelos fundacionales: son sistemas de gran escala entrenados con enormes volúmenes de datos. Por ello, concentran mayor capacidad de generación de valor y exigen recursos de procesamiento intensivos, sobre todo en la etapa de entrenamiento.
5️⃣ Herramientas para implementar IA: comprende el software y las aplicaciones —como los chatbots— que permiten a los usuarios interactuar con estos modelos de forma didáctica.
6️⃣ Despliegue e implementación: constituye la etapa final y una de las más críticas, aunque suele subestimarse, pues implica definir cómo las empresas integran efectivamente las capacidades de la inteligencia artificial en sus operaciones.
Según Katz, cada eslabón de esta cadena requiere insumos críticos para operar con eficiencia. Entre los principales figuran minerales como las tierras raras, la energía —especialmente para los centros de datos—, la disponibilidad de datos y el capital humano. En todos estos frentes persisten cuellos de botella. Uno de los más notorios es el energético, que se ha convertido en una limitación relevante para la expansión de los centros de datos.
Sin embargo, el principal cuello de botella sigue siendo el talento. Como se mencionó al inicio, aún son escasos los profesionales capaces de desarrollar y entrenar modelos de IA, lo que ha elevado de manera significativa sus remuneraciones. Para Katz, esta brecha es particularmente visible en América Latina, donde la infraestructura digital ha avanzado, pero la disponibilidad de capital humano especializado no ha crecido al mismo ritmo.
“Hay inversiones relevantes de empresas globales como Amazon Web Services y Microsoft, así como de operadores regionales, especialmente en países como Brasil. Por eso, me preocupa menos la infraestructura y más la capacidad de contar con talento que permita incorporar estas tecnologías en los procesos productivos”, advirtió Katz en una entrevista posterior con Sectoriales Tech.
Además, el ejecutivo indicó que, si logra desarrollar talento digital, el Perú podría no solo generar un impacto relevante en su propia economía, sino también proyectarse hacia otros mercados de la región. En particular, considera que el país tiene espacio para posicionarse en los eslabones finales de la cadena de valor, vinculados al desarrollo de software y a su adaptación a las necesidades del sector productivo.
Las brechas globales en la IA
Aunque la inversión en IA es considerable a escala global, persiste una marcada brecha regional: los países desarrollados de Norteamérica concentran la mayor parte del gasto, mientras que América Latina participa con montos significativamente menores.
En este escenario, Katz asegura que más importante que el gasto directo es el “efecto de derrame” (spillover), es decir, la manera en que las inversiones realizadas en otras regiones terminan impactando también a los países que no lideran el desarrollo tecnológico.
Al mismo tiempo, medir la adopción de la inteligencia artificial en las empresas sigue siendo uno de los grandes desafíos. Para el presidente de Telecom Advisory Services, el problema es que, al hablar de adopción, suelen mezclarse en realidad tres niveles distintos:
- Uso individual: por ejemplo, el empleo de herramientas como ChatGPT para tareas cotidianas.
- Implementación de herramientas dentro de la empresa.
- Integración de la inteligencia artificial en procesos productivos.
Aunque los modelos de inteligencia artificial estén cada vez más presentes en las organizaciones, estos niveles de adopción no siempre se diferencian en las estadísticas, lo que dificulta entender las verdaderas consecuencias. Esta ambigüedad también se traslada al impacto económico de la IA a nivel macro.
“Algunos economistas sostienen que será moderado, mientras que otros proyectan efectos mucho más significativos. El problema es que aún no contamos con suficiente evidencia empírica. Tecnologías como ChatGPT son relativamente recientes y los modelos macroeconómicos requieren series de datos más largas para poder evaluar efectos con precisión”, expresó Katz. Por ahora, añade, tampoco se observa un impacto claro de sustitución masiva del trabajo humano por parte de la inteligencia artificial.
El riesgo de sesgos y la monetización
A nivel global, tres grandes actores dominan la cadena de valor de la inteligencia artificial: Estados Unidos, China y la Unión Europea, cada uno con una estrategia distinta. Mientras Washington busca sostener su liderazgo tecnológico a partir del impulso del capital privado, Pekín apuesta por desarrollar una cadena de valor integral y exportar su modelo tecnológico a otros países.
En contraste, las economías europeas ponen mayor énfasis en la regulación, la privacidad y el uso ético de la inteligencia artificial. Su objetivo es avanzar hacia “modelos soberanos” que les permitan decidir cómo entrenar estos sistemas, qué datos emplear y dónde almacenarlos. La pregunta, sin embargo, es si esas iniciativas podrán competir en un entorno marcado por las barreras actuales.
“Es posible, pero requiere una inversión significativa. Por ejemplo, en Europa, empresas como Mistral han levantado financiamiento del orden de los 2m000 millones de dólares. En países como India o Indonesia, el desarrollo de modelos soberanos también implica inversiones superiores a los 1,500 millones de dólares”, aclaró Katz a Sectoriales Tech.
Si se considera que la viabilidad de un modelo de inteligencia artificial depende directamente de la capacidad de inversión, América Latina aún parte en desventaja. Katz identifica que el volumen de capital disponible en la región todavía no alcanza para competir en el desarrollo de modelos fundacionales a gran escala.
Asimismo, persiste el riesgo de que los modelos desarrollados en países autoritarios, como China, o por corporaciones con agendas particulares incorporen sesgos al ser utilizados en otras regiones.
“La evidencia disponible sugiere que estos sesgos existen, pero no son tan claros ni determinantes como a veces se plantea en el debate político. En muchos casos, el ruido político es mayor que la evidencia empírica disponible”, dijo Katz durante la conferencia.
Por otro lado, las desarrolladoras de modelos de inteligencia artificial enfrentan el desafío de monetizar sus servicios en un entorno donde aún persiste incertidumbre sobre cómo capturar valor de forma sostenible. A ello se suman fenómenos como la integración vertical y los esquemas de inversión cruzada, mediante los cuales algunas empresas financian a otras para ampliar el uso de sus propias tecnologías.
Existe una fuerte presión por generar fuentes de rentabilidad. A diferencia de otras industrias digitales, en la inteligencia artificial el costo de producción no tiende a cero: la inferencia —es decir, el uso del modelo— exige una elevada capacidad de cómputo, lo que se traduce en costos permanentes.
“El problema de la monetización es fundamental. Todo depende de la disposición a pagar del mercado, tanto de las empresas como de los usuarios. Seguimos en una etapa de incertidumbre: aún no está claro cuánto están dispuestos a pagar los usuarios por estas tecnologías ni si eso será suficiente para cubrir los costos de infraestructura y desarrollo de los modelos”, declaró Katz a Sectoriales Tech.
Desde su perspectiva, todavía no puede afirmarse que estos modelos estén generando márgenes positivos. Por ello, aún es prematuro hablar de un esquema de monetización plenamente consolidado.
En este contexto, la inteligencia artificial no solo está redefiniendo industrias, sino también las posiciones desde las cuales los países pueden competir. Para economías como la peruana, el gran reto pasa por aprovechar los eslabones en los que la tecnología se convierte en valor productivo. En otras palabras, la verdadera oportunidad radica en saber cómo aplicar la IA. Y, para ello, contar con suficiente talento será el factor decisivo.
