La ruta de la IA que conviene a América Latina / A rota da IA que convém à América Latina / The AI path that suits Latin America
Documento completo / Full document en español, português and english
Español
Anteriormente publicamos en este espacio un resumen ejecutivo sobre España y la ruta de la inteligencia artificial que conviene a América Latina. Allí planteábamos una tesis que ahora desarrollamos con mayor amplitud en el documento completo que acompaña este post: América Latina no necesita limitarse a copiar la carrera global de la inteligencia artificial dominada por Estados Unidos, China y los grandes conglomerados tecnológicos. Tampoco debería aceptar, como destino inevitable, el papel de consumidora pasiva de modelos, plataformas e infraestructuras diseñadas para otros mercados, otras lenguas, otros sistemas institucionales y otras restricciones materiales.
La pregunta de fondo no es si América Latina debe adoptar inteligencia artificial. Esa discusión ya ha quedado atrás. La IA ya está presente en la región, en los gobiernos, en las empresas, en la educación, en la vida cotidiana y en el debate público. La cuestión realmente estratégica es otra: qué tipo de inteligencia artificial conviene acelerar con recursos públicos y privados escasos, bajo restricciones de conectividad, presupuesto, energía, talento, institucionalidad y soberanía tecnológica.
El documento completo propone una respuesta: una estrategia latinoamericana de inteligencia artificial basada en una IA frugal, explicable, adaptable y centrada en el razonamiento complejo. Es decir, una IA que no mida su ambición solo por el tamaño de los modelos, el volumen de datos o la escala de los centros de cómputo, sino por su capacidad para resolver problemas concretos, generar productividad, fortalecer instituciones, reducir dependencias y operar de manera eficiente en las condiciones reales de América Latina.
La carrera dominante de la IA se ha construido alrededor de tres pilares: datos masivos, cómputo acelerado e infraestructuras de centros de datos capaces de consumir enormes cantidades de energía, agua y capital. Esa ruta puede ser racional para potencias con abundancia de capital, control de cadenas de suministro de semiconductores, redes eléctricas robustas y grandes mercados tecnológicos. Pero para América Latina puede convertirse en una apuesta asimétrica: cara, dependiente, ambientalmente exigente y difícil de sostener como estrategia principal.
Por eso el documento propone desplazar el foco: del juego de la escala al juego del razonamiento. Esto no significa renunciar a los grandes modelos ni ignorar su utilidad. Significa no confundir adopción con dependencia, ni modernización con subordinación tecnológica. La región necesita capacidades propias para adaptar, auditar, combinar y desplegar sistemas de IA de forma compatible con sus prioridades nacionales y regionales.
La idea de IA frugal ocupa un lugar central en esta propuesta. Hablamos de sistemas capaces de crear valor usando menos recursos: modelos pequeños o especializados, cuantización, destilación, poda, optimización de inferencia, despliegues híbridos, edge computing, arquitecturas ligeras como TinyML y soluciones ajustadas a contextos de conectividad limitada o dispositivos de bajo coste. En paralelo, la IA explicable resulta indispensable para sectores donde las decisiones automatizadas deben ser comprensibles, auditables y legítimas: administración pública, salud, justicia, educación, regulación, defensa y seguridad.
El documento también subraya la importancia de construir infraestructuras públicas de conocimiento. No basta con comprar licencias o conectar APIs. América Latina necesita ontologías sectoriales, grafos de conocimiento interoperables, corpus lingüísticos propios, estándares semánticos, mecanismos de actualización continua, registros algorítmicos, métricas de impacto y sistemas de trazabilidad. Sin esa capa de conocimiento, la IA corre el riesgo de ser una caja negra importada; con ella, puede convertirse en una capacidad institucional.
En este contexto, España aparece como un posible socio estratégico, no como modelo que deba copiarse mecánicamente. Su papel puede ser relevante por su posición como puente tecnológico, lingüístico y regulatorio entre Europa y América Latina. Capacidades como el Barcelona Supercomputing Center, la familia de modelos ALIA, la experiencia regulatoria de AESIA y los programas de conexión empresarial entre España y América Latina ofrecen una base para pensar una agenda compartida.
Pero el punto central no es construir una “ruta española” para América Latina. El punto es más preciso: aprovechar espacios de cooperación que permitan a los países latinoamericanos participar activamente en la creación, adaptación, evaluación y gobernanza de tecnologías de IA. La soberanía digital no se logra solo usando herramientas en español o portugués; requiere capacidad local para entrenar, ajustar, auditar, desplegar y regular sistemas conforme a las necesidades de cada país, sector y comunidad lingüística.
El documento pone especial atención en la soberanía lingüística. La IA que conviene a América Latina no puede depender exclusivamente de modelos entrenados sobre mercados anglófonos o de traducciones aproximadas. Necesita comprender variantes del español latinoamericano, portugués brasileño, lenguas indígenas, registros institucionales, vocabularios sectoriales y contextos socioculturales específicos. La lengua no es un detalle cosmético: es infraestructura cognitiva, económica y política.
Otro eje central es el tejido empresarial. La adopción de IA no puede quedar encerrada en gobiernos, grandes corporaciones o laboratorios especializados. Las grandes empresas pueden actuar como dinamizadoras si facilitan transferencia tecnológica, capacitación, acceso a infraestructura, financiación, creación de ecosistemas colaborativos y difusión de estándares éticos. Su papel no debería limitarse a incorporar IA hacia dentro, sino a extender capacidades hacia proveedores, pymes, startups y cadenas de valor regionales.
Para las pymes, la oportunidad es concreta. La IA puede mejorar procesos de inventario, facturación, atención al cliente, análisis de ventas, predicción de demanda, marketing personalizado, gestión de recursos humanos, mantenimiento predictivo, control de calidad, logística, producción y gestión empresarial. La clave es que estas soluciones sean accesibles, comprensibles y adaptadas a la escala real de las empresas latinoamericanas. Una estrategia de IA que no llegue a las pymes será incompleta desde el punto de vista productivo.
La hoja de ruta propuesta se organiza alrededor de varias prioridades: definir estrategias de IA soberana; crear infraestructuras públicas de conocimiento; establecer una política de cómputo suficiente, no necesariamente máximo; orientar el gasto público hacia pilotos de alto valor; institucionalizar transparencia y rendición de cuentas; medir externalidades energéticas, ambientales y sociales; y construir coaliciones regionales para compartir estándares, capacidades y aprendizajes.
Los sectores prioritarios son aquellos donde la IA puede generar retornos públicos y productivos de alto impacto: defensa y seguridad, salud, educación, justicia, regulación, energía, infraestructura, telecomunicaciones, finanzas, seguros, transporte, agroindustria y administración pública. En todos ellos, el desafío no es simplemente automatizar tareas, sino mejorar la calidad de la decisión, anticipar riesgos, reducir costes, ampliar cobertura y fortalecer la resiliencia institucional.
El documento introduce además una línea conceptual más ambiciosa: la necesidad de avanzar hacia arquitecturas de IA capaces de razonar en contextos complejos. Allí aparece la noción de IA bioneurocognitiva para el razonamiento complejo, entendida como una orientación que busca integrar evidencia, conocimiento estructurado, causalidad, incertidumbre, trazabilidad y metacognición. No se trata de una etiqueta decorativa, sino de un intento de pensar sistemas de IA más adecuados para problemas públicos y sociales donde los datos son incompletos, las variables interactúan y las consecuencias son relevantes.
La conclusión del documento no es definitiva ni cerrada. Más bien abre una conversación. América Latina no debería medir su éxito tecnológico por el tamaño de los modelos que consume, sino por su capacidad para convertir la inteligencia artificial en productividad, autonomía, resiliencia institucional, inclusión, bienestar y valor público.
Por eso publicamos ahora el documento completo en español, portugués e inglés. La intención es ampliar el debate, facilitar su circulación regional e internacional y contribuir a una conversación que será cada vez más importante: qué inteligencia artificial necesita realmente América Latina, bajo qué condiciones, con qué socios y para qué fines
Português
Anteriormente publicamos neste espaço um resumo executivo sobre a Espanha e a rota da inteligência artificial que convém à América Latina. Nele, apresentávamos uma tese que agora desenvolvemos com maior amplitude no documento completo que acompanha este post: a América Latina não precisa limitar-se a copiar a corrida global da inteligência artificial dominada pelos Estados Unidos, pela China e pelos grandes conglomerados tecnológicos. Tampouco deveria aceitar, como destino inevitável, o papel de consumidora passiva de modelos, plataformas e infraestruturas desenhadas para outros mercados, outras línguas, outros sistemas institucionais e outras restrições materiais.
A pergunta de fundo não é se a América Latina deve adotar inteligência artificial. Essa discussão já ficou para trás. A IA já está presente na região, nos governos, nas empresas, na educação, na vida cotidiana e no debate público. A questão realmente estratégica é outra: que tipo de inteligência artificial convém acelerar com recursos públicos e privados escassos, sob restrições de conectividade, orçamento, energia, talento, institucionalidade e soberania tecnológica.
O documento completo propõe uma resposta: uma estratégia latino-americana de inteligência artificial baseada em uma IA frugal, explicável, adaptável e centrada no raciocínio complexo. Isto é, uma IA que não meça sua ambição apenas pelo tamanho dos modelos, pelo volume de dados ou pela escala dos centros de computação, mas por sua capacidade de resolver problemas concretos, gerar produtividade, fortalecer instituições, reduzir dependências e operar de maneira eficiente nas condições reais da América Latina.
A corrida dominante da IA foi construída em torno de três pilares: dados massivos, computação acelerada e infraestruturas de centros de dados capazes de consumir enormes quantidades de energia, água e capital. Essa rota pode ser racional para potências com abundância de capital, controle de cadeias de suprimento de semicondutores, redes elétricas robustas e grandes mercados tecnológicos. Mas para a América Latina pode converter-se em uma aposta assimétrica: cara, dependente, ambientalmente exigente e difícil de sustentar como estratégia principal.
Por isso o documento propõe deslocar o foco: do jogo da escala ao jogo do raciocínio. Isso não significa renunciar aos grandes modelos nem ignorar sua utilidade. Significa não confundir adoção com dependência, nem modernização com subordinação tecnológica. A região precisa de capacidades próprias para adaptar, auditar, combinar e implantar sistemas de IA de forma compatível com suas prioridades nacionais e regionais.
A ideia de IA frugal ocupa um lugar central nesta proposta. Falamos de sistemas capazes de criar valor usando menos recursos: modelos pequenos ou especializados, quantização, destilação, poda, otimização de inferência, implantações híbridas, edge computing, arquiteturas leves como TinyML e soluções ajustadas a contextos de conectividade limitada ou dispositivos de baixo custo. Em paralelo, a IA explicável é indispensável para setores nos quais as decisões automatizadas devem ser compreensíveis, auditáveis e legítimas: administração pública, saúde, justiça, educação, regulação, defesa e segurança.
O documento também destaca a importância de construir infraestruturas públicas de conhecimento. Não basta comprar licenças ou conectar APIs. A América Latina precisa de ontologias setoriais, grafos de conhecimento interoperáveis, corpora linguísticos próprios, padrões semânticos, mecanismos de atualização contínua, registros algorítmicos, métricas de impacto e sistemas de rastreabilidade. Sem essa camada de conhecimento, a IA corre o risco de ser uma caixa-preta importada; com ela, pode converter-se em uma capacidade institucional.
Nesse contexto, a Espanha aparece como uma possível parceira estratégica, não como modelo a ser copiado mecanicamente. Seu papel pode ser relevante por sua posição como ponte tecnológica, linguística e regulatória entre a Europa e a América Latina. Capacidades como o Barcelona Supercomputing Center, a família de modelos ALIA, a experiência regulatória da AESIA e os programas de conexão empresarial entre Espanha e América Latina oferecem uma base para pensar uma agenda compartilhada.
Mas o ponto central não é construir uma “rota espanhola” para a América Latina. O ponto é mais preciso: aproveitar espaços de cooperação que permitam aos países latino-americanos participar ativamente da criação, adaptação, avaliação e governança de tecnologias de IA. A soberania digital não se alcança apenas usando ferramentas em espanhol ou português; requer capacidade local para treinar, ajustar, auditar, implantar e regular sistemas conforme as necessidades de cada país, setor e comunidade linguística.
O documento dedica especial atenção à soberania linguística. A IA que convém à América Latina não pode depender exclusivamente de modelos treinados sobre mercados anglófonos ou de traduções aproximadas. Precisa compreender variantes do espanhol latino-americano, português brasileiro, línguas indígenas, registros institucionais, vocabulários setoriais e contextos socioculturais específicos. A língua não é um detalhe cosmético: é infraestrutura cognitiva, econômica e política.
Outro eixo central é o tecido empresarial. A adoção da IA não pode ficar encerrada em governos, grandes corporações ou laboratórios especializados. As grandes empresas podem atuar como dinamizadoras se facilitarem transferência tecnológica, capacitação, acesso à infraestrutura, financiamento, criação de ecossistemas colaborativos e difusão de padrões éticos. Seu papel não deveria limitar-se a incorporar IA internamente, mas estender capacidades a fornecedores, PMEs, startups e cadeias de valor regionais.
Para as PMEs, a oportunidade é concreta. A IA pode melhorar processos de estoque, faturamento, atendimento ao cliente, análise de vendas, previsão de demanda, marketing personalizado, gestão de recursos humanos, manutenção preditiva, controle de qualidade, logística, produção e gestão empresarial. A chave é que essas soluções sejam acessíveis, compreensíveis e adaptadas à escala real das empresas latino-americanas. Uma estratégia de IA que não chegue às PMEs será incompleta do ponto de vista produtivo.
O roteiro proposto organiza-se em torno de várias prioridades: definir estratégias de IA soberana; criar infraestruturas públicas de conhecimento; estabelecer uma política de computação suficiente, não necessariamente máxima; orientar o gasto público para pilotos de alto valor; institucionalizar transparência e prestação de contas; medir externalidades energéticas, ambientais e sociais; e construir coalizões regionais para compartilhar padrões, capacidades e aprendizados.
Os setores prioritários são aqueles nos quais a IA pode gerar retornos públicos e produtivos de alto impacto: defesa e segurança, saúde, educação, justiça, regulação, energia, infraestrutura, telecomunicações, finanças, seguros, transporte, agroindústria e administração pública. Em todos eles, o desafio não é simplesmente automatizar tarefas, mas melhorar a qualidade da decisão, antecipar riscos, reduzir custos, ampliar cobertura e fortalecer a resiliência institucional.
O documento introduz ainda uma linha conceitual mais ambiciosa: a necessidade de avançar rumo a arquiteturas de IA capazes de raciocinar em contextos complexos. Aí aparece a noção de IA bioneurocognitiva para o raciocínio complexo, entendida como uma orientação que busca integrar evidência, conhecimento estruturado, causalidade, incerteza, rastreabilidade e metacognição. Não se trata de uma etiqueta decorativa, mas de uma tentativa de pensar sistemas de IA mais adequados para problemas públicos e sociais nos quais os dados são incompletos, as variáveis interagem e as consequências são relevantes.
A conclusão do documento não é definitiva nem fechada. Pelo contrário, abre uma conversa. A América Latina não deveria medir seu sucesso tecnológico pelo tamanho dos modelos que consome, mas por sua capacidade de converter a inteligência artificial em produtividade, autonomia, resiliência institucional, inclusão, bem-estar e valor público.
Por isso publicamos agora o documento completo em espanhol, português e inglês. A intenção é ampliar o debate, facilitar sua circulação regional e internacional e contribuir para uma conversa que será cada vez mais importante: que inteligência artificial a América Latina realmente precisa, sob quais condições, com quais parceiros e para quais fins.
English
Previously, we published in this space an executive summary on Spain and the artificial intelligence path that suits Latin America. In that piece, we presented a thesis that is now developed more fully in the complete document attached to this post: Latin America does not need to simply copy the global AI race dominated by the United States, China and the major technology conglomerates. Nor should it accept, as inevitable, the role of passive consumer of models, platforms and infrastructures designed for other markets, other languages, other institutional systems and other material constraints.
The fundamental question is not whether Latin America should adopt artificial intelligence. That discussion is already behind us. AI is already present in the region: in governments, companies, education, daily life and public debate. The truly strategic question is different: what kind of artificial intelligence should be accelerated with scarce public and private resources, under constraints of connectivity, budget, energy, talent, institutional capacity and technological sovereignty.
The full document proposes an answer: a Latin American artificial intelligence strategy based on frugal, explainable, adaptable AI centered on complex reasoning. In other words, an AI strategy that does not measure ambition only by model size, data volume or the scale of compute infrastructure, but by the capacity to solve concrete problems, generate productivity, strengthen institutions, reduce dependencies and operate efficiently under Latin America’s real conditions.
The dominant AI race has been built around three pillars: massive data, accelerated compute and data center infrastructures capable of consuming enormous amounts of energy, water and capital. That path may be rational for powers with abundant capital, control over semiconductor supply chains, robust electricity grids and large technology markets. But for Latin America it may become an asymmetric bet: expensive, dependent, environmentally demanding and difficult to sustain as a primary strategy.
This is why the document proposes a shift in focus: from the game of scale to the game of reasoning. This does not mean rejecting large models or ignoring their usefulness. It means not confusing adoption with dependence, or modernization with technological subordination. The region needs its own capabilities to adapt, audit, combine and deploy AI systems in ways that are compatible with national and regional priorities.
The idea of frugal AI plays a central role in this proposal. We are referring to systems capable of creating value with fewer resources: small or specialized models, quantization, distillation, pruning, inference optimization, hybrid deployments, edge computing, lightweight architectures such as TinyML and solutions adapted to limited connectivity or low-cost devices. At the same time, explainable AI is indispensable in sectors where automated decisions must be understandable, auditable and legitimate: public administration, health, justice, education, regulation, defense and security.
The document also emphasizes the importance of building public knowledge infrastructures. Buying licenses or connecting APIs is not enough. Latin America needs sectoral ontologies, interoperable knowledge graphs, its own linguistic corpora, semantic standards, continuous updating mechanisms, algorithm registries, impact metrics and traceability systems. Without this knowledge layer, AI risks becoming an imported black box; with it, AI can become an institutional capability.
In this context, Spain appears as a potential strategic partner, not as a model to be copied mechanically. Its role may be relevant because of its position as a technological, linguistic and regulatory bridge between Europe and Latin America. Capabilities such as the Barcelona Supercomputing Center, the ALIA family of models, AESIA’s regulatory experience and business-connection programs between Spain and Latin America offer a basis for a shared agenda.
But the central point is not to build a “Spanish path” for Latin America. The point is more precise: to use spaces for cooperation that allow Latin American countries to participate actively in the creation, adaptation, evaluation and governance of AI technologies. Digital sovereignty is not achieved merely by using tools in Spanish or Portuguese; it requires local capacity to train, fine-tune, audit, deploy and regulate systems according to the needs of each country, sector and linguistic community.
The document pays particular attention to linguistic sovereignty. The AI that suits Latin America cannot depend exclusively on models trained for English-speaking markets or on approximate translations. It must understand Latin American Spanish variants, Brazilian Portuguese, Indigenous languages, institutional registers, sectoral vocabularies and specific sociocultural contexts. Language is not a cosmetic detail: it is cognitive, economic and political infrastructure.
Another central axis is the business fabric. AI adoption cannot remain confined to governments, large corporations or specialized laboratories. Large firms can act as enablers if they facilitate technology transfer, training, access to infrastructure, financing, collaborative ecosystems and the dissemination of ethical standards. Their role should not be limited to incorporating AI internally, but should extend capabilities to suppliers, SMEs, startups and regional value chains.
For SMEs, the opportunity is concrete. AI can improve inventory management, invoicing, customer service, sales analysis, demand forecasting, personalized marketing, human resources management, predictive maintenance, quality control, logistics, production and business management. The key is for these solutions to be accessible, understandable and adapted to the real scale of Latin American companies. An AI strategy that does not reach SMEs will be incomplete from a productive standpoint.
The proposed roadmap is organized around several priorities: define sovereign AI strategies; build public knowledge infrastructures; establish a policy of sufficient compute, not necessarily maximum compute; direct public spending toward high-value pilots; institutionalize transparency and accountability; measure energy, environmental and social externalities; and build regional coalitions to share standards, capabilities and learning.
The priority sectors are those in which AI can generate high-impact public and productive returns: defense and security, health, education, justice, regulation, energy, infrastructure, telecommunications, finance, insurance, transport, agribusiness and public administration. In all of them, the challenge is not simply to automate tasks, but to improve decision quality, anticipate risks, reduce costs, expand coverage and strengthen institutional resilience.
The document also introduces a more ambitious conceptual line: the need to move toward AI architectures capable of reasoning in complex contexts. This is where the notion of bio-neurocognitive AI for complex reasoning appears, understood as an orientation that seeks to integrate evidence, structured knowledge, causality, uncertainty, traceability and metacognition. This is not a decorative label, but an attempt to think about AI systems better suited to public and social problems where data is incomplete, variables interact and consequences matter.
The document’s conclusion is neither definitive nor closed. Rather, it opens a conversation. Latin America should not measure its technological success by the size of the models it consumes, but by its capacity to turn artificial intelligence into productivity, autonomy, institutional resilience, inclusion, well-being and public value.
This is why we are now publishing the full document in Spanish, Portuguese and English. The aim is to broaden the debate, facilitate regional and international circulation, and contribute to a conversation that will become increasingly important: what artificial intelligence does Latin America really need, under what conditions, with which partners and for what purposes?
