La guerra de las inteligencias: semiconductores, energía y el quiebre del Homo Institutionalis en la era de la IA geopolítica
Por Juan Pablo Torres Muñiz
[El nuevo fuego prometeico]
Hace veinticinco siglos, Esquilo nos legó la tragedia de Prometeo. La metáfora conserva su vigencia, aunque claramente el soporte era, en principio, inimaginable. El fuego que hoy se disputan las potencias no siquiera el que corre por los cables de cobre, sino algo más volátil y, en apariencia, más etéreo: la capacidad de procesar información a escala masiva, de simular la inteligencia y automatizar el juicio. Lo que la retórica mediática denomina, con una elipsis que ya es en sí misma sospechosa, «inteligencia artificial».
Se trata de algo más que un dato inocuo. La palabra inteligencia proviene del latín intelligentia, compuesto de inter («entre», «en medio de») y legere («elegir», «discernir», «leer»). Inteligir es, en su raíz, leer entre líneas, discernir en medio de la multiplicidad. Así, la inteligencia supera por mucho la capacidad de cálculo; es facultad de juicio. Y la palabra artificial, del latín artificialis, remite a ars, artis («arte» en cuanto a «técnica», «habilidad»), es decir, a lo construido por el hombre, a lo que no brota de la naturaleza sino de la operación humana. «Inteligencia artificial» designa, por tanto, una técnica construida para simular el discernimiento. No es, en rigor, inteligencia; es la mímesis de la inteligencia, la sombra de la inteligencia proyectada sobre una pantalla de silicio.
Pero esta sombra ha cobrado un peso geopolítico tal que hoy determina el destino de naciones. La llamada «guerra de las IAs» constituye bastante más que un fenómeno comercial equivalente al enfrentamiento entre Ford y General Motors en el siglo XX. Aquí se decide qué operaciones técnicas configurarán la realidad social, política y militar de las próximas décadas. Su resultado, por lo tanto, no será meramente económico o tecnológico. Determinará qué tipo de Homo Institutionalis habitará la Tierra en 2050.
Para comprender mejor la situación, nos corresponde trazar un mapa desde la fabricación de chips hasta el consumo energético, desde los costos astronómicos del entrenamiento de modelos hasta la posición de China, del monopolio de NVIDIA hasta la marginalización de Iberoamérica.
[La técnica como operación institucional]
Para no perdernos en la retórica tecnofuturista que inunda los medios, conviene detenernos en el significado de los términos. La palabra técnica proviene del griego téchnē (τέχνη), que designaba el saber hacer, el arte productivo, la capacidad de transformar la materia según un fin. Para los griegos, téchnē se distinguía de epistémē (el saber teórico) y de phrónesis (la prudencia práctica). La técnica era un saber orientado a la producción, no a la verdad ni a la acción moral. Pero ya Aristóteles advertía en La política (1253b) que la técnica, desligada de la phrónesis, podía convertirse en instrumento de dominación.
En la tradición escolástica, la técnica fue asimilada al concepto de ars, y se distinguía cuidadosamente entre ars mechanica (el arte mecánico, productivo) y ars liberalis (el arte liberal, orientado al conocimiento). Y es que no toda operación humana configura la persona de la misma manera. El arte liberal forma, digamos, al hombre interior, mientras que el arte mecánico, si no está subordinado a una finalidad superior, puede deformarlo.
La tecnología moderna —y la IA es su culminación— ha disuelto esta distinción. No porque haya superado la dicotomía, sino porque ha sometido ambas esferas a una lógica única: la de la eficiencia maximizada, la del rendimiento cuantificable, la de la predicción como sustituto del juicio. La IA es la técnica que pretende abolir la distancia entre la operación y el operador, entre la máquina y el hombre; de ahí, su peligro institucional.
En la tesis del Homo Institutionalis, una institución es una operación que configura la realidad. La familia instituye al niño como hijo; la escuela, como alumno; la Iglesia, como creyente; el Estado, como ciudadano. Cada institución es una operatio que produce un tipo de persona.
La tecnología, cuando alcanza cierta densidad social, se convierte en institución. La imprenta instituyó al lector; la escuela de masas, al ciudadano alfabetizado; la televisión, al espectador pasivo. La IA instituye ahora a un nuevo tipo de persona: el usuario asistido, el individuo que delega en un algoritmo funciones que antes correspondían a la razón, la memoria, el juicio, la creatividad. No es que la IA «destruya» la persona; es que la reconfigura, la transforma en algo que ya no es Homo Institutionalis en sentido pleno, sino acaso algo como el Homo Algorithmicus: un ser cuyas operaciones cognitivas son externalizadas en una infraestructura que no controla, no comprende y, en muchos casos, ni siquiera percibe.
Esta reconfiguración es diseñada desde las alturas, como diría Juan Manuel de Prada. No por un consejo de sabios malvados, sino por la lógica misma del capitalismo de plataforma y del Estado de vigilancia. La IA es, en su dimensión institucional, una operación de desinstitucionalización encubierta: destruye las instituciones tradicionales que formaban al hombre (la escuela, la familia, la Iglesia, la patria) y las sustituye por una única institución global, opaca y asimétrica: la plataforma algorítmica.
[La guerra de las IAs como guerra de instituciones]
Estados Unidos, China, la Unión Europea, Rusia, Israel, Arabia Saudita compiten por imponer una arquitectura institucional que determine cómo se produce el conocimiento, cómo se toman las decisiones, cómo se organiza la violencia, cómo se administra la salud, cómo se educa a las generaciones futuras.
Como toda guerra de instituciones, esta tiene niveles. No se libra solo en el campo de batalla digital, sino en la fabricación de semiconductores, en la provisión de energía eléctrica, en la acumulación de capital, en la captura de talento, en la definición de normas técnicas, en la colonización del lenguaje. Ignorar estos niveles —reducir la guerra de las IAs a una «carrera tecnológica»— es una forma de ceguera que la propia IA, paradójicamente, fomenta: cuanto más nos acostumbramos a la simplificación algorítmica, menos capaces somos de ver la complejidad estructural.
[El nivel hardware]
El semiconductor es, en apariencia, un trozo de silicio dopado con impurezas que le permiten controlar el flujo de electrones. Pero en la economía política del siglo XXI, el semiconductor es el sustrato físico de toda operación institucional avanzada. Sin semiconductores no hay IA; sin IA no hay economía digital; sin economía digital no hay Estado moderno. El que controla los semiconductores controla, por tanto, la infraestructura del mundo contemporáneo.
La palabra chip proviene del inglés chip, que designa una astilla, un trozo pequeño. La ironía etimológica es perfecta: un trozo de silicio del tamaño de una uña, que contiene miles de millones de transistores, determina el destino de imperios. La fabricación de chips avanzados —los llamados leading-edge, de procesos de 3, 2 o 1 nanómetros— es la actividad industrial más compleja jamás desarrollada por el hombre. Requiere litografía de ultravioleta extrema (EUV), equipos que cuestan más de 200 millones de dólares cada uno, salas limpias mil veces más estériles que un quirófano, y una cadena de suministro global que abarca desde las minas de wolframio de Ruanda hasta las fábricas de disolventes de Japón.
En este escenario, un solo nombre domina el campo de batalla: NVIDIA. La empresa fundada por Jensen Huang en 1993, originalmente dedicada a las tarjetas gráficas para videojuegos, ha logrado una posición de monopolio cuasi absoluto en el mercado de GPUs (unidades de procesamiento gráfico) para IA. En enero de 2026, NVIDIA controlaba aproximadamente el 85% del mercado de GPUs para IA, con un valor de mercado que superaba los 4,45 billones de dólares.
Quien controla la GPU controla, en buena medida, qué modelos se pueden entrenar, qué arquitecturas se pueden probar, qué aplicaciones se pueden desplegar. Y NVIDIA ha construido alrededor de su hardware un ecosistema de software —CUDA, su plataforma de computación paralela— que constituye una muralla defensiva casi inexpugnable. Los investigadores de IA de todo el mundo han invertido quince años en optimizar sus algoritmos para CUDA. Cambiar de plataforma no es solo costoso; es, en muchos casos, técnicamente inviable a corto plazo.
Conscientes de que la hegemonía tecnológica descansa sobre el control de los semiconductores, los Estados Unidos aprobaron en agosto de 2022 el CHIPS and Science Act, una ley que destina 52.700 millones de dólares en subsidios federales para reindustrializar la fabricación de chips en suelo estadounidense. Hasta julio de 2026, el Departamento de Comercio había anunciado 33.078 millones en subvenciones y hasta 7.150 millones en préstamos para 35 empresas en 52 proyectos, mientras que las empresas del ecosistema semiconductor habían anunciado inversiones privadas superiores a 920.800 millones de dólares en más de 160 proyectos repartidos por 30 estados.
Los proyectos más significativos incluyen:
– TSMC en Arizona: 65.000 millones de dólares en tres nuevas fábricas (fabs), produciendo nodos de 4 nm, 3 nm y 2 nm, con 6.600 millones en subvenciones y 5.000 millones en préstamos.
– Intel en Arizona: 32.000 millones en dos nuevas fábricas de leading-edge y modernización de una existente, con 3.940 millones en subvenciones.
– Micron en Nueva York y Boise: 125.000 millones en cuatro fábricas de DRAM de última generación, con 6.100 millones en subvenciones.
Estas cifras representan toda una reconfiguración geopolítica del mapa tecnológico. Estados Unidos, que en 1990 producía el 37% de los semiconductores del mundo y hoy produce apenas el 12%, gasta cerca de un billón de dólares —públicos y privados— para recuperar la capacidad de fabricar los chips más avanzados en su propio territorio. No por razones económicas, sino por razones de seguridad nacional y supervivencia institucional.
[Qué hay de China]
El verdadero objetivo del CHIPS Act no es sólo reindustrializar Estados Unidos; es contener a China. Desde 2018, sucesivas administraciones estadounidenses han ido estrangulando el acceso de Pekín a la tecnología semiconductora más avanzada. En abril de 2025, el gobierno de Donald Trump prohibió la venta a China incluso del H20, el chip degradado que NVIDIA había diseñado específicamente para sortear restricciones anteriores. En enero de 2026, el Departamento de Comercio emitió la regla H200, que estableció barreras de seguridad nacional aún más estrictas sobre la venta de chips a la República Popular China.
Al privar a China de los chips más avanzados, Estados Unidos busca impedir que Pekín pueda entrenar modelos de IA de frontera (frontier models), es decir, los sistemas más potentes y capaces. La lógica es simple: sin GPUs de última generación, no hay IA de última generación; sin IA de última generación, no hay supremacía militar, económica ni simbólica.
China, por su parte, ha respondido con una estrategia de autonomía forzada. A través de SMIC (Semiconductor Manufacturing International Corporation), su mayor fundición nacional, y de Huawei a través de su filial HiSilicon, Pekín intenta construir una cadena de suministro doméstica completamente independiente de la tecnología occidental. El chip Ascend 910C de Huawei, fabricado por SMIC en un proceso de 7 nm equivalente utilizando litografía DUV (ultravioleta profunda) —sin acceso a la EUV de ASML—, alcanza aproximadamente el 60% del rendimiento de inferencia de una H100 de NVIDIA. SMIC ha logrado producir nodos de 7 nm e incluso experimentar con el 5 nm.
Pero el cuello de botella más crítico para China no es la litografía; es la memoria HBM (High Bandwidth Memory). Cada chip Ascend requiere stacks de HBM para funcionar, y China no podía fabricarlos a escala. Sí, lo decimos aquí en tiempo pasado… SMIC tiene capacidad para producir más de un millón de chips Ascend al año, pero sin HBM solo podía ensamblar entre 250.000 y 300.000 unidades anuales utilizando la producción doméstica de CXMT (ChangXin Memory Technologies). China había acumulado unos 13 millones de stacks HBM —principalmente de Samsung— antes de que los controles de exportación se endurecieran, pero esa reserva se agotaba.
Pero entre el 28 y el 29 de julio de 2026, los mercados de capitales del mundo experimentaron una sacudida cuya magnitud solo puede comprenderse a la luz de la tesis que venimos desarrollando. La noticia, filtrada por The Information y corroborada por fuentes del sector, fue escueta pero devastadora: Shanghai Yuliangsheng Technology ha iniciado la producción en masa de máquinas de litografía DUV de inmersión (immersion deep ultraviolet lithography), y las primeras unidades serán entregadas en 2026 a SMIC, Hua Hong Semiconductor y ChangXin Memory Technologies.
El impacto en los mercados fue inmediato y brutal. El índice Kospi de Corea del Sur sufrió un colapso de casi el 11% durante la noche del 28 de julio, lo que obligó a una suspensión temporal de la negociación. Las acciones de ASML, la empresa holandesa que hasta ahora ostentaba un monopolio cuasi absoluto en esta tecnología, se desplomaron más de un 8%.
Para comprender la trascendencia de este anuncio, conviene detenernos en lo que la litografía DUV de inmersión es. En el contexto semiconductor, la litografía es el proceso por el cual un diseño de circuito se transfiere a una oblea de silicio mediante luz. No es una metáfora; es, propiamente, escritura con luz sobre piedra —silicio cristalino—, y la precisión de esa escritura determina la densidad, la velocidad y la eficiencia de todo lo que construimos sobre ella. La litografía de ultravioleta profundo (Deep Ultraviolet, DUV) utiliza luz con longitudes de onda de 193 nanómetros. En su modalidad de inmersión, el espacio entre la lente final del sistema y la oblea de silicio se llena de agua pura, lo que permite reducir efectivamente la longitud de onda y, con ello, imprimir características más pequeñas. Una máquina DUV de inmersión puede, en una sola exposición, imprimir características de clase 28 nm.
La litografía DUV es el instrumento que permite a China seguir produciendo chips de 7 nm —y, con mejoras incrementales, potencialmente de 5 nm— sin depender de ASML. Es el puente que permite a SMIC seguir fabricando los Ascend 910C, los Kirin, y los futuros chips de Huawei y Alibaba, aunque con rendimientos penosos y costos elevados. Es, en suma, la condición de posibilidad de la autonomía forzada que China viene construyendo desde 2018.
Hasta el 28 de julio de 2026, el mapa de poder de la litografía semiconductor se podía describir con una sola palabra: ASML. La empresa holandesa, con un valor de mercado que la convertía en la compañía más valiosa de Europa, dominaba no solo la EUV —donde es monopolista absoluto— sino también la DUV de inmersión, donde compartía el mercado con Nikon de Japón. El 20% de las ventas netas de ASML en 2026 provenían de China, una cifra que ya había caído desde el 33% de 2025. Pero ese 20% representaba miles de millones de dólares anuales, y, lo que es más importante, representaba influencia tecnológica: ASML no solo vendía máquinas a China; definía los límites de lo que China podía fabricar.
El anuncio de Yuliangsheng altera esta ecuación de manera irreversible. No es que China vaya a sustituir a ASML en el mercado global; las máquinas chinas, al menos en esta generación, probablemente sean menos eficientes, menos precisas y más propensas a fallos que las holandesas. Pero China no necesita competir con ASML en el mercado global. Necesita liberarse de ASML en su propio mercado. Y eso, ahora, puede hacerlo. El monopolio de ASML deja de ser un monopolio global para convertirse en un monopolio regional: sigue dominando América del Norte, Europa, Corea del Sur, Taiwán y Japón, pero pierde su capacidad de veto sobre China.
Esto tiene implicaciones económicas devastadoras para el ecosistema europeo de semiconductores. ASML no es una empresa aislada; es el centro de una red de proveedores —Zeiss, ASMI, BE Semiconductor, y docenas de empresas más— cuyo valor depende de la continuidad del monopolio. Si China deja de comprar máquinas DUV a ASML, y si otros países —Rusia, Irán, Corea del Norte, pero también naciones del Sur Global— empiezan a comprar máquinas chinas como alternativa sancionable, el modelo de negocio de ASML sufre una erosión estructural. No de la noche a la mañana, pero sí en el horizonte de una década.
[El nivel energético]
Si los semiconductores son el cerebro de la IA, la electricidad es su sangre. Y esta corre por arterias de una envergadura inédita en la historia industrial. Según la Agencia Internacional de Energía (IEA), los centros de datos consumieron en 2024 aproximadamente 415 TWh (teravatios-hora) de electricidad, alrededor del 1,5% del consumo eléctrico mundial. Gartner proyecta que en 2026 el consumo global de los centros de datos alcanzará los 565 TWh, un crecimiento del 26% respecto a 2025. El Instituto Brookings, por su parte, señala que por algunas estimaciones el consumo podría acercarse a los 1.050 TWh en 2026, lo que convertiría a los centros de datos en el quinto mayor consumidor energético del mundo, por encima de Japón y por debajo de Rusia.
Pero estas cifras son solo el principio. La IEA proyecta que, en su escenario base, el consumo eléctrico de los centros de datos se duplicará para alcanzar 945 TWh en 2030, representando casi el 3% del consumo eléctrico mundial. Goldman Sachs Research pronostica un aumento del 160-165% en la demanda de potencia para 2030 respecto a 2023. McKinsey estima que se requerirán cerca de 7 billones de dólares en inversión global para infraestructura de centros de datos para 2030.
La demanda de energía crece de manera poco uniforme. Los servidores optimizados para IA —equipados con GPUs como las de NVIDIA— consumen entre 2 y 4 veces más vatios que los servidores convencionales. Un solo rack de servidores AI puede demandar entre 30 y 110 kW, frente a los 5-15 kW de un rack tradicional. Los centros de datos más grandes ya se diseñan para 100-300 MW o incluso 1 gigavatio de capacidad.
El coste energético de entrenar un modelo de IA de frontera es astronómico. Según Epoch AI, entrenar Grok 4 consumió alrededor de 0,31 TWh de electricidad. Un estudio de diciembre de 2024 observó que entrenar un modelo grande utilizando ocho GPUs avanzadas durante ocho horas consumía una potencia media de 7,92 kW, con un consumo total de 62 kWh. Otro informe de abril de 2025 estimó que entrenar un modelo específico grande requirió una potencia total de 25,3 MW, y que la potencia necesaria para entrenar estos modelos podría duplicarse anualmente.
Una sola consulta a ChatGPT consume aproximadamente 0,3-0,34 Wh de electricidad, frente a solo 0,0003 Wh de una búsqueda en Google: mil veces más. Si los 9.000 millones de búsquedas diarias de Google se realizaran con IA generativa, se requerirían casi 10 TWh adicionales al año.
Estos números son la prueba de que la IA de frontera es, por su naturaleza, una tecnología de élite energética. Solo aquellas naciones o corporaciones que pueden asegurar suministros eléctricos masivos, estables y baratos pueden competir en la carrera de los modelos grandes. Y esto nos lleva al corazón de la cuestión geopolítica.
Estados Unidos, consciente de que la disponibilidad de energía es el nuevo cuello de botella de la IA, ha lanzado el Proyecto Stargate: una joint venture entre OpenAI, SoftBank, Oracle y MGX, anunciada por Donald Trump el 21 de enero de 2025, que planea invertir hasta 500.000 millones de dólares en infraestructura de IA en Estados Unidos para 2029, comenzando con 100.000 millones de inmediato. El proyecto, comparado con el Proyecto Manhattan, prevé la construcción de centros de datos masivos en Texas, Nuevo México, Ohio y otros estados, con una capacidad planeada de 7 gigavatios y más de 400.000 millones en inversión solo en los próximos tres años.
Pero este proyecto enfrenta un problema fundamental: la red eléctrica estadounidense no puede absorber esta demanda. Las colas de interconexión en algunas regiones superan los cinco años. Por eso, Stargate se expande internacionalmente: a Noruega, Reino Unido, Emiratos Árabes Unidos, Japón, y —significativamente— a la Patagonia argentina, donde en octubre de 2025 se anunció un centro de datos de hasta 500 MW y una inversión estimada de 25.000 millones de dólares, el mayor de Hispanoamérica.
La elección de la Patagonia no es casual. La región ofrece energía hidroeléctrica barata y abundante y un clima frío que reduce los costos de refrigeración. Pero también revela la lógica extractivista de la IA geopolítica: las potencias no buscan desarrollar a Iberoamérica; buscan extraer sus recursos energéticos para alimentar sus propios modelos de IA. La Patagonia argentina se convierte, en este escenario, en un yacimiento energético del siglo XXI, comparable a los pozos petroleros del siglo XX, pero con la diferencia de que el petróleo alimentaba industrias locales, mientras que la energía de los centros de datos alimentará modelos de IA cuyos beneficios se concentrarán en Silicon Valley.
[El nivel económico]
La inversión privada global en IA alcanzó los 581.000 millones de dólares en 2025, superando el récord anterior de 360.000 millones en 2021. Otros datos hablan de 225.800 millones en 2025. América del Norte capturó el 87% de todo el capital invertido en IA.
Pero lo que verdaderamente importa no es la inversión total, sino el costo de entrenar los modelos de frontera. La evolución es vertiginosa:
- GPT-3 (2020): ~4,6 millones de dólares
- GPT-4 (2023): ~79 millones de dólares
- Gemini Ultra (2024): ~191 millones de dólares
- GPT-5 (2026 estimado): más de 500 millones
- Próxima generación (2027 estimado): más de 1.000 millones de dólares por entrenamiento
Dario Amodei, CEO de Anthropic, proyecta que los entrenamientos de modelos de frontera costarán 10.000 millones de dólares para finales de 2026. Nos vemos ante una carrera de capitales en la que solo un puñado de organizaciones en el planeta pueden llenar esos cheques.
[El acceso a los modelos]
Aquí llegamos al núcleo duro de la cuestión. La retórica dominante —especialmente en Occidente— presenta la IA como una tecnología «democratizadora», accesible a través de APIs baratas y modelos de código abierto. Pero esta narrativa es, en el mejor de los casos, una media verdad; en el peor, una mentira como una montaña.
Es cierto que existen modelos abiertos como Llama (Meta), Mistral o DeepSeek, y que el fine-tuning de un modelo pequeño puede costar entre 50 y 500 dólares. Pero estos modelos no son la frontera. Son, en el mejor de los casos, replicas degradadas de los sistemas que verdaderamente importan. La frontera la ocupan modelos como GPT-5, Gemini 3.1 Pro, Claude Opus 4.6: sistemas con cientos de miles de millones o billones de parámetros, entrenados durante meses en decenas de miles de GPUs, a un costo que solo pueden asumir OpenAI, Google, Anthropic, Microsoft y, quizás, xAI y Meta.
La brecha es exponencial. Un modelo de frontera no es simplemente «mejor» que uno abierto; es de una categoría completamente diferente. Puede razonar sobre problemas científicos complejos, escribir código de sistemas operativos, diseñar moléculas farmacéuticas, generar estrategias militares. Un modelo abierto de 7.000 millones de parámetros puede responder preguntas de trivia; no puede diseñar un nuevo antibiótico o predecir la estructura tridimensional de una proteína con precisión quirúrgica.
Esta distinción es crucial. La IA no es una herramienta uniforme; es una jerarquía de capacidades que reproduce, en el plano técnico, la jerarquía de poder del mundo real. Quien posee los modelos de frontera posee una ventaja institucional abrumadora: puede automatizar la investigación científica, optimizar la logística militar, personalizar la propaganda a escala individual, predecir comportamientos sociales. Quien solo tiene acceso a modelos abiertos o APIs de segunda generación puede automatizar tareas administrativas, pero no puede competir en los dominios que realmente determinan el destino de las naciones.
Estados Unidos invirtió 285.900 millones de dólares en IA privada en 2025; China, 12.400 millones. La inversión privada estadounidense en IA fue 23 veces mayor que la china. En capital de riesgo para startups de IA, Estados Unidos acumuló 598.361 millones de dólares entre 2012 y 2024, frente a los 276.380 millones de China.
Pero como hemos visto antes, esta situación ha cambiado: Asistimos no a un avance tecnológico aislado del lado asiático, sino la consolidación de una bipolaridad institucional. El mundo de la tecnología avanzada se está dividiendo en dos bloques incompatibles: uno occidental, centrado en Estados Unidos, con ASML, NVIDIA, TSMC, Intel y Samsung como pilares; y otro chino, centrado en Pekín, con SMIC, Huawei, Yuliangsheng, CXMT y Hua Hong como columnas. Entre ambos, una zona gris de naciones que no pueden acceder a la frontera de ninguno de los dos bloques: Europa, que produce regulaciones, pero no chips; e Iberoamérica, que ni siquiera produce regulaciones.
Esta bipolaridad no es simétrica. El bloque occidental sigue siendo tecnológicamente superior: tiene EUV, tiene CUDA, tiene los modelos de IA más avanzados, tiene el capital de riesgo. Pero el bloque chino acaba de demostrar algo que Washington consideraba imposible: que la sanción, por muy severa que sea, puede ser neutralizada mediante la construcción institucional paralela.
La palabra clave es suficiente. La tesis del Homo Institutionalis nos enseña que una institución no necesita ser perfecta para ser operativa; necesita ser operativa. Una máquina DUV china con un 70% de la eficiencia de una ASML, pero producida en territorio nacional y libre de restricciones extranjeras, es más valiosa para Pekín que una ASML perfecta a la que le pueden cortar el mantenimiento mañana. China ha optado por la soberanía operativa frente a la excelencia dependiente. Y en una guerra de instituciones, la soberanía operativa es la que prevalece a largo plazo.
La supuesta democratización de la IA es, por tanto, una falacia. Lo que se democratiza es el acceso a aplicaciones de consumo: chatbots, generadores de imágenes, asistentes de escritura. El poder permanece concentrado en unas pocas corporaciones de Silicon Valley, respaldadas por el Estado estadounidense, y en un número creciente de actores chinos, respaldados por su gobierno. El resto del mundo —incluida Europa, y mucho más Iberoamérica— es mero espectador consumidor de una tecnología que no produce, no controla y apenas comprende.
[Ante el asedio tecnológico]
En enero de 2025, el lanzamiento de DeepSeek-R1 por parte de una startup china de Hangzhou sacudió los cimientos del consenso tecnológico occidental. DeepSeek-V3 había sido entrenado por aproximadamente 5,5 millones de dólares —casi 1/18 del costo estimado de GPT-4— y DeepSeek-R1 alcanzaba rendimientos comparables a los de OpenAI O1 en matemáticas, programación y razonamiento científico. El lanzamiento borró 600.000 millones de dólares del valor de mercado de NVIDIA en un solo día.
La narrativa que surgió fue tentadora: China había demostrado que la eficiencia algorítmica podía compensar la inferioridad hardware. Pero esta narrativa es, como tantas otras en la tecnología, una simplificación peligrosa. DeepSeek entrenó sus modelos utilizando H800 de NVIDIA, chips degradados que habían sido exportados a China antes de las restricciones más severas. Es decir, DeepSeek no superó la barrera hardware; la explotó al máximo utilizando hardware occidental ya no disponible para futuros proyectos chinos.
Además, el costo de 5,5 millones de dólares es engañoso. Incluye solo el costo de computación del entrenamiento final, no los costos de investigación, desarrollo, ingeniería, infraestructura, salarios del equipo ni los experimentos previos fallidos. Como señalan analistas técnicos, el costo real de entrenar modelos como GPT-4o o Claude 3.5 Sonnet está en el rango de los 10-30 millones de dólares, no en los cientos de millones. La diferencia entre DeepSeek y los laboratorios occidentales no es tanto de eficiencia como de transparencia contable.
China no se ilusiona con la eficiencia barata. Su estrategia es de autonomía total. En septiembre de 2025, Pekín emitió una directriz que ordenaba a los organismos gubernamentales y empresas estatales dejar de comprar GPUs de NVIDIA y acelerar la adopción de Ascend de Huawei. La cuota de mercado de NVIDIA en China cayó del 66% a menos del 60%, con proyecciones de caer a un dígito. Dados los últimos acontecimientos, resulta más o menos claro que esto será así.
[Iberoamérica]
A la guerra de instituciones, Iberoamérica llega al campo de batalla desarmada. No hay en todo el continente una sola fundición de semiconductores de proceso avanzado. No hay una sola empresa capaz de diseñar una GPU competitiva. Ni una sola universidad que figure en el top 20 mundial de investigación en IA. Ni un gobierno que haya comprometido más de 1.000 millones de dólares en inversión pública en IA. En inversión acumulada de capital de riesgo en IA entre 2012 y 2024, Estados Unidos acumuló 598.361 millones de dólares; China, 276.380 millones; el Reino Unido, 39.183 millones; e Israel, 13.000 millones. Iberoamérica no aparece en las tablas.
La adopción de IA por estos lares es alta en términos de uso de herramientas accesibles —ChatGPT, Gemini, Copilot—, pero esta adopción es superficial y dependiente. Los iberoamericanos son usuarios, no productores. Utilizan modelos entrenados en California o Hangzhou, sobre datos predominantemente anglosajones o chinos, con valores culturales y sesgos ideológicos ajenos a su realidad. De modo que la brecha institucional se amplía más rápido incluso que la tecnológica.
El anuncio del Proyecto Stargate en la Patagonia argentina —25.000 millones de dólares, 500 MW— podría parecer una oportunidad de desarrollo. Pero desde la perspectiva del Homo Institutionalis, es precisamente lo contrario: es una operación de desinstitucionalización extractivista. Colonización.
Argentina no recibirá la tecnología de frontera. No formará ingenieros en diseño de chips. Ni desarrollará modelos de IA propios. Apenas proporcionará energía barata y territorio deshabitado para que OpenAI, Oracle y SoftBank entrenen modelos que luego comercializarán en el mercado global. Es el modelo de la encomienda minera del siglo XXI: la metrópoli extrae recursos de la periferia, los transforma en valor añadido, y vende el producto terminado de vuelta a la periferia.
La diferencia con el colonialismo clásico es que, en este caso, la colonia ni siquiera recibe empleo de calidad. Los centros de datos son altamente automatizados. Requieren pocos trabajadores locales, y estos son, en su mayoría, técnicos de mantenimiento, no ingenieros de IA. El valor se genera en los modelos entrenados, no en la electricidad consumida. Y ese valor se acumula en Delaware, en Tokio, en el Nasdaq.
Pero el peligro más grave para Iberoamérica no es la extracción energética; es, reiteramos, la desinstitucionalización cultural y cognitiva. Cuando la gente de por aquí adopta masivamente modelos de IA entrenados en otras latitudes, adopta una institución técnica extranjera que configura su manera de pensar, de escribir, de juzgar, de recordar.
Un modelo de IA entrenado predominantemente en inglés, sobre textos de la cultura anglosajona, con los valores de Silicon Valley incrustados en sus parámetros, no es una herramienta neutra. Es una máquina de producción de subjetividad. Cuando un estudiante mexicano le pide a ChatGPT que redacte su ensayo, no usa una herramienta, sino que delega su pensamiento a una institución técnica que no comprende su contexto, no valora su tradición, no respeta su lengua en toda su complejidad. Cuando un juez colombiano consulta a un asistente de IA para redactar una sentencia, permite que un algoritmo formado en otra jurisdicción influya en la administración de justicia local.
La escuela, la universidad, el tribunal, el periódico, la familia: todas estas instituciones tradicionales son erosionadas por la plataforma algorítmica, que ofrece una respuesta inmediata, barata y aparentemente «objetiva» a problemas que requieren discernimiento contextual.
Lo que se pone en juego es la capacidad de una comunidad para constituirse a sí misma como persona colectiva, para formar sus propias instituciones de conocimiento, para pensar con sus propias categorías. Iberoamérica, que nunca logró plena soberanía política ni económica tras la colonización que siguió al virreinato, ahora enfrenta la pérdida de su soberanía cognitiva.
Si la IA de frontera se desarrolla solo en Estados Unidos y China, si los chips se fabrican solo en Taiwán, Corea del Sur y Arizona, si la energía para entrenar modelos se extrae de la Patagonia y el Sahara, entonces el resto del mundo —incluida Iberoamérica— se convierte en una periferia desinstitucionalizada: un espacio habitado por individuos que consumen tecnología ajena, piensan con categorías ajenas, juzgan con criterios ajenos, y que, en última instancia, dejan de ser personas en sentido pleno para convertirse en nodos de consumo algorítmico.
[El horizonte]
Los semiconductores, la energía, los billones de dólares, los modelos de frontera: todo ello son manifestaciones de una lucha más profunda por determinar qué tipo de Homo Institutionalis prevalecerá en el siglo XXI.
Estados Unidos busca imponer una institución técnica liberal, corporativa, centrada en la propiedad intelectual y el monopolio de la frontera algorítmica. China busca imponer una institución técnica estatal, autárquica, centrada en la soberanía tecnológica y el control ideológico. Europa intenta, con timidez y retraso, regular lo que no produce. E Iberoamérica… Iberoamérica, en su inmensa mayoría, ni siquiera ha comprendido que hay una guerra en curso.
¿A dónde apuntar?
Soberanía educativa. Hacer de la carrera de IA, no una escuela de programación, sino de discernimiento técnico. Soberanía energética. Los centros de datos deben ser infraestructura nacional, no colonias extractivistas. Soberanía lingüística y cultural: Desarrollar modelos de IA entrenados en español, portugués, y algunas principales lenguas locales como quechua, aymar, nawatl. Soberanía institucional: proteger la institución humana contra la desinstitucionalización algorítmica.
La IA no es el fin de la historia ni la solución a todos los problemas. Es, como toda técnica, un instrumento de poder que amplifica las estructuras que ya existen. Si esas estructuras son justas, la IA puede servir al bien común. Si son injustas, la IA las hará invencibles.
Para Iberoamérica, la elección es clara: o se constituye como sujeto de la revolución tecnológica —invirtiendo en educación, en infraestructura, en investigación, en soberanía—, o se resigna a ser objeto de ella: una periferia desinstitucionalizada que consume modelos ajenos, paga por APIs extranjeras, entrega sus recursos energéticos, y ve cómo sus hijos piensan con las categorías de Silicon Valley y Pekín.
Referencias bibliográficas:
Brookings Institution. (2026, 10 de abril). Global energy demands within the AI regulatory landscape. https://www.brookings.edu/articles/global-energy-demands-within-the-ai-regulatory-landscape/
ClickVision. (2026, 22 de mayo). DeepSeek statistics: Users, revenue & benchmarks for 2026. https://click-vision.com/deepseek-ai-statistics
Congressional Research Service. (2026, 12 de mayo). Data centers and their energy consumption (R48646). https://www.congress.gov/crs-product/R48646
Enki AI. (2026, 28 de abril). SMIC AI chip strategy 2026: Inside China’s 5nm power play. https://enkiai.com/ai-market-intelligence/smic-ai-chip-strategy-2026-inside-chinas-5nm-power-play/
Enki AI. (2026, 28 de abril). AI power consumption: Uncover the 2026 grid strain. https://enkiai.com/ai-market-intelligence/ai-power-consumption-uncover-the-2026-grid-strain/
Federal Reserve. (2025, 26 de marzo). The state of AI competition in advanced economies (FEDS Notes). https://www.federalreserve.gov/econres/notes/feds-notes/the-state-of-ai-competition-in-advanced-economies-20251006.html
Future Bridge. (2026, 9 de enero). Trump’s US power play: Stargate Project’s $500B AI revolution. https://future-bridge.us/trump-us-power-play-stargate-project-500b-ai-revolution/
Gartner. (2026, 10 de junio). Gartner says data center electricity consumption to grow 26% in 2026 (Comunicado de prensa). https://www.gartner.com/en/newsroom/press-releases/2026-06-10-gartner-says-data-center-electricity-demand-to-grow-26-percent-in-2026
GPUnex. (2026, 13 de febrero). How much does it cost to train an AI model in 2026? https://www.gpunex.com/blog/ai-training-costs-2026/
House Select Committee on the Chinese Communist Party. (2026, 28 de enero). Letter to DOC: NVIDIA DeepSeek PLA use. https://chinaselectcommittee.house.gov/sites/evo-subsites/selectcommitteeontheccp.house.gov/files/evo-media-document/letter-to-doc-nvidia-deepseek-pla-use_final.pdf
International Energy Agency. (2026, 10 de julio). Energy demand from AI. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
Latam Intersect PR. (2026, 28 de enero). Latin America AI adoption: 2025 reality, 2026 outlook. https://latamintersectpr.com/latin-americas-ai-curious-majority-what-2025-revealed-and-what-2026-will-test/
Maksakova, A. (2025). Semiconductors are a new weapon of geopolitics [Tesis de máster]. Universidad CEU San Pablo. https://www.etd.ceu.edu/2025/maksakova_anastasia.pdf
MetaCircuits. (2026, 30 de marzo). Your AI strategy is outdated. Here’s what changed in 2026. https://metacircuits.substack.com/p/your-ai-strategy-is-outdated-heres
Mintz. (2025, 24 de abril). House Select Committee publishes report on DeepSeek, as Commerce imposes new AI chip export restrictions. https://www.mintz.com/insights-center/viewpoints/54731/2025-04-24-house-select-committee-publishes-report-deepseek
OECD. (2026, 17 de febrero). Venture capital investments in artificial intelligence through 2025. https://www.oecd.org/content/dam/oecd/en/publications/reports/2026/02/venture-capital-investments-in-artificial-intelligence-through-2025_3bcb227f/a13752f5-en.pdf
OpenAI. (2025, 21 de enero). Announcing the Stargate Project. https://openai.com/index/announcing-the-stargate-project/
Our World in Data. (2026, 20 de julio). How much energy do data centers and artificial intelligence use? https://ourworldindata.org/how-much-energy-do-data-centers-and-artificial-intelligence-use
RAND Corporation. (2025, 26 de junio). Full stack: China’s evolving industrial policy for AI (PEA4012-1). https://www.rand.org/pubs/perspectives/PEA4012-1.html
Semiconductor Industry Association. (2026, 27 de julio). America’s chip resurgence: Over $920 billion in semiconductor supply chain investments. https://www.semiconductors.org/chip-supply-chain-investments/
Semiconductor X. (2026). Huawei / HiSilicon supply chain spotlight. https://semiconductorx.com/spotlight-huawei-hisilicon.html
Stanford University. (2026). The 2026 AI Index Report. Stanford HAI. https://hai.stanford.edu/ai-index/2026-ai-index-report
Statista. (2026, 15 de abril). Private investment in AI by country 2025. https://www.statista.com/statistics/1472716/global-private-investment-in-ai-by-region/
Vention. (2025, 5 de septiembre). State of AI 2026: AI market size, investment, and industry data. https://ventionteams.com/solutions/ai/report
Vyrian. (2025, 18 de julio). How the CHIPS Act 2025 impacts U.S. semiconductor distributors. https://www.vyrian.com/blog/chips-act-2025-semiconductor-distributors-usa/
Wikipedia. (2025, 21 de enero). Stargate LLC. https://en.wikipedia.org/wiki/Stargate_LLC
Yahoo Finance. (2026, 25 de enero). Nvidia’s 85% GPU market share faces growing competition. https://finance.yahoo.com/news/nvidias-85-gpu-market-share-210500376.html
(ENGLISH VERSION)
The War of the Intelligences: Semiconductors, Energy, and the Ontological Fracture of the Homo Institutionalis in the Age of Geopolitical AI
[The New Promethean Fire]
Twenty-five centuries ago, Aeschylus bequeathed us the tragedy of Prometheus. The metaphor retains its validity, although the medium was, at first, unimaginable. The fire that powers dispute today is not even that which runs through copper cables, but something more volatile and, seemingly, more ethereal: the capacity to process information on a massive scale, to simulate intelligence and automate judgment. What media rhetoric calls, with an ellipsis that is already suspect in itself, «artificial intelligence.»
This is more than a harmless fact. The word intelligence comes from the Latin intelligentia, composed of inter («between,» «in the midst of») and legere («to choose,» «to discern,» «to read»). To understand is, at its root, to read between the lines, to discern amidst multiplicity. Thus, intelligence far surpasses the capacity for calculation; it is the faculty of judgment. And the word artificial, from the Latin artificialis, refers to ars, artis («art» as in «technique,» «skill»), that is, to what is constructed by man, to what does not spring from nature but from human operation. «Artificial intelligence» therefore designates a constructed technique for simulating discernment. It is not, strictly speaking, intelligence; it is the mimesis of intelligence, the shadow of intelligence projected onto a silicon screen.
But this shadow has acquired such geopolitical weight that it now determines the destiny of nations. The so-called «war of the AIs» constitutes far more than a commercial phenomenon equivalent to the clash between Ford and General Motors in the 20th century. What is being decided here is which technical operations will configure the social, political, and military reality of the coming decades. Its outcome, therefore, will not be merely economic or technological. It will determine what kind of Homo Institutionalis will inhabit the Earth in 2050.
To better understand the situation, we must map it from chip manufacturing to energy consumption, from the astronomical costs of training models to China’s position, from NVIDIA’s monopoly to the marginalization of Ibero-America.
[Technique as Institutional Operation]
To avoid getting lost in the techno-futurist rhetoric that floods the media, it is worth pausing on the meaning of the terms. The word technique comes from the Greek téchnē (τέχνη), which designated know-how, productive art, the capacity to transform matter according to an end. For the Greeks, téchnē was distinguished from epistémē (theoretical knowledge) and phrónesis (practical prudence). Technique was knowledge oriented towards production, not towards truth or moral action. But Aristotle already warned in Politics (1253b) that technique, divorced from phrónesis, could become an instrument of domination.
In the Scholastic tradition, technique was assimilated to the concept of ars, and a careful distinction was made between ars mechanica (mechanical, productive art) and ars liberalis (liberal art, oriented towards knowledge). Not every human operation configures the person in the same way. The liberal art forms, so to speak, the inner man, while mechanical art, if not subordinated to a higher purpose, can deform him.
Modern technology — and AI is its culmination — has dissolved this distinction. Not because it has overcome the dichotomy, but because it has subordinated both spheres to a single logic: that of maximized efficiency, quantifiable performance, prediction as a substitute for judgment. AI is the technique that aims to abolish the distance between operation and operator, between machine and man; hence its institutional danger.
In the thesis of the Homo Institutionalis, an institution is an operation that configures reality. The family institutes the child as son or daughter; the school, as student; the Church, as believer; the State, as citizen. Each institution is an operatio that produces a type of person.
Technology, when it reaches a certain social density, becomes an institution. The printing press instituted the reader; mass schooling, the literate citizen; television, the passive spectator. AI now institutes a new type of person: the assisted user, the individual who delegates to an algorithm functions that once belonged to reason, memory, judgment, creativity. It is not that AI «destroys» the person; it is that it reconfigures them, transforming them into something that is no longer Homo Institutionalis in the full sense, but perhaps something like Homo Algorithmicus: a being whose cognitive operations are externalized in an infrastructure that they do not control, do not understand, and, in many cases, do not even perceive.
This reconfiguration is designed from on high, as Juan Manuel de Prada would say. Not by a council of evil sages, but by the very logic of platform capitalism and the surveillance state. AI is, in its institutional dimension, an operation of covert deinstitutionalization: it destroys the traditional institutions that formed man (the school, the family, the Church, the homeland) and replaces them with a single, opaque, and asymmetric global institution: the algorithmic platform.
[The War of the AIs as a War of Institutions]
The United States, China, the European Union, Russia, Israel, Saudi Arabia compete to impose an institutional architecture that determines how knowledge is produced, how decisions are made, how violence is organized, how health is administered, how future generations are educated.
Like any war of institutions, this one has levels. It is not fought only on the digital battlefield, but in semiconductor manufacturing, in the provision of electrical energy, in capital accumulation, in the capture of talent, in the definition of technical standards, in the colonization of language. Ignoring these levels — reducing the war of AIs to a «technological race» — is a form of blindness that AI itself, paradoxically, fosters: the more we become accustomed to algorithmic simplification, the less capable we are of seeing structural complexity.
[The Hardware Level]
The semiconductor is, in appearance, a piece of silicon doped with impurities that allow it to control the flow of electrons. But in the political economy of the 21st century, the semiconductor is the physical substrate of all advanced institutional operations. Without semiconductors there is no AI; without AI there is no digital economy; without a digital economy there is no modern state. He who controls semiconductors, therefore, controls the infrastructure of the contemporary world.
The word chip comes from the English chip, which designates a splinter, a small piece. The etymological irony is perfect: a piece of silicon the size of a fingernail, containing billions of transistors, determines the destiny of empires. The manufacturing of advanced chips — the so-called leading-edge, with 3, 2, or 1 nanometer processes — is the most complex industrial activity ever developed by man. It requires extreme ultraviolet (EUV) lithography, equipment costing over 200 million dollars each, clean rooms a thousand times more sterile than an operating room, and a global supply chain spanning from Rwanda’s tungsten mines to Japan’s solvent factories.
In this scenario, one name dominates the battlefield: NVIDIA. The company founded by Jensen Huang in 1993, originally dedicated to graphics cards for video games, has achieved a quasi-absolute monopoly position in the GPU (graphics processing unit) market for AI. In January 2026, NVIDIA controlled approximately 85% of the AI GPU market, with a market value exceeding 4.45 trillion dollars.
Whoever controls the GPU largely controls which models can be trained, which architectures can be tested, which applications can be deployed. And NVIDIA has built around its hardware a software ecosystem — CUDA, its parallel computing platform — that constitutes a nearly impregnable defensive wall. AI researchers worldwide have invested fifteen years in optimizing their algorithms for CUDA. Switching platforms is not just costly; it is, in many cases, technically unfeasible in the short term.
Aware that technological hegemony rests on control of semiconductors, the United States approved the CHIPS and Science Act in August 2022, a law allocating $52.7 billion in federal subsidies to reshore chip manufacturing on U.S. soil. As of July 2026, the Department of Commerce had announced $33.078 billion in grants and up to $7.150 billion in loans for 35 companies across 52 projects, while semiconductor ecosystem companies had announced private investments exceeding $920.8 billion in over 160 projects spread across 30 states.
The most significant projects include:
– TSMC in Arizona: $65 billion for three new fabrication plants (fabs), producing 4 nm, 3 nm, and 2 nm nodes, with $6.6 billion in grants and $5 billion in loans.
– Intel in Arizona: $32 billion for two new leading-edge fabs and modernization of an existing one, with $3.94 billion in grants.
– Micron in New York and Boise: $125 billion for four next-generation DRAM fabs, with $6.1 billion in grants.
These figures represent a complete geopolitical reconfiguration of the technological map. The United States, which in 1990 produced 37% of the world’s semiconductors and today produces barely 12%, is spending nearly one trillion dollars — public and private — to regain the capacity to manufacture the most advanced chips on its own territory. Not for economic reasons, but for reasons of national security and institutional survival.
[What About China]
The real target of the CHIPS Act is not just to reindustrialize the United States; it is to contain China. Since 2018, successive U.S. administrations have been strangling Beijing’s access to the most advanced semiconductor technology. In April 2025, Donald Trump’s government banned the sale to China of even the H20, the downgraded chip that NVIDIA had designed specifically to circumvent previous restrictions. In January 2026, the Department of Commerce issued the H200 rule, which established even stricter national security barriers on the sale of chips to the People’s Republic of China.
By depriving China of the most advanced chips, the United States seeks to prevent Beijing from training frontier AI models, i.e., the most powerful and capable systems. The logic is simple: without state-of-the-art GPUs, there is no state-of-the-art AI; without state-of-the-art AI, there is no military, economic, or symbolic supremacy.
China, for its part, has responded with a strategy of forced autonomy. Through SMIC (Semiconductor Manufacturing International Corporation), its largest domestic foundry, and Huawei through its subsidiary HiSilicon, Beijing is attempting to build a domestic supply chain completely independent of Western technology. Huawei’s Ascend 910C chip, manufactured by SMIC on an equivalent 7 nm process using DUV (deep ultraviolet) lithography — without access to ASML’s EUV — achieves approximately 60% of the inference performance of an NVIDIA H100. SMIC has managed to produce 7 nm nodes and even experiment with 5 nm.
But the most critical bottleneck for China is not lithography; it is HBM (High Bandwidth Memory). Each Ascend chip requires HBM stacks to function, and China could not manufacture them at scale. SMIC has the capacity to produce over one million Ascend chips per year, but without HBM it could only assemble between 250,000 and 300,000 units annually using domestic production from CXMT (ChangXin Memory Technologies). China had accumulated some 13 million HBM stacks — mainly from Samsung — before export controls were tightened, but that reserve was running out.
But between July 28 and 29, 2026, the world’s capital markets experienced a jolt whose magnitude can only be understood in light of the thesis we have been developing. The news, leaked by The Information and corroborated by industry sources, was terse but devastating: Shanghai Yuliangsheng Technology has begun mass production of immersion deep ultraviolet lithography machines, and the first units will be delivered in 2026 to SMIC, Hua Hong Semiconductor, and ChangXin Memory Technologies.
The impact on the markets was immediate and brutal. South Korea’s Kospi index suffered a collapse of nearly 11% during the night of July 28, forcing a temporary suspension of trading. Shares of ASML, the Dutch company that until now held a quasi-absolute monopoly in this technology, plummeted over 8%.
To understand the significance of this announcement, it is worth pausing on what immersion DUV lithography is. In the semiconductor context, lithography is the process by which a circuit design is transferred to a silicon wafer using light. It is not a metaphor; it is, properly speaking, writing with light on stone — crystalline silicon — and the precision of that writing determines the density, speed, and efficiency of everything we build upon it. Deep Ultraviolet (DUV) lithography uses light with wavelengths of 193 nanometers. In its immersion mode, the space between the final lens and the silicon wafer is filled with pure water, which effectively reduces the wavelength and, with it, allows printing smaller features. An immersion DUV machine can, in a single exposure, print features of the 28 nm class.
DUV lithography is the instrument that allows China to continue producing 7 nm chips — and, with incremental improvements, potentially 5 nm — without relying on ASML. It is the bridge that allows SMIC to keep manufacturing the Ascend 910C, the Kirin, and future Huawei and Alibaba chips, albeit with poor yields and high costs. It is, in short, the condition of possibility for the forced autonomy China has been building since 2018.
Until July 28, 2026, the power map of semiconductor lithography could be described with a single word: ASML. The Dutch company, with a market value that made it the most valuable company in Europe, dominated not only EUV — where it is an absolute monopolist — but also immersion DUV, where it shared the market with Japan’s Nikon. 20% of ASML’s net sales in 2026 came from China, a figure already down from 33% in 2025. But that 20% represented billions of dollars annually, and, more importantly, it represented technological influence: ASML not only sold machines to China; it defined the limits of what China could manufacture.
The announcement by Yuliangsheng alters this equation irreversibly. It is not that China will replace ASML in the global market; Chinese machines, at least in this generation, will likely be less efficient, less precise, and more prone to failure than the Dutch ones. But China does not need to compete with ASML in the global market. It needs to free itself from ASML in its own market. And that, now, it can do. ASML’s monopoly ceases to be a global monopoly and becomes a regional monopoly: it continues to dominate North America, Europe, South Korea, Taiwan, and Japan, but it loses its veto power over China.
This has devastating economic implications for the European semiconductor ecosystem. ASML is not an isolated company; it is the center of a network of suppliers — Zeiss, ASMI, BE Semiconductor, and dozens of other companies — whose value depends on the continuity of the monopoly. If China stops buying DUV machines from ASML, and if other countries — Russia, Iran, North Korea, but also Global South nations — start buying Chinese machines as a sanctions-proof alternative, ASML’s business model suffers structural erosion. Not overnight, but certainly over the horizon of a decade.
[The Energy Level]
If semiconductors are the brain of AI, electricity is its blood. And this flows through arteries of unprecedented magnitude in industrial history. According to the International Energy Agency (IEA), data centers consumed approximately 415 TWh (terawatt-hours) of electricity in 2024, about 1.5% of global electricity consumption. Gartner projects that in 2026, global data center consumption will reach 565 TWh, a 26% growth compared to 2025. The Brookings Institution, for its part, notes that by some estimates, consumption could approach 1,050 TWh in 2026, which would make data centers the world’s fifth-largest energy consumer, above Japan and below Russia.
But these figures are just the beginning. The IEA projects that, in its base scenario, data center electricity consumption will double to reach 945 TWh in 2030, representing nearly 3% of global electricity consumption. Goldman Sachs Research forecasts a 160-165% increase in power demand by 2030 compared to 2023. McKinsey estimates that approximately $7 trillion in global investment for data center infrastructure will be required by 2030.
Energy demand grows unevenly. Servers optimized for AI — equipped with GPUs like NVIDIA’s — consume between 2 and 4 times more watts than conventional servers. A single rack of AI servers can demand between 30 and 110 kW, compared to 5-15 kW for a traditional rack. The largest data centers are already being designed for 100-300 MW or even 1 gigawatt of capacity.
The energy cost of training a frontier AI model is astronomical. According to Epoch AI, training Grok 4 consumed around 0.31 TWh of electricity. A December 2024 study noted that training a large model using eight advanced GPUs for eight hours consumed an average power of 7.92 kW, with a total consumption of 62 kWh. Another report from April 2025 estimated that training one specific large model required a total power of 25.3 MW, and that the power needed to train these models could double annually.
A single query to ChatGPT consumes approximately 0.3-0.34 Wh of electricity, compared to just 0.0003 Wh for a Google search: a thousand times more. If Google’s 9 billion daily searches were performed with generative AI, nearly 10 TWh per year would be required additionally.
These numbers are proof that frontier AI is, by its nature, an energy-elite technology. Only those nations or corporations that can secure massive, stable, and cheap electricity supplies can compete in the race for large models.
The United States, aware that energy availability is the new bottleneck for AI, has launched Project Stargate: a joint venture between OpenAI, SoftBank, Oracle, and MGX, announced by Donald Trump on January 21, 2025, planning to invest up to $500 billion in AI infrastructure in the United States by 2029, starting with $100 billion immediately. The project, compared to the Manhattan Project, envisions the construction of massive data centers in Texas, New Mexico, Ohio, and other states, with a planned capacity of 7 gigawatts and over $400 billion in investment over the next three years alone.
But this project faces a fundamental problem: the U.S. electrical grid cannot absorb this demand. Interconnection queues in some regions exceed five years. That is why Stargate is expanding internationally: to Norway, the United Kingdom, the United Arab Emirates, Japan, and — significantly — to Argentine Patagonia, where in October 2025 a data center of up to 500 MW and an estimated investment of $25 billion was announced, the largest in Spanish America.
The choice of Patagonia is not accidental. The region offers cheap and abundant hydroelectric power and a cold climate that reduces cooling costs. But it also reveals the extractivist logic of geopolitical AI: the powers do not seek to develop Ibero-America; they seek to extract its energy resources to feed their own AI models. Argentine Patagonia becomes, in this scenario, a 21st-century energy deposit, comparable to 20th-century oil wells, but with the difference that oil fueled local industries, while the energy from data centers will feed AI models whose benefits will be concentrated in Silicon Valley.
[The Economic Level]
Global private investment in AI reached $581 billion in 2025, surpassing the previous record of $360 billion in 2021. North America captured 87% of all capital invested in AI.
But what truly matters is not total investment, but the cost of training frontier models. The evolution is dizzying:
– GPT-3 (2020): ~$4.6 million
– GPT-4 (2023): ~$79 million
– Gemini Ultra (2024): ~$191 million
– GPT-5 (2026 est.): over $500 million
– Next generation (2027 est.): over $1 billion per training
Dario Amodei, CEO of Anthropic, projects that frontier model trainings will cost $10 billion by the end of 2026. We are facing a race for capital in which only a handful of organizations on the planet can write those checks.
[Access to the Models]
Here we reach the core of the issue. The dominant rhetoric — especially in the West — presents AI as a «democratizing» technology, accessible through cheap APIs and open-source models. But this narrative is, at best, a half-truth; at worst, a monstrous lie.
It is true that there are open models like Llama (Meta), Mistral, or DeepSeek, and that fine-tuning a small model can cost between $50 and $500. But these models are not the frontier. They are, at best, degraded replicas of the systems that truly matter. The frontier is occupied by models like GPT-5, Gemini 3.1 Pro, Claude Opus 4.6: systems with hundreds of billions or trillions of parameters, trained for months on tens of thousands of GPUs, at a cost that only OpenAI, Google, Anthropic, Microsoft, and perhaps xAI and Meta can afford.
The gap is exponential. A frontier model is not simply «better» than an open one; it is in a completely different category. It can reason about complex scientific problems, write operating system code, design pharmaceutical molecules, generate military strategies. An open 7-billion-parameter model can answer trivia questions; it cannot design a new antibiotic or predict the three-dimensional structure of a protein with surgical precision.
This distinction is crucial. AI is not a uniform tool; it is a hierarchy of capabilities that reproduces, on the technical level, the hierarchy of power in the real world. Those who possess the frontier models possess an overwhelming institutional advantage: they can automate scientific research, optimize military logistics, personalize propaganda on an individual scale, predict social behaviors. Those who only have access to open models or second-tier APIs can automate administrative tasks, but cannot compete in the domains that truly determine the destiny of nations.
The United States invested $285.9 billion in private AI in 2025; China, $12.4 billion. U.S. private AI investment was 23 times greater than China’s. In venture capital for AI startups, the United States accumulated $598.361 billion between 2012 and 2024, compared to China’s $276.380 billion.
However, the events of July 28, 2026, transformed this map: we are now witnessing not just an isolated technological advance on the Asian side, but the consolidation of an institutional bipolarity. The world of advanced technology is dividing into two incompatible blocs: one Western, centered on the United States, with ASML, NVIDIA, TSMC, Intel, and Samsung as pillars; and another Chinese, centered on Beijing, with SMIC, Huawei, Yuliangsheng, CXMT, and Hua Hong as columns. Between them, a gray zone of nations that cannot access the frontier of either bloc: Europe, which produces regulations, but not chips; and Ibero-America, which does not even produce regulations.
This bipolarity is not symmetrical. The Western bloc remains technologically superior: it has EUV, it has CUDA, it has the most advanced AI models, it has venture capital. But the Chinese bloc has just demonstrated something Washington considered impossible: that the sanction, however severe, can be neutralized through parallel institutional construction.
The key word is sufficient. The thesis of the Homo Institutionalis teaches us that an institution does not need to be perfect to be operational; it needs to be operational. A Chinese DUV machine with 70% of ASML’s efficiency, but produced on national territory and free from foreign restrictions, is more valuable to Beijing than a perfect ASML to which maintenance can be cut off tomorrow. China has opted for operational sovereignty over dependent excellence. And in a war of institutions, operational sovereignty is what prevails in the long run.
The supposed democratization of AI is therefore a fallacy. What is being democratized is access to consumer applications: chatbots, image generators, writing assistants. Power remains concentrated in a few Silicon Valley corporations, backed by the U.S. state, and in a growing number of Chinese actors, backed by their government. The rest of the world — including Europe, and much more so Ibero-America — is merely a consuming spectator of a technology it does not produce, does not control, and barely understands.
[Facing the Technological Siege]
In January 2025, the launch of DeepSeek-R1 by a Chinese startup from Hangzhou shook the foundations of the Western technological consensus. DeepSeek-V3 had been trained for approximately $5.5 million — nearly 1/18th of the estimated cost of GPT-4 — and DeepSeek-R1 achieved performances comparable to OpenAI’s O1 in mathematics, programming, and scientific reasoning. The launch erased $600 billion from NVIDIA’s market value in a single day.
The narrative that emerged was tempting: China had demonstrated that algorithmic efficiency could compensate for hardware inferiority. But this narrative is, like so many others in technology, a dangerous simplification. DeepSeek trained its models using NVIDIA H800s, degraded chips that had been exported to China before the strictest restrictions. That is, DeepSeek did not overcome the hardware barrier; it exploited it to the maximum using Western hardware no longer available for future Chinese projects.
Moreover, the $5.5 million cost is misleading. It includes only the compute cost of the final training, not the research, development, engineering, infrastructure, team salaries, or previous failed experiments. As technical analysts point out, the real cost of training models like GPT-4o or Claude 3.5 Sonnet is in the range of $10-30 million, not hundreds of millions. The difference between DeepSeek and Western labs is less about efficiency than about accounting transparency.
China is not deluded by cheap efficiency. Its strategy is total autonomy. In September 2025, Beijing issued a directive ordering government agencies and state-owned enterprises to stop buying NVIDIA GPUs and accelerate the adoption of Huawei’s Ascend. NVIDIA’s market share in China fell from 66% to less than 60%, and with the domestic Chinese ecosystem now operational, the drop to single digits is not a projection: it is a logical consequence of the strategy Beijing has stopped hiding.
[Ibero-America]
To the war of institutions, Ibero-America arrives on the battlefield unarmed. There is not a single advanced-process semiconductor foundry on the entire continent. Not a single company capable of designing a competitive GPU. Not a single university that ranks in the world’s top 20 for AI research. Not a single government that has committed over $1 billion in public AI investment. In accumulated venture capital investment in AI between 2012 and 2024, the United States accumulated $598.361 billion; China, $276.380 billion; the United Kingdom, $39.183 billion; and Israel, $13 billion. Ibero-America does not appear on the tables.
AI adoption in the region is high in terms of using accessible tools — ChatGPT, Gemini, Copilot — but this adoption is superficial and dependent. Ibero-Americans are users, not producers. They use models trained in California or Hangzhou, on predominantly Anglo-Saxon or Chinese data, with cultural values and ideological biases alien to their reality. Thus, the institutional gap widens even faster than the technological one.
The announcement of Project Stargate in Argentine Patagonia — $25 billion, 500 MW — might seem like a development opportunity. But from the perspective of the Homo Institutionalis, it is precisely the opposite: it is an extractivist deinstitutionalization operation. Colonization.
Argentina will not receive frontier technology. It will not train chip design engineers. Nor will it develop its own AI models. It will barely provide cheap energy and uninhabited territory for OpenAI, Oracle, and SoftBank to train models that they will then commercialize on the global market. It is the model of the 21st-century mining encomienda: the metropolis extracts resources from the periphery, transforms them into added value, and sells the finished product back to the periphery.
The difference from classical colonialism is that, in this case, the colony does not even receive quality employment. Data centers are highly automated. They require few local workers, and these are, for the most part, maintenance technicians, not AI engineers. Value is generated in the trained models, not in the electricity consumed. And that value accumulates in Delaware, in Tokyo, on the Nasdaq.
But the most serious danger for Ibero-America is not energy extraction; it is cultural and cognitive deinstitutionalization. When people here massively adopt AI models trained in other latitudes, they adopt a foreign technical institution that configures their way of thinking, writing, judging, and remembering.
An AI model trained predominantly in English, on texts from the Anglo-Saxon culture, with Silicon Valley values embedded in its parameters, is not a neutral tool. It is a machine for producing subjectivity. When a Mexican student asks ChatGPT to write his essay, he is not using a tool, but delegating his thought to a technical institution that does not understand his context, does not value his tradition, does not respect his language in all its complexity. When a Colombian judge consults an AI assistant to draft a ruling, he allows an algorithm trained in another jurisdiction to influence the administration of local justice.
The school, the university, the court, the newspaper, the family: all these traditional institutions are eroded by the algorithmic platform, which offers an immediate, cheap, and apparently «objective» response to problems that require contextual discernment.
What is at stake is a community’s capacity to constitute itself as a collective person, to form its own institutions of knowledge, to think with its own categories. Ibero-America, which never achieved full political or economic sovereignty after the colonization that followed the viceroyalty, now faces the loss of its cognitive sovereignty.
If frontier AI is developed only in the United States and China, if chips are manufactured only in Taiwan, South Korea, and Arizona, if the energy to train models is extracted from Patagonia and the Sahara, then the rest of the world — including Ibero-America — becomes a deinstitutionalized periphery: a space inhabited by individuals who consume foreign technology, think with foreign categories, judge with foreign criteria, and who, ultimately, cease to be persons in the full sense and become nodes of algorithmic consumption.
[The Horizon]
Semiconductors, energy, trillions of dollars, frontier models: all these are manifestations of a deeper struggle to determine what kind of Homo Institutionalis will prevail in the 21st century.
The United States seeks to impose a liberal, corporate technical institution, centered on intellectual property and the monopoly of the algorithmic frontier. China seeks to impose a state technical institution, autarkic, centered on technological sovereignty and ideological control. Europe attempts, with timidity and delay, to regulate what it does not produce. And Ibero-America, in its vast majority, has still not understood that there is a war underway.
Where to aim?
Educational sovereignty: convert education around AI, not into a programming school, but into a discipline of technical discernment; instruct in the logic of institutions, in the functioning of power systems, in the difference between tool and cognitive prosthesis. Energy sovereignty: data centers built in Ibero-American territory must be conceived as national strategic infrastructure, not as extractivist colonies serving foreign interests. Linguistic and cultural sovereignty: develop AI models trained in Spanish, Portuguese, and the main indigenous languages — Quechua, Aymara, Nahuatl — on corpora that reflect the values, history, and forms of knowledge proper to these civilizations. Institutional sovereignty: protect and strengthen human institutions — the school, the university, the court, the family, the press — against their progressive substitution by the algorithmic platform.
AI is not the end of history nor the solution to all problems. It is, like all techniques, an instrument of power that amplifies the structures that already exist. If those structures are just, AI can serve the common good. If they are unjust, AI will make them invincible.
For Ibero-America, the choice is clear: either it constitutes itself as a subject of the technological revolution — investing in education, infrastructure, research, sovereignty — or it resigns itself to being an object of it: a deinstitutionalized periphery that consumes foreign models, pays for foreign APIs, delivers its energy resources, and watches its children think with the categories of Silicon Valley and Beijing.