Carrera tecnológica entre países y costo de la restricción unilateral

Qué es

Una carrera tecnológica es una competencia en que el pago depende de la posición relativa, no del esfuerzo absoluto. La teoría formal nació en la literatura de carreras de patentes: Loury (1979) modeló la inversión en I+D como una apuesta simultánea en que cada firma elige cuánto gastar sabiendo que el premio se lo lleva quien llegue primero, y Fudenberg, Gilbert, Stiglitz y Tirole (1983) mostraron que el resultado depende críticamente de la distancia entre los competidores: cuando van parejos, ambos aceleran hasta disipar casi toda la renta; cuando uno queda muy atrás, deja de correr. El marco se traslada a países cambiando firmas por jurisdicciones, y la intuición sobrevive: lo que importa no es cuán rápido avanza uno, sino cuánto se acorta o alarga la brecha.

Sobre ese tablero se monta la pregunta por la restricción unilateral: ¿qué cuesta que un solo participante se frene? La respuesta formal viene de la economía de los bienes públicos globales. Si la seguridad de una tecnología beneficia a todos con independencia de quién la produzca, restringir es pagar un costo privado por un beneficio compartido —la estructura que Olson (1965) identificó como acción colectiva fallida—. Barrett (1994) lo llevó al plano internacional y encontró un resultado incómodo: los acuerdos que deben sostenerse solos son tanto más superficiales cuanto mayor es la ganancia de cooperar, porque esa misma ganancia agranda el incentivo a desertar.

El concepto operativo para medir el costo es la tasa de fuga: qué fracción de la actividad restringida en una jurisdicción reaparece en otra. La literatura de regulación ambiental unilateral la estimó durante décadas (Copeland y Taylor, 2004) y su hallazgo central es que la fuga está entre 0 y 1, casi nunca en los extremos. Eso importa porque el argumento «no sirve frenarse, el otro va a seguir» no es un teorema, es una afirmación empírica sobre esa tasa. Es correcto cuando el que se frena no es pivotal; deja de serlo cuando controla un cuello de botella —litografía avanzada, GPUs de frontera—, porque ahí la restricción sí muerde del otro lado.

La segunda pieza es la asimetría en el precio de los insumos. Los datos son un bien no rival: usarlos no los consume, de modo que el óptimo social es que se usen ampliamente (Romer, 1990; Jones y Tonetti, 2020). La propiedad intelectual y la privacidad son precisamente lo que le pone precio a algo que físicamente es gratis, y ese precio existe por la razón que Nordhaus (1969) formalizó para las patentes: sin apropiabilidad no hay incentivo a producir lo que después se copia. Una jurisdicción que fija ese precio cerca de cero abarata hoy el entrenamiento y se arriesga a que mañana se produzca menos de lo que está expropiando. El ahorro es real y el costo también, solo que ocurren en momentos distintos.

Queda un tercer costo, el menos visible: la carrera misma. Armstrong, Bostrom y Shulman (2016) modelaron el desarrollo de IA como una competencia en que cada participante puede cambiar seguridad por velocidad, y mostraron que el sacrificio de seguridad crece con la percepción de estar parejos —hasta el punto de que más información sobre la posición del rival puede empeorar el equilibrio—. Acemoglu y Lensman (2023) apuntan en la misma dirección desde otro ángulo: ante daños inciertos y potencialmente irreversibles, la adopción gradual domina a la adopción máxima, porque el tiempo compra información. O sea que ni frenarse solo es gratis ni correr sin mirar lo es.

Cómo lo explicó el programa

En el BTM del 14 de septiembre de 2026, a propósito del freno voluntario al desarrollo de modelos de IA por razones de seguridad, Manuel Bengolea fue directo: "lo cual yo creo que es un error, porque China no va a esperar y China va a seguir adelante".

El argumento que despliega tiene exactamente las tres piezas del marco anterior. Primero, una tasa de fuga que supone cercana a 1: si el otro competidor no se detiene, la restricción no reduce el riesgo agregado, solo reasigna quién lo produce. Segundo, la asimetría de insumos: China tendría acceso total a la información porque la administra el propio gobierno, mientras en Estados Unidos hay que pagar propiedad intelectual y buena parte de los datos está protegida —es, en el lenguaje de arriba, una diferencia en el precio efectivo de un insumo no rival—. Tercero, una verificación de mercado: ese mismo día caían NVIDIA, Micron y AMD más que los índices.

Vale la pena separar qué prueba cada pieza. La caída relativa de los semiconductores es evidencia sólida de que el mercado descontó una trayectoria más baja de gasto en cómputo: son los activos de mayor sensibilidad al ciclo de inversión en IA y por eso amplifican la noticia. Pero eso mide el costo privado del freno, no su beneficio social —que es justamente lo que un precio de acciones no puede observar—. Y la segunda pieza, la de los datos, corta en dos direcciones a la vez: abarata el entrenamiento hoy y erosiona el incentivo a generar contenido mañana.

Relación con otros conceptos

Este concepto se apoya en la brecha tecnológica entre países y en las ventajas del atraso: si la difusión es rápida, el liderazgo es temporal y el valor de ir primero es menor de lo que sugiere el encuadre de carrera. Su columna vertebral es la teoría de los bienes públicos globales y del free-riding, con la estructura de dilema del prisionero que hace que la restricción unilateral sea una estrategia dominada cuando el beneficio es compartido y el costo no. Del lado de los insumos conecta con la no rivalidad de las ideas y con el trade-off clásico de la propiedad intelectual entre incentivo ex ante y difusión ex post. Y del lado financiero, con la valoración de activos de larga duración, cuyo precio reacciona de manera amplificada a cambios en la trayectoria esperada de inversión.

Fuentes y lecturas

• Arrow, K. (1962), «Economic Welfare and the Allocation of Resources for Invention», en The Rate and Direction of Inventive Activity, NBER / Princeton University Press.
• Loury, G. (1979), «Market Structure and Innovation», Quarterly Journal of Economics, 93(3).
• Barrett, S. (1994), «Self-Enforcing International Environmental Agreements», Oxford Economic Papers, 46.
• Jones, C. y Tonetti, C. (2020), «Nonrivalry and the Economics of Data», American Economic Review, 110(9).
• Armstrong, S., Bostrom, N. y Shulman, C. (2016), «Racing to the Precipice: A Model of Artificial Intelligence Development», AI & Society, 31(2).