La década en que la IA dejó de ser solo software

Cada enero, MIT Technology Review publica su selección de las diez tecnologías que, a su juicio, marcarán el año. La edición de 2026, difundida el 12 de enero, organiza esas diez innovaciones en cuatro grandes áreas: cambio climático y energía, inteligencia artificial, biotecnología y espacio. La lista incluye las baterías de iones de sodio y la energía nuclear de nueva generación; los centros de datos de IA a hiperescala, la codificación generativa, la interpretabilidad mecanicista y los compañeros de IA; el bebé editado con bases, la resurrección génica y la puntuación de embriones; y las estaciones espaciales comerciales. Pero el dato más revelador no está en la enumeración, sino en el diagnóstico que la propia revista hace de ella: la inteligencia artificial funciona como un catalizador que atraviesa casi todas las demás tecnologías.

Esa condición de motor transversal se explica mejor con ejemplos concretos. La IA acelera la investigación en edición génica y ayuda a controlar el plasma en los experimentos de fusión; su enorme apetito energético empuja el desarrollo de las baterías de sodio y de los reactores nucleares compactos; y es, a la vez, la tecnología que hace posibles dos de las entradas de la lista por derecho propio, la codificación generativa y los compañeros de IA. Incluso en los terrenos donde su papel es menos visible —la interpretabilidad mecanicista, que busca abrir la caja negra de los grandes modelos de lenguaje, o la puntuación de embriones, que recurre a técnicas estadísticas sofisticadas para predecir rasgos— la IA aparece como sustrato metodológico. Entender el 2026 tecnológico exige, por tanto, seguir ese hilo.

La IA entra en la fase pragmática

El consenso del año es que la IA generativa ha dejado atrás el entusiasmo por el tamaño y ha entrado en una etapa de madurez pragmática. La carrera ya no se mide principalmente por la cantidad de parámetros, sino por la capacidad de resolver problemas complejos del mundo real. Un ejemplo ilustrativo: Google DeepMind presentó Gemini 4 Argon en octubre de 2026 sin destacar su escala, y en cambio enfatizó su desempeño en ingeniería de software, conocimiento empresarial y ciberdefensa. La lógica es que las capacidades base se acercan a una meseta y el valor diferencial reside ahora en la fiabilidad y la integración en flujos de trabajo. La competencia se traslada a tres frentes —multimodalidad, agentes autónomos y contextos largos—, mientras los datos del AI Index 2026 de Stanford dibujan un panorama desigual; la adopción empresarial alcanza el 88%, pero los incidentes de seguridad relacionados con la IA crecieron un 55%, de 233 a 362 casos, y la tasa de alucinación de los principales modelos sigue en una horquilla del 22% al 94%, lejos de lo aceptable para entornos críticos.

El cuello de botella ya no es el chip, sino el enchufe

La consecuencia más tangible de esa expansión es que la carrera por la IA ha dejado de ser un problema de semiconductores para convertirse en un desafío de infraestructura eléctrica y térmica. Un solo centro de datos dedicado a modelos de frontera puede consumir de forma continua entre 300 y 500 megavatios, una demanda que exige subestaciones dedicadas y refuerzos en las líneas de transmisión con plazos de ejecución de tres a cinco años, mucho más lentos que los ciclos de renovación del hardware. A ello se suma una concentración de potencia sin precedentes: mientras un centro de datos tradicional ronda los 7.8 kilovatios por rack, las arquitecturas de referencia para IA como la NVIDIA GB300 NVL72 alcanzan los 142 kilovatios, y los diseños futuros apuntan a unos 600 kilovatios por rack. TrendForce registra esa progresión en la evolución de NVIDIA, de 120 a 225 kilovatios a escala de rack.

Con esas densidades, el aire deja de ser suficiente y la refrigeración líquida se convierte en práctica estándar por encima de los 40 kilovatios por rack, un umbral que sigue bajando. En 2026, el 36% de las instalaciones ya ha desplegado refrigeración líquida y otro 28% planea hacerlo en los próximos doce a veinticuatro meses. El beneficio no es solo térmico: convertir un centro de datos de 100 megavatios de refrigeración mecánica tradicional a una arquitectura líquida de doble circuito puede liberar aproximadamente 22 megavatios de potencia para cómputo, lo que permite extraer hasta un 30% más de capacidad de la misma conexión a la red sin nuevas interconexiones. En paralelo, la distribución eléctrica se rediseña hacia la corriente continua de alto voltaje, en torno a los 800 voltios; en el OCP Global Summit de octubre de 2026 se presentaron soluciones de distribución a 800 VDC y unidades de refrigeración líquida de hasta 2.5 megavatios para los racks Vera Rubin NVL72. El centro de datos hiperescala es ya una fábrica de IA donde la energía y el calor definen cuánta capacidad real se puede instalar.

Sodio: de alternativa a habilitador crítico

En ese contexto, las baterías de iones de sodio han pasado de promesa de laboratorio a realidad comercial con calendario propio. CATL confirmó que su línea Naxtra entra en producción masiva en 2026 tras resolver los cuellos de botella de fabricación, ya entrega su primer sistema de almacenamiento de energía de unos 3.0 MWh y espera alcanzar un volumen de 1 GWh a finales de año; BYD construye en paralelo una planta de gran escala. En costos, la trayectoria es igualmente relevante; el precio del ánodo de carbono duro cayó entre 60,000–70,000 yuanes por tonelada en 2024 a una previsión de 35,000–40,000 en 2026, y CATL proyecta que el costo de las celdas se equipare al del litio-hierro-fosfato a finales de 2026, si bien análisis más conservadores señalan que el costo del sistema completo aún es un 10% superior y que la paridad real llegaría hacia 2028. Técnicamente, sus 175 Wh/kg quedan por debajo de los 200 Wh/kg típicos del LFP, pero compensan con una durabilidad extraordinaria —hasta 15,000 ciclos según CATL, más de 10,000 en otras mediciones— y un rendimiento estable entre -40 y -20 grados centígrados.

Ese perfil las sitúa con fuerza en el almacenamiento estacionario, en vehículos urbanos y de logística como el JMEV EV3, en motocicletas eléctricas —Yadea lanzó cuatro modelos en 2025 y se pilotan estaciones de intercambio en Shenzhen— y en el respaldo de estaciones base de telecomunicaciones, donde China Iron Tower las despliega en regiones frías como Tíbet y Heilongjiang. Y aquí se produce la convergencia con el primer tema: los centros de datos de IA figuran ya entre los escenarios de aplicación comercial de las baterías de sodio que se despliegan en China, junto al almacenamiento en red y las telecomunicaciones. La lógica es sólida; si una instalación consume cientos de megavatios, contar con almacenamiento en el sitio, más seguro y duradero que el litio, puede ser la diferencia entre operar de forma estable o afrontar interrupciones costosas.

Gemelos digitales y plasmas: la IA como piloto

El concepto de par digital ha dejado de ser una simulación estática para convertirse en un sistema vivo alimentado por agentes de IA que monitorea, predice y actúa sobre su contraparte física. En la fabricación de semiconductores, NVIDIA y sus socios —Applied Materials, Cadence, KLA, Lam Research, Siemens, Synopsys— despliegan fábricas definidas por IA, con bibliotecas como cuPotential para simular interacciones atómicas y moleculares, aceleraciones de dos a tres veces en flujos ya optimizados para GPU y gemelos digitales de cámaras de fabricación que permiten simular procesos hasta 35 veces más rápido antes de tocar una sola oblea. En telecomunicaciones, el foco de la conferencia ECOC 2026 fue la gestión agéntica de redes ópticas, con ecosistemas de agentes especializados —orquestadores, de planificación, de monitoreo, de optimización y agentes de gemelo digital— que colaboran de forma autónoma comunicándose mediante protocolos como el A2A de Google.

El caso más espectacular, sin embargo, es el control de plasmas en fusión. El plasma de un tokamak (1) es inherentemente inestable; ciertas perturbaciones crecen en milisegundos, mucho más rápido de lo que un operador humano puede reaccionar, cuyo tiempo de respuesta es del orden de segundos. El framework PACMAN (2), desarrollado por el Laboratorio de Física de Plasma de Princeton y la Universidad de Princeton, integra múltiples modelos de IA en un único bucle de control capaz de predecir y actuar en unos 20 milisegundos de forma continua. En pruebas reales en el tokamak DIII-D, el sistema controló con éxito los sistemas de calefacción, ajustó la densidad y rotación del plasma y predijo una inestabilidad de modo de desgarre unos 200 milisegundos antes de que apareciera, dando tiempo a los investigadores a modificar parámetros para prevenirla. El diseño es explícitamente modular y seguro; los objetivos científicos y los límites los fijan los humanos y la IA solo ejecuta dentro de ese marco. A ello se suman aproximaciones con Transformers (3) para estimar la probabilidad de inestabilidades y modelos generativos de flow matching (4) para producir secuencias de control que estabilicen la posición vertical del plasma.

Código, compañía y las preguntas que quedan abiertas

Las dos entradas de la lista que la IA genera por sí misma ilustran bien su doble cara. La codificación generativa ha evolucionado de la autocompletación de línea a agentes autónomos que leen, modifican y prueban repositorios completos: al menos diez proveedores ofrecen modelos de frontera, ningún modelo se mantiene como predeterminado más de seis meses, proliferan herramientas agénticas como Claude Code, Codex CLI, Aider y Cline, y Netflix reportó mejoras de eficiencia de entre 20% y 30% —hasta cerca del 65% en el mejor caso— al integrar comprensión de código en sus agentes, consolidando el fenómeno del vibe coding (5). Los compañeros de IA, en cambio, muestran el filo más delicado; el 72% de los adolescentes estadounidenses ha usado IA para obtener compañía, se han documentado casos de delirios inducidos y demandas contra OpenAI y Character.AI, y la respuesta regulatoria ya llega con una ley de California de septiembre de 2026 que obliga a publicar medidas de seguridad y con controles parentales y etiquetado de contenido en China. El balance del año es claro; la IA ha dejado de ser una promesa para convertirse en infraestructura activa —pilota reactores, escribe código en equipo, sostiene vínculos emocionales y rediseña la red eléctrica que la alimenta—, y precisamente por eso las preguntas sobre su control, su seguridad y su propósito son hoy más urgentes que nunca.

________________________________________________________________________

(1) tokamak es un dispositivo experimental diseñado para confinar plasma a temperaturas extremas mediante campos magnéticos, con el objetivo de reproducir en la Tierra las reacciones de fusión nuclear que alimentan al Sol. Es, hoy, la arquitectura más desarrollada y prometedora en la carrera hacia la energía de fusión.

(2) El framework PACMAN (acrónimo de Prediction And Control using MAchiNe learning) es un sistema de software desarrollado por el Laboratorio de Física de Plasma de Princeton (PPPL) y la Universidad de Princeton. Su función es orquestar múltiples modelos de inteligencia artificial para controlar el plasma en un tokamak en tiempo real, tomando decisiones en milisegundos para mantener la estabilidad de la reacción de fusión.

(3) Un Transformer es una arquitectura de red neuronal que se ha convertido en la base tecnológica de la inteligencia artificial moderna, incluyendo los grandes modelos de lenguaje (LLM) como ChatGPT o Gemini. Fue presentada en 2017 por un equipo de Google en un artículo titulado "Attention Is All You Need".

(4) Flow Matching (que podría traducirse como "Emparejamiento de Flujo") es un paradigma moderno de modelado generativo en machine learning. Su objetivo es aprender a transformar una distribución de datos simple, como el ruido, en una distribución compleja que represente datos reales (por ejemplo, imágenes, texto o, en el contexto que nos ocupa, secuencias de control para un plasma), mediante la modelización directa de una "corriente" o flujo continuo.

(5) Vibe coding (o "codificación por vibra") es un paradigma emergente de desarrollo de software en el que una persona describe la funcionalidad deseada en lenguaje natural y delega la generación del código a un modelo de inteligencia artificial. El término fue acuñado por Andrej Karpathy, cofundador de OpenAI, en febrero de 2025.