Tecnofeudalismo, software libre y geopolítica en la era de la inteligencia artificial

Introducción

Llevo un tiempo dándole vueltas a una pregunta incómoda: ¿qué tan dueños somos realmente de la tecnología que usamos todos los días? Entre la nube, las suscripciones, los modelos de inteligencia artificial y las tiendas de aplicaciones, cada vez dependemos más de infraestructuras que no controlamos y que pueden cambiarnos las reglas del juego de un día para otro. A esa sensación —y a la teoría que intenta explicarla— se le ha puesto un nombre polémico: tecnofeudalismo.

En este artículo quiero recorrer esa hipótesis con calma y sentido crítico: de dónde viene el concepto, qué autores lo defienden y quiénes lo cuestionan con buenos argumentos, cómo la inteligencia artificial intensifica estas dinámicas de dependencia, y qué papel puede jugar el software libre como contrapeso real —no solo como gesto simbólico. También vamos a mirar casos concretos (Amazon, Google, Apple, Microsoft-OpenAI, Nvidia, Meta) y a situar todo esto dentro de la disputa geopolítica entre Estados Unidos, China y la Unión Europea, incluyendo qué implica para países como México.

No es un texto corto ni ligero, pero sí está pensado para que puedas recorrerlo con las secciones bien marcadas y sacar tus propias conclusiones. Empecemos por lo esencial.

El tecnofeudalismo no constituye una categoría académica consensuada ni describe un retorno literal al orden medieval. Es una hipótesis crítica para interpretar la formación de dominios digitales privados en los que unas pocas empresas controlan infraestructuras indispensables —nube, sistemas operativos, tiendas de aplicaciones, chips, modelos de inteligencia artificial, datos, interfaces y mercados— y pueden imponer reglas, cobrar por el acceso, vigilar la actividad y dificultar la salida. Sus defensores consideran que la renta, la dependencia y la autoridad privada están desplazando parcialmente a la competencia de mercado; sus críticos sostienen que estas prácticas siguen siendo explicables como capitalismo monopolista, financiero o rentista.

La parte más sólida de la tesis tecnofeudal no es la analogía entre "señores" y "siervos", sino la observación de cinco transformaciones verificables:

• La propiedad de activos estratégicos se concentra en infraestructuras digitales difíciles de sustituir.
• El acceso continuo mediante suscripciones, comisiones, licencias y servicios en la nube desplaza parcialmente a la propiedad de productos.
• Las plataformas actúan como cuasi-jurisdicciones privadas: fijan reglas, ordenan la visibilidad, resuelven disputas y sancionan conductas.
• Los usuarios, proveedores, trabajadores y desarrolladores generan datos y conocimiento que el propietario de la infraestructura puede apropiarse y recombinar.
• La dependencia técnica se vuelve dependencia económica y política mediante costos de cambio, formatos incompatibles, efectos de red, interfaces controladas y vínculos verticales entre nube, chips, modelos y distribución.

La inteligencia artificial amplifica estas dinámicas porque la capacidad de entrenar modelos de frontera depende de grandes inversiones en cómputo, energía, semiconductores, datos y talento. El AI Index 2026 de Stanford reporta que la industria produjo más de 90% de los modelos de frontera notables de 2025. La Comisión Federal de Comercio de Estados Unidos, por su parte, documentó más de 20 mil millones de dólares en inversiones acumuladas dentro de las asociaciones Microsoft-OpenAI, Amazon-Anthropic y Google-Anthropic, junto con intercambios de cómputo, información, propiedad intelectual y acceso comercial. Esto no demuestra por sí solo la existencia de un nuevo modo de producción, pero sí una estructura de dependencia vertical muy favorable a quienes controlan la nube y los chips.

El software libre constituye una contra-institución importante porque transforma el código de propiedad excluyente en un recurso que puede usarse, estudiarse, modificarse y compartirse. La Free Software Foundation enfatiza la libertad y el control de los usuarios; la Open Source Initiative añade criterios públicos para determinar qué licencias permiten uso, modificación y redistribución sin discriminar campos de actividad; Debian vincula la libertad del software con compromisos de transparencia y responsabilidad comunitaria; y Apache ofrece un modelo institucional de custodia neutral, autogobierno de proyectos, revisión entre pares y protección jurídica.

Sin embargo, abrir el código no basta. Una empresa puede liberar una biblioteca y conservar el control de los centros de datos, las interfaces comerciales, los datos de entrenamiento y los canales de distribución. También puede aprovechar trabajo comunitario mediante una licencia permisiva, integrar el resultado en un servicio propietario y conservar la relación directa con los clientes. En IA, publicar pesos no equivale necesariamente a abrir el sistema: la definición de IA de código abierto de la OSI exige libertades de uso, estudio, modificación y distribución, además de código de entrenamiento y ejecución, parámetros e información suficiente sobre los datos.

En el terreno geopolítico, el control de la IA se organiza alrededor de tres modelos parcialmente divergentes. Estados Unidos combina liderazgo privado en nube, semiconductores y modelos con controles extraterritoriales de exportación. China articula empresas, política industrial, regulación de contenidos y objetivos de autosuficiencia tecnológica. La Unión Europea intenta convertir su poder regulatorio y de mercado en obligaciones de interoperabilidad, competencia, transparencia y supervisión. Los países sin capacidades propias de cómputo, datos, energía, estándares y mantenimiento corren el riesgo de quedar subordinados a alguno de estos complejos.

La conclusión operativa es que la respuesta del software libre debe evolucionar desde una política centrada exclusivamente en licencias hacia una estrategia de soberanía tecnológica democrática: copyleft cuando sea adecuado, infraestructura pública o cooperativa de cómputo, estándares interoperables, portabilidad efectiva, custodia independiente de proyectos, gobernanza de datos, financiamiento de mantenimiento, capacidad local de despliegue y reglas de contratación que garanticen el derecho de salida. El objetivo no debe ser la autarquía tecnológica, sino evitar que cualquier proveedor —privado o estatal— sea capaz de convertir una dependencia técnica en subordinación política.

Genealogía conceptual y debates críticos

El término "tecnofeudalismo" se usa para agrupar fenómenos que también aparecen bajo las categorías de capitalismo de plataformas, capitalismo de vigilancia, colonialismo de datos, capitalismo rentista, capitalismo de monopolios intelectuales y capitalismo comunicativo. Estos conceptos no son sinónimos. Cada uno identifica una fuente de poder distinta: la plataforma como intermediario, la vigilancia como modelo de negocio, la extracción de datos como apropiación colonial, la propiedad intelectual como monopolio, o la infraestructura comunicativa como mecanismo de jerarquización.

Una definición analíticamente útil sería la siguiente:

El tecnofeudalismo es una tendencia dentro de la economía digital por la cual propietarios de infraestructuras esenciales convierten mercados abiertos en dominios privados de acceso condicionado, extraen rentas de actores dependientes y ejercen funciones regulatorias sin una responsabilidad democrática equivalente.

Esta definición evita afirmar prematuramente que el capitalismo haya terminado. Permite tratar el tecnofeudalismo como una tendencia institucional, medible mediante concentración, dependencia, rentas de acceso, integración vertical, opacidad normativa, imposibilidad de salida y privatización de funciones cuasi-públicas.

Luc Boltanski y otros estudios de la transformación del capitalismo habían observado desde antes la importancia creciente de redes, proyectos y activos intangibles, pero la formulación contemporánea se asocia especialmente con Cédric Durand, Jodi Dean y Yanis Varoufakis. Durand sostiene que la digitalización favorece relaciones regresivas de dependencia y una lógica de acceso en la que las plataformas capturan valor mediante activos intangibles y posiciones de control. Dean habla de una "tendencia neofeudalizante" del capitalismo comunicativo, derivada de los efectos de red, la plataformización y la economía de servicios. Varoufakis radicaliza la tesis: el "capital de la nube" habría creado feudos digitales donde la ganancia competitiva cede terreno a la "renta de la nube".

Mariana Mazzucato utiliza "feudalismo digital" en un sentido menos rupturista. Su problema central no es el fin del capitalismo, sino la apropiación privada de tecnologías y datos producidos colectivamente. Distingue entre creación de valor y extracción de valor y argumenta que el Estado debe condicionar, gobernar y orientar las plataformas, en lugar de limitarse a corregir fallas después de que el mercado ya se ha concentrado.

Shoshana Zuboff ofrece una teoría vecina: el capitalismo de vigilancia reclama la experiencia humana como "materia prima gratuita" y la transforma en datos conductuales y productos de predicción. Aquí la relación fundamental no es señorial, sino epistemológica: una asimetría entre quienes pueden observar, inferir y modificar la conducta y quienes son observados sin poder conocer o impugnar el sistema.

Cecilia Rikap propone una alternativa especialmente productiva: capitalismo de monopolios intelectuales. Según esta perspectiva, las grandes empresas digitales controlan conocimiento, datos y redes de innovación, subordinan a otras empresas y universidades, y organizan cadenas globales de producción sin necesidad de dejar de ser capitalistas. Su marco permite analizar simultáneamente a corporaciones estadounidenses y chinas, y evita depender de la analogía medieval.

Evgeny Morozov formula la crítica más influyente. Para él, la tesis tecnofeudal surge de una incapacidad para explicar qué producen realmente las empresas digitales. Google puede entenderse como una empresa capitalista que invierte enormes cantidades de capital y produce mercancías publicitarias y resultados de búsqueda. El bloqueo de usuarios, las patentes, las adquisiciones y el poder político serían formas intensificadas de competencia capitalista, no pruebas de un modo feudal. Morozov advierte además que la metáfora puede ocultar el papel constitutivo del Estado.

Una segunda crítica es histórica. El feudalismo medieval involucraba relaciones de tierra, jurisdicción, obligación personal, soberanía fragmentada y coerción extraeconómica que no pueden trasladarse literalmente a una aplicación móvil o a un servicio de nube. El riesgo retórico es convertir toda forma de dependencia en "servidumbre" y perder precisión sobre salarios, propiedad, producción, finanzas y competencia.

Una tercera crítica es política: presentar a las plataformas como poderes ya poscapitalistas puede naturalizar su dominio. Si el mercado "ya murió", parecería inútil aplicar derecho de competencia, regulación laboral, impuestos, propiedad pública o políticas industriales. Sin embargo, las medidas contra la exclusión, la interoperabilidad y la integración vertical siguen modificando incentivos y estructuras, como muestran las decisiones sobre Google, Apple y los proveedores de IA.

La posición más razonable es, por tanto, híbrida. Las plataformas siguen acumulando capital, contratando trabajo, produciendo servicios y compitiendo; al mismo tiempo, convierten esa acumulación en autoridad infraestructural y rentas de acceso. El tecnofeudalismo funciona mejor como diagnóstico de la transformación política del poder económico que como declaración demostrada de que ya existe un modo de producción sucesor del capitalismo.

La evolución intelectual e institucional puede resumirse así:

La cronología muestra un desplazamiento desde la libertad del código hacia la gobernanza integral de sistemas sociotécnicos: infraestructura, datos, modelos, mercados, trabajo y poder estatal.

Arquitectura tecnofeudal de la inteligencia artificial

La IA contemporánea no es una sola tecnología. Es una pila de dependencias que incluye minerales, fabricación de semiconductores, aceleradores, memoria de alto ancho de banda, centros de datos, electricidad, redes, almacenamiento, marcos de programación, datos, modelos fundacionales, interfaces, aplicaciones y canales de distribución. El poder aumenta cuando una misma empresa controla varias capas o puede condicionar el acceso entre ellas.

Concentración de modelos y cómputo. La concentración no surge únicamente de la superioridad algorítmica. Se alimenta de costos fijos elevados, acceso preferente a chips, acuerdos de nube, grandes conjuntos de datos, talento especializado, distribución preinstalada y capacidad de absorber pérdidas durante la expansión. El hecho de que más de 90% de los modelos de frontera notables de 2025 proviniera de la industria indica un desplazamiento desde la investigación académica hacia organizaciones capaces de financiar infraestructura a gran escala.

Alianzas verticales. Las asociaciones entre proveedores de nube y laboratorios de modelos pueden reducir costos y acelerar innovación, pero también crean dependencias recíprocas. La FTC encontró inversiones, créditos de nube, intercambio de información técnica y comercial, acceso a personal especializado y posibilidades de integración preferente. El riesgo tecnofeudal no es solamente una fusión formal, sino la construcción de una relación en la que el laboratorio "independiente" depende de la infraestructura y distribución de su socio, mientras el proveedor de nube obtiene acceso privilegiado al modelo.

Propiedad de modelos y datos. En el software convencional, el código fuente suele ser la forma preferida para modificar una obra. En aprendizaje automático, la capacidad práctica de modificar depende también de los pesos, la arquitectura, el código de entrenamiento, los hiperparámetros, los procedimientos de filtrado, la información sobre datos y el cómputo disponible. Por eso la publicación de pesos es una apertura parcial, no necesariamente una transferencia completa de capacidad tecnológica. La OSI exige información suficiente para construir un sistema sustancialmente equivalente, aunque reconoce que algunos datos no pueden compartirse directamente por razones legales o de privacidad.

Automatización y trabajo. La OIT estima que aproximadamente una de cada cuatro personas trabajadoras se encuentra en una ocupación con algún grado de exposición a la IA generativa, mientras 3.3% del empleo mundial cae en la categoría de mayor exposición. Su conclusión central es que, con la evidencia disponible, la transformación de tareas es más probable que la sustitución completa de ocupaciones. La distribución de ganancias dependerá de la propiedad de las herramientas, la organización del trabajo, la negociación colectiva y la capacidad de los trabajadores para auditar y disputar decisiones.

Desde una perspectiva tecnofeudal, el problema no es sólo "cuántos empleos desaparecerán", sino quién controla el medio automatizado de trabajo. Un profesionista que depende de una plataforma de IA para investigar, programar, traducir o diseñar puede volverse más productivo, pero también quedar sometido a cambios unilaterales de precio, disponibilidad, política de uso, retención de datos y calidad del modelo. La automatización puede incrementar la autonomía cuando la herramienta es local, interoperable y auditable; puede reducirla cuando toda actividad pasa por una API opaca.

Vigilancia e inferencia. La IA amplía el capitalismo de vigilancia porque permite inferir atributos, emociones, afinidades y riesgos a partir de datos que originalmente se recopilaron con otros fines. Sin embargo, la vigilancia comercial precede a los modelos generativos. Lo atribuible específicamente a la IA es la reducción del costo de clasificación, personalización, predicción y síntesis, no la invención de la extracción de datos.

Desinformación y poder comunicativo. Los modelos generativos reducen el costo de producir texto, audio, imágenes y video sintéticos, y facilitan campañas multilingües y personalizadas. La literatura reciente identifica riesgos en propaganda, suplantación, fraude y saturación del espacio informativo, pero la magnitud causal de su efecto electoral sigue siendo incierta: producir contenido barato no garantiza que sea persuasivo, distribuido o decisivo. Conviene distinguir capacidad técnica, uso observado y efecto político demostrado.

Homogeneización sistémica. Los modelos fundacionales crean economías de reutilización: muchas aplicaciones dependen de la misma base. Esto facilita innovación, pero también propaga errores, sesgos, vulnerabilidades y cambios de política a una multitud de servicios. El trabajo inicial sobre modelos fundacionales denominó a este fenómeno "homogeneización": beneficios y defectos se heredan aguas abajo.

Extracción material. La metáfora de la "nube" oculta instalaciones físicas, energía, agua, minerales, cadenas logísticas y trabajo humano. Kate Crawford insiste en que la IA debe entenderse como una industria extractiva material y política. En consecuencia, una solución abierta que requiera hardware inaccesible o energía extraordinaria puede ser jurídicamente libre y, aun así, materialmente dependiente.

Estudios de caso comparados

Los casos siguientes no demuestran por sí mismos que exista un régimen tecnofeudal. Muestran configuraciones concretas de control de acceso, integración vertical, dependencia, renta y autoridad privada. En varios casos existen litigios o investigaciones, por lo que debe distinguirse entre alegaciones regulatorias, decisiones administrativas y sentencias judiciales.

Los casos muestran tres tipos de "feudo" digital.

El primero es el feudo de mercado, donde una empresa administra el espacio en que otras venden, trabajan o llegan a consumidores. Amazon y las tiendas de aplicaciones son ejemplos.

El segundo es el feudo de infraestructura, donde la dependencia se produce por nube, chips, sistemas operativos o marcos de software. Microsoft, Amazon Web Services, Google Cloud y Nvidia operan principalmente en este nivel.

El tercero es el feudo epistemológico, donde el actor dominante controla datos, modelos, métricas y la capacidad de observar el comportamiento. Google, Meta y los proveedores de modelos fundacionales combinan en diferente medida este tipo de poder con los anteriores.

Una empresa puede pertenecer a los tres niveles. La relevancia de la IA consiste en conectar las capas: los datos producidos en una plataforma alimentan modelos; los modelos mejoran productos; los productos atraen usuarios; los usuarios generan más datos; y la nube captura el gasto de toda la cadena. Los efectos de red dejan de ser únicamente sociales y se vuelven también computacionales.

Software libre como contra-institución

El software libre responde directamente a una dimensión del poder tecnofeudal: la capacidad de un propietario de decidir unilateralmente qué puede hacerse con una herramienta digital. La FSF define la libertad en términos de ejecutar, estudiar, modificar y compartir. La diferencia entre "libre" y "gratuito" es central: un servicio sin precio puede ser profundamente dependiente, mientras que un programa comercial puede respetar las libertades de sus usuarios.

La OSI traduce parte de este ideal a una definición y un proceso de certificación de licencias. La Open Source Definition no acepta que "código visible" sea equivalente a código abierto: exige redistribución, acceso al código fuente, obras derivadas y ausencia de discriminación contra personas, grupos o campos de actividad. Por esa razón, licencias que prohíben usos comerciales específicos, determinados sectores o la prestación de servicios no son de código abierto, aunque permitan leer el código.

Debian añade una dimensión constitucional. Su Contrato Social promete conservar el sistema 100% libre, devolver contribuciones a los proyectos originales, no ocultar problemas y priorizar a usuarios y comunidad. Las Debian Free Software Guidelines sirvieron como base histórica de la definición de código abierto. Este modelo importa porque no reduce la libertad a una licencia: la vincula con prácticas de distribución, bases públicas de errores y responsabilidad hacia el ecosistema.

Apache aporta una arquitectura institucional diferente. La Apache Software Foundation mantiene propiedad intelectual y marcas, ofrece una entidad neutral, delega decisiones técnicas a comités de gestión y usa procesos de consenso y comunicación pública. Su objetivo declarado es que los proyectos se gobiernen con independencia de influencia comercial indebida. La licencia Apache 2.0, por su parte, permite uso y redistribución amplios e incluye una concesión expresa de patentes.

Estas organizaciones atacan cuatro componentes del poder tecnofeudal:

La tensión entre licencias permisivas y copyleft

Las licencias permisivas, como Apache 2.0, facilitan adopción, interoperabilidad y colaboración empresarial. También permiten que una empresa incorpore el código en un servicio o producto cerrado. Las licencias copyleft exigen que determinadas redistribuciones y obras derivadas preserven libertades equivalentes. Para servicios accesibles por red, la GNU Affero General Public License puede ser útil cuando el proyecto desea que modificaciones operadas como servicio no permanezcan completamente cerradas.

No existe una licencia universalmente correcta. Un controlador, estándar o biblioteca de interoperabilidad puede ganar utilidad con Apache 2.0. Una aplicación comunitaria que compite con plataformas de software como servicio puede requerir AGPL. Una biblioteca vinculada a múltiples ecosistemas quizá necesite LGPL o MPL. La decisión debe partir del modelo de captura que se intenta prevenir, no de una preferencia abstracta por "más" o "menos" apertura.

Licencias "source available"

Algunos proveedores han adoptado licencias que permiten leer el código, pero restringen a competidores de nube o determinados usos comerciales. La OSI considera que la Server Side Public License no es una licencia de código abierto porque retira derechos protegidos por la definición, particularmente el uso sin discriminación por campo de actividad. Estas licencias pueden ser comprensibles como estrategia empresarial contra los hiperescalares, pero no deben presentarse como equivalentes a software libre.

La IA exige una apertura multidimensional

La Open Source AI Definition 1.0 establece que un sistema abierto debe permitir usar, estudiar, modificar y compartir. Para aprendizaje automático, la forma preferida para modificar incluye tres grupos: información sobre datos, código completo para entrenar y ejecutar, y parámetros. La definición no exige necesariamente publicar datos que legalmente no puedan compartirse, pero sí describir procedencia, alcance, selección, etiquetado y procesamiento con suficiente detalle.

Esto permite distinguir:

• API accesible: el usuario puede llamar al modelo, pero no posee ni inspecciona sus componentes.
• Pesos abiertos: puede descargar parámetros, pero quizá carezca de datos, código de entrenamiento o permisos amplios.
• Modelo abierto: arquitectura, inferencia y parámetros están disponibles con libertades adecuadas.
• Sistema de IA abierto: además del modelo, ofrece código, información de datos y artefactos necesarios para estudiar, modificar y redistribuir el sistema.

La OSI ha señalado que "acceso abierto", "pesos abiertos" y "código abierto" no son categorías intercambiables. Su evaluación inicial encontró que proyectos como Pythia, OLMo, Amber, CrystalCoder y T5 cumplían mejor los componentes requeridos, mientras familias como Llama, Grok, Phi-2 y Mixtral no satisfacían todos los criterios evaluados.

La FSF ha adoptado una posición paralela: una aplicación de aprendizaje automático incluye software y parámetros, y la libertad requiere considerar también programas de entrenamiento, scripts y datos. Esto introduce preguntas que el software tradicional no resolvía por completo: ¿los pesos son una obra sujeta a copyright?, ¿cuál es la "fuente" preferida?, ¿cómo se respetan privacidad, consentimiento y derechos colectivos cuando el conjunto de entrenamiento no puede redistribuirse?

El problema de la captura por la nube

El software libre puede reducir el monopolio de licencias y, al mismo tiempo, fortalecer a un hipercentralizador. Un proveedor de nube puede ofrecer la instancia más cómoda, integrar el proyecto con servicios propietarios, subvencionar precios, contratar a desarrolladores clave y apropiarse de la relación con el cliente. El código sigue siendo libre; la operación, los datos y la distribución se concentran.

Por eso, el software libre debe proteger no sólo el derecho a copiar, sino la capacidad efectiva de salida. Esto requiere formatos abiertos, exportación completa de datos, automatización reproducible, documentación operativa, compatibilidad entre nubes, despliegues locales, APIs estables, separación entre identidad y proveedor, y gobernanza de marcas que impida que una sola empresa se presente como propietaria de la comunidad.

Gobernanza frente a licencia

La licencia establece derechos mínimos; la gobernanza decide quién controla la hoja de ruta, las versiones, las marcas, la seguridad y la aceptación de contribuciones. Un proyecto puede tener licencia libre y estar gobernado de facto por una sola empresa. Los modelos de Debian y Apache muestran mecanismos útiles: custodia institucional, decisiones registradas, comités responsables, contribución como individuos, proyectos autocontenidos y diversidad de afiliaciones.

Soberanía tecnológica

La soberanía no debe significar que cada país fabrique todo ni que el Estado controle cada línea de código. Debe entenderse como la capacidad de una sociedad para:

• conocer cómo funciona la infraestructura crítica;
• mantenerla sin autorización permanente de un proveedor extranjero;
• migrar datos y cargas de trabajo;
• establecer reglas democráticas sobre usos y vigilancia;
• sostener competencias locales;
• adquirir tecnología sin renunciar a jurisdicción, privacidad o continuidad operativa.

El software libre es una condición favorable para esa soberanía, pero no sustituye inversión en hardware, energía, centros de datos, educación, investigación, seguridad y mantenimiento.

Geopolítica de la IA y dependencia tecnológica

La competencia geopolítica por la IA no es sólo una carrera por "el mejor modelo". Es una disputa por el control de cuellos de botella: propiedad intelectual de chips, software de diseño electrónico, equipos de fabricación, memoria avanzada, servicios de nube, redes eléctricas, conjuntos de datos, talento, estándares y canales de distribución.

Estados Unidos

Su ventaja proviene de la concentración de proveedores de nube, diseñadores de aceleradores, plataformas y laboratorios de modelos. El Estado utiliza controles de exportación y reglas extraterritoriales para limitar el acceso de China a semiconductores, memoria de alto ancho de banda, equipo de fabricación y software de diseño. En diciembre de 2024, la Oficina de Industria y Seguridad amplió controles y añadió 140 entidades a la lista correspondiente.

La política no es lineal. En mayo de 2025, el Departamento de Comercio rescindió la AI Diffusion Rule anterior y anunció un enfoque sustituto. En enero de 2026 estableció revisión caso por caso para exportaciones de Nvidia H200, AMD MI325X y chips semejantes a clientes aprobados en China. Esto muestra que los controles son instrumentos negociables de seguridad, política industrial y diplomacia, no una frontera tecnológica fija.

Desde la perspectiva tecnofeudal, los controles convierten la propiedad corporativa y las cadenas privadas en extensiones del poder soberano estadounidense. Una empresa o universidad de un tercer país puede depender de tecnología libre en el nivel del código, pero quedar limitada por el origen del chip, la herramienta de diseño o la jurisdicción de la nube.

China

La estrategia china combina desarrollo industrial, apoyo estatal, regulación de plataformas y control de contenidos. El plan nacional de IA de 2017 fijó objetivos hacia 2030, mientras las reglas sobre síntesis profunda y servicios generativos establecen obligaciones de seguridad, etiquetado, gestión de contenidos y protección de información.

China busca reducir dependencia de proveedores estadounidenses, pero también mantiene sus propias estructuras centralizadas. Por ello, "soberanía" puede significar dos cosas distintas: autonomía frente a potencias extranjeras o autonomía de los ciudadanos frente al Estado y las corporaciones nacionales. Un país puede alcanzar la primera y perder la segunda.

Unión Europea

La UE posee menor concentración de hiperescalares y modelos de frontera, pero ejerce poder mediante regulación, mercado y estándares. El Digital Markets Act busca contestabilidad e interoperabilidad en servicios designados como guardianes de acceso. El AI Act establece un régimen basado en riesgos y obligaciones específicas para modelos de propósito general. Desde el 2 de agosto de 2026, la Oficina de IA y las autoridades nacionales tienen facultades de supervisión y ejecución; las obligaciones para modelos de propósito general ya se aplicaban desde agosto de 2025.

Un análisis de competencia de la Comisión Europea identifica como riesgos la integración vertical entre nube y modelos, la dependencia de insumos esenciales y la exclusión de rivales. El mismo documento señala que modelos de código abierto, datos accesibles, supercomputación pública, interoperabilidad, portabilidad y posibilidad de contratar varios proveedores pueden reducir barreras de entrada.

La estrategia europea enfrenta una tensión: imponer obligaciones puede limitar abusos, pero una regulación compleja también puede favorecer a empresas con grandes departamentos jurídicos. La respuesta no debe ser desregular, sino acompañar reglas con infraestructura pública, asistencia de cumplimiento, estándares abiertos y excepciones proporcionadas para investigación y comunidades sin fines de lucro.

Países del Sur Global

La dependencia adopta formas distintas:

• pago recurrente por nube y APIs en moneda extranjera;
• pérdida de control sobre datos públicos;
• modelos con bajo desempeño en lenguas y contextos locales;
• ausencia de capacidad para auditar o ajustar sistemas;
• subordinación a sanciones y cambios de licencia;
• fuga de talento;
• transferencia de valor desde usuarios locales hacia plataformas extranjeras.

UNCTAD advierte que los beneficios de tecnologías de frontera se concentran y recomienda políticas industriales, infraestructura, capacidades locales y cooperación internacional. La concentración no es únicamente empresarial: también existe entre países capaces de diseñar, entrenar y desplegar sistemas avanzados y aquellos que sólo consumen servicios.

En América Latina, CEPAL ha señalado que la IA puede elevar productividad y transformar empleo, pero sus beneficios dependen de infraestructura, habilidades, institucionalidad y capacidad empresarial. La región enfrenta el riesgo de digitalizarse mediante plataformas importadas sin construir activos tecnológicos propios.

Para México, la cuestión estratégica no es competir inmediatamente por el modelo de frontera más grande, sino construir capacidades intermedias y acumulativas: centros de datos energéticamente sostenibles, cómputo compartido para universidades y empresas, modelos en español y lenguas indígenas, repositorios públicos, compras gubernamentales interoperables, formación de mantenedores y capacidad de desplegar modelos abiertos sin enviar datos sensibles a terceros. Los diagnósticos de preparación de UNESCO muestran tanto capacidades existentes como brechas de gobernanza, inclusión y datos.

Datos y jurisdicción

El control de datos determina quién puede entrenar, evaluar y adaptar modelos. Pero "localizar" datos dentro de un territorio no garantiza soberanía si el software, las claves, la administración o el soporte siguen bajo control externo. La soberanía requiere control técnico y jurídico conjunto: cifrado, administración de claves, trazabilidad, estándares, derecho de auditoría y proveedores sustituibles.

También deben reconocerse formas de soberanía que no coinciden con el Estado-nación. Los pueblos indígenas y comunidades lingüísticas pueden reclamar autoridad colectiva sobre datos, conocimientos y representaciones. Liberar indiscriminadamente un conjunto de datos puede reproducir extracción si la comunidad no participó en su recopilación, licencia o uso.

Software libre y sanciones

Las licencias libres normalmente permiten uso sin discriminación por campo de actividad, pero las leyes de exportación pueden restringir a personas, entidades o destinos. Una licencia no neutraliza una sanción estatal. Esto crea una diferencia entre libertad jurídica del programa y acceso material a repositorios, nubes, chips, dominios, sistemas de pago y desarrolladores.

La paradoja geopolítica de la apertura

Los modelos abiertos pueden disminuir dependencia de empresas estadounidenses o chinas, permitir auditoría y ampliar la innovación global. Al mismo tiempo, gobiernos preocupados por proliferación pueden considerar que ciertos pesos facilitan capacidades militares, cibernéticas o de desinformación. El debate no se resuelve etiquetando toda apertura como segura ni todo cierre como responsable. Requiere evaluación concreta de capacidades, disponibilidad alternativa, tamaño del riesgo y efectos de concentración.

Un régimen demasiado restrictivo puede consolidar a laboratorios que ya poseen licencias, seguridad y cómputo. Un régimen completamente indiferente puede facilitar usos de alto impacto. La política adecuada debe preservar investigación, auditoría y competencia, y concentrar controles en capacidades y conductas demostrablemente peligrosas.

Agenda práctica, incertidumbres y fuentes priorizadas

La estrategia recomendada para actores del software libre consiste en pasar de la defensa del código a la construcción de instituciones completas de autonomía tecnológica.

Para proyectos y comunidades

Antes de elegir una licencia, deben elaborar un análisis de captura: quién puede cerrar modificaciones, quién controla la marca, qué proveedor domina el despliegue y qué componentes no son reproducibles. El proyecto debe documentar arquitectura, compilación, entrenamiento, evaluación, migración y recuperación. La capacidad de bifurcar debe probarse periódicamente, no suponerse.

En proyectos de IA conviene publicar un inventario de artefactos que incluya código, pesos, arquitectura, hiperparámetros, versiones de bibliotecas, procedimientos de filtrado, fuentes de datos, evaluaciones, consumo aproximado de cómputo y limitaciones conocidas. Cuando los datos no puedan publicarse, deben ofrecerse descripciones, procedencia, criterios de selección y, cuando sea posible, conjuntos sustitutos.

Para fundaciones como FSF, OSI, Debian y Apache

Deben coordinar taxonomías compatibles que distingan libertad del software, apertura de modelos, apertura de datos y apertura de infraestructura. La OSI puede preservar la integridad semántica de "código abierto"; la FSF puede profundizar en control de usuarios y libertad de aplicaciones de aprendizaje automático; Debian puede desarrollar criterios de distribución para modelos y conjuntos de datos; Apache puede extender sus prácticas de custodia y diversidad de afiliaciones a proyectos de IA.

Estas organizaciones también deben fortalecer representación geográfica y lingüística. Una gobernanza formalmente abierta puede seguir dominada por participantes que disponen de tiempo, inglés, empleo tecnológico y acceso a conferencias. Becas, traducción, participación asíncrona y financiamiento de mantenedores son medidas de infraestructura democrática, no simples programas de inclusión.

Para gobiernos y universidades

La contratación pública debe exigir exportación completa de datos, documentación de interfaces, acceso a registros, derecho de auditoría, continuidad operativa, formatos abiertos, despliegue alternativo y planes de salida. El precio inicial no debe evaluarse sin costos de migración, tarifas de egreso, dependencia de API y riesgos de sanciones.

Las universidades necesitan consorcios de cómputo compartido que permitan entrenar, ajustar y evaluar modelos sin depender enteramente de créditos promocionales de proveedores. Los convenios con empresas deben preservar derechos de publicación, acceso a resultados, portabilidad de cargas y protección de datos académicos.

Para empresas que consumen tecnología abierta

Adoptar código libre sin contribuir a su mantenimiento traslada costos a comunidades. Las empresas deben financiar proyectos críticos, asignar personal aguas arriba, reportar vulnerabilidades, evitar bifurcaciones privadas innecesarias y publicar mejoras no diferenciadoras. Una política de "upstream first" reduce deuda técnica y dependencia.

Para sindicatos y organizaciones laborales

Deben negociar acceso a información sobre modelos utilizados en evaluación, asignación de tareas, contratación y disciplina; participación antes de automatizar procesos; derecho a revisión humana; protección contra vigilancia excesiva; y distribución de ganancias de productividad. Cuando sea viable, las herramientas deben poder ejecutarse en entornos controlados por la organización para proteger datos y conocimiento de trabajadores.

Para cooperativas, medios y sociedad civil

Los modelos pequeños y especializados, ejecutables localmente, pueden ser más relevantes que competir con un modelo general de frontera. Las prioridades deberían ser traducción, búsqueda documental, accesibilidad, educación, preservación lingüística, verificación y servicios públicos. La medida del éxito no es el número de parámetros, sino el control comunitario y la utilidad social.

Una matriz práctica de decisión sería:

Prioridades inmediatas

En un horizonte de doce meses, los proyectos deberían auditar licencias y dependencias, adoptar documentación reproducible, identificar componentes que sólo funcionan en una nube, formalizar gobernanza y publicar políticas sobre datos y modelos. Las instituciones públicas deberían inventariar contratos de nube e IA, calcular costos de salida y prohibir adquisiciones que no permitan exportación utilizable.

En un horizonte de uno a tres años, se requieren registros regionales de paquetes y modelos, centros públicos de evaluación, capacidad de cómputo compartida, formación en operación de modelos abiertos, políticas de mantenimiento y estándares de interoperabilidad. México y América Latina se beneficiarían más de una red federada de capacidades que de proyectos nacionales aislados y duplicados.

En un horizonte de tres a cinco años, la meta debe ser una pila soberana mínima: identidad interoperable, almacenamiento portable, nube federada, herramientas de desarrollo abiertas, modelos multilingües, evaluación independiente, gobernanza de datos y capacidad de fabricar o adquirir hardware mediante proveedores diversificados.

Incertidumbres y lagunas de investigación

La primera laguna es conceptual: no existe una métrica aceptada de "intensidad tecnofeudal". Sería necesario combinar participación de mercado, costos de cambio, proporción de ingresos rentísticos, control de interfaces, capacidad de imponer normas y dependencia de proveedores.

La segunda es contable: empresas como Google, Amazon o Microsoft producen servicios y simultáneamente extraen rentas. Separar empíricamente beneficio empresarial, renta monopólica, ingreso financiero y retorno a innovación es difícil. Esto limita afirmaciones fuertes sobre el reemplazo de la ganancia por la renta.

La tercera es laboral: las estimaciones de exposición a IA no equivalen a pérdidas netas de empleo. Los efectos dependerán de adopción, precios, demanda, regulación, negociación y creación de tareas. Los resultados de experimentos de productividad no deben extrapolarse automáticamente a economías enteras.

La cuarta es informativa: está demostrado que la IA reduce costos de producción de contenido sintético, pero no existe todavía evidencia uniforme de que haya determinado resultados electorales a gran escala. La investigación debe distinguir disponibilidad, uso, alcance y persuasión.

La quinta es jurídica: la condición de los pesos, conjuntos de datos y salidas bajo copyright sigue variando entre jurisdicciones. La Open Source AI Definition ofrece un estándar comunitario, no una resolución definitiva de todas las preguntas legales.

La sexta es material: un modelo puede ser completamente abierto y seguir siendo inaccesible por su costo de cómputo. La reproducibilidad jurídica y la reproducibilidad económica deben medirse por separado.

La séptima es geopolítica: los controles de exportación cambian con rapidez. Las reglas vigentes en agosto de 2026 no deben tratarse como permanentes, como demuestra la evolución entre las medidas de 2024, la rescisión de 2025 y la revisión caso por caso de 2026.

Fuentes priorizadas

Núcleo conceptual

• Evgeny Morozov, "Critique of Techno-Feudal Reason", New Left Review, 2022.
• Cecilia Rikap, "Capitalism As Usual?", New Left Review, 2023.
• Jodi Dean, "The Neofeudalising Tendency of Communicative Capitalism", tripleC, 2024.
• Cédric Durand, Techno-féodalisme: Critique de l'économie numérique, 2020.
• Yanis Varoufakis, Tecnofeudalismo: el sigiloso sucesor del capitalismo, edición en español.
• Mariana Mazzucato, "Preventing Digital Feudalism", 2019.
• Shoshana Zuboff, entrevista y definición de capitalismo de vigilancia, Harvard Gazette, 2019.
• Nick Srnicek, Platform Capitalism, Polity.
• Nick Couldry y Ulises A. Mejias, The Costs of Connection, Stanford University Press, 2019.
• Kate Crawford, Atlas of AI, Yale University Press, 2021.
• José Losacco, "Feudalismo y eurocentrismo: crítica al tecnofeudalismo", 2025.
• Andrés Maximiliano Tello, trabajos sobre colonialismo digital y extracción de datos, 2023.

IA, concentración y trabajo

• Stanford Institute for Human-Centered AI, AI Index Report 2026.
• Federal Trade Commission, informe sobre asociaciones e inversiones entre nube e IA, 2025.
• Rishi Bommasani et al., "On the Opportunities and Risks of Foundation Models", Stanford, 2021.
• Emily Bender et al., "On the Dangers of Stochastic Parrots", ACM FAccT, 2021.
• Organización Internacional del Trabajo, Generative AI and Jobs: A Refined Global Index of Occupational Exposure, 2025.
• Comisión Europea, Competition in Generative AI and Virtual Worlds, análisis sobre integración vertical, código abierto, datos e infraestructura pública.

Software libre y apertura de IA

• Free Software Foundation, "What is Free Software?"
• Free Software Foundation, "FSF is working on freedom in machine learning applications", 2024.
• Open Source Initiative, The Open Source Definition.
• Open Source Initiative, Open Source AI Definition 1.0, 2024.
• Debian, Contrato Social y Directrices de Software Libre.
• Apache Software Foundation, How the ASF Works.
• Apache Software Foundation, Apache License 2.0.
• GNU Project, GNU Affero General Public License 3.0.
• Open Source Initiative, "The SSPL is Not an Open Source License", 2021.
• Open Source Initiative, "Meta's Llama License Is Still Not Open Source", análisis de las restricciones de Llama.

Geopolítica y regulación

• Bureau of Industry and Security, controles sobre semiconductores, memoria y equipo para China, 2024.
• Bureau of Industry and Security, revisión de licencias para H200, MI325X y chips similares, 2026.
• Comisión Europea, AI Act y calendario de aplicación.
• Comisión Europea, decisión sobre Apple y Meta bajo el Digital Markets Act, 2025.
• China Law Translate, Interim Measures for the Management of Generative Artificial Intelligence Services, 2023.
• UNCTAD, Technology and Innovation Report 2025.
• CEPAL, estudios sobre transformación digital, productividad, empleo e IA en América Latina.
• UNESCO, evaluación de preparación para la inteligencia artificial en México.