El giro de Eric Schmidt, de Google Search a la estrategia de IA

Por qué Eric Schmidt importa en la conversación sobre política de IA

Eric Schmidt importa en la política de IA porque su carrera conecta la operación de una plataforma tecnológica global con el esfuerzo de desarrollar capacidad tecnológica nacional. Su influencia no procede de ocupar un cargo electo ni de redactar regulaciones. Procede de traducir problemas de ingeniería, inversión y organización en recomendaciones que los responsables públicos pueden financiar, asignar y medir.

Esta distinción mantiene el tema enfocado. Los años de Schmidt en Google explican por qué los funcionarios lo escuchan, pero esto no es una biografía ni una historia de los buscadores. La cuestión relevante es cómo su experiencia con datos, infraestructura, talento técnico e iteración rápida de productos orientó su trabajo posterior en seguridad nacional e inteligencia artificial.

Una estrategia nacional de IA es el plan coordinado de un gobierno para la investigación, la adopción comercial, el uso en el sector público, la seguridad y la supervisión. Incluye financiación universitaria, inmigración cualificada, suministro de semiconductores, centros de datos, energía, compras públicas, estándares técnicos, preparación de la fuerza laboral y cooperación internacional. También debe decidir cuándo se justifican las restricciones, quién responde por los fallos y cómo pueden los ciudadanos impugnar decisiones automatizadas perjudiciales.

Cuatro debates atraviesan el trabajo público de Schmidt:

• La innovación abarca investigación, creación de empresas, velocidad de implementación y acceso a capital y computación.
• La seguridad cubre adopción en defensa, operaciones cibernéticas, inteligencia, protección de modelos y capacidades peligrosas de doble uso.
• La gobernanza asigna responsabilidad mediante pruebas, documentación, supervisión, responsabilidad legal y reparación.
• La competencia aborda la relación entre Estados Unidos y China, coordinación con aliados, chips avanzados, estándares técnicos y talento.

Estos debates se superponen, pero no son intercambiables. Una política que aumenta la capacidad nacional de computación puede respaldar la investigación y la defensa, al tiempo que presiona más al sistema eléctrico. Una restricción a la exportación puede retrasar el acceso de un competidor a hardware avanzado e imponer costes a proveedores nacionales. Un requisito de seguridad puede proteger a las personas en un entorno de alto riesgo y resultar innecesario si se aplica sin cambios a una herramienta administrativa de bajo riesgo.

La importancia de Schmidt reside en este enfoque operativo. La estrategia nacional no es una declaración de que la IA importa. Es un conjunto de instituciones, presupuestos, sistemas técnicos, incentivos y plazos que determina si la ambición pública resiste el contacto con la implementación.

Del liderazgo de ingeniería a la escala de Google

La carrera tecnológica de Schmidt le dio experiencia directa con problemas organizativos que después aparecieron en sus recomendaciones de política. Formado como científico informático, trabajó en Bell Labs, Sun Microsystems y Novell antes de incorporarse a Google como director ejecutivo en 2001. Google ya contaba con sus fundadores, tecnología de búsqueda y una audiencia que crecía con rapidez. Su papel consistía en convertir ese impulso en una empresa capaz de operar de forma fiable en distintos mercados y productos.

Siguió siendo CEO de Google hasta 2011. Durante ese periodo, la empresa amplió su infraestructura informática, negocio publicitario, plantilla y gama de productos. La lección fue más amplia que el crecimiento: una invención técnica tiene un valor limitado cuando una organización no puede contratar personal, asignar recursos informáticos, probar cambios, recuperarse de fallos ni decidir a la velocidad necesaria.

La búsqueda ilustra la conexión entre esas disciplinas operativas. En términos conceptuales, un sistema de búsqueda debe realizar tres tareas distintas:

• El rastreo descubre documentos y vuelve a visitarlos a medida que cambia la web.
• La indexación organiza el material encontrado para recuperarlo de forma eficiente.
• La clasificación estima qué resultados satisfacen mejor una consulta y una intención concretas.

Cada tarea depende de infraestructura, calidad de datos, medición y mantenimiento constante. Un cambio útil en la clasificación debe funcionar entre idiomas, consultas poco frecuentes, intentos de spam, noticias de última hora, redes lentas y miles de millones de interacciones. Una pequeña tasa de error puede producir un gran volumen diario de resultados deficientes cuando el servicio opera a escala global.

La era de los buscadores también normalizó la experimentación controlada. Los equipos podían comparar un cambio propuesto con el sistema existente, observar el comportamiento de usuarios, revisar casos de fallo y revertir una publicación cuando la evidencia se volvía desfavorable. La supervisión y la reversión eran parte del producto, no trabajo administrativo añadido tras el lanzamiento.

La confianza era más difícil de medir, pero igual de relevante. La clasificación de búsqueda influye en lo que la gente encuentra, mientras que la recopilación de datos crea obligaciones de privacidad y seguridad. Los usuarios pueden abandonar un servicio si los resultados parecen manipulados, inseguros o persistentemente inexactos. Los gobiernos enfrentan un problema relacionado con la IA: un sistema puede cumplir un objetivo interno de rendimiento y aun así perder legitimidad si las personas no pueden entender, cuestionar o evitar sus decisiones.

La analogía tiene límites. Un país no es una empresa tecnológica, los ciudadanos no son clientes y la autoridad pública no puede reducirse a la gestión de productos. El gobierno debe cumplir la ley, proteger los derechos constitucionales, respetar el debido proceso y responder ante instituciones con mandatos que compiten entre sí. La experiencia de Schmidt en el sector privado resulta útil cuando identifica cuellos de botella operativos. Pierde fuerza cuando se trata la velocidad corporativa como sustituto de la rendición de cuentas democrática.

Los cargos públicos que crearon la influencia política de Schmidt

La transición de Schmidt hacia la política tecnológica nacional ocurrió mediante una serie de cargos formales de asesoramiento e iniciativas financiadas de forma privada. Esos puestos le dieron acceso a dirigentes de defensa, legisladores, especialistas técnicos y personal de políticas públicas, además de documentos públicos con los que se puede evaluar su influencia.

En 2016, el secretario de Defensa Ash Carter eligió a Schmidt para presidir el recién creado Defense Innovation Board. Su mandato era asesorar a los líderes del Departamento de Defensa sobre prácticas organizativas, software, datos, talento y adopción más rápida de tecnología. La junta no dirigía operaciones militares ni adjudicaba contratos. Elaboraba recomendaciones para ayudar a una gran burocracia a trabajar con mayor eficacia con tecnología moderna y proveedores comerciales.

Más tarde, el Congreso creó la National Security Commission on Artificial Intelligence, conocida habitualmente como NSCAI. Schmidt presidió la comisión bipartidista de 15 miembros, con el ex subsecretario de Defensa Robert Work como vicepresidente. Su encargo legal consistía en recomendar cómo debía Estados Unidos desarrollar IA y tecnologías relacionadas para atender necesidades de seguridad nacional y económica.

La NSCAI entregó su informe final al presidente y al Congreso en 2021. El informe contenía 16 capítulos y planes de acción detallados sobre adopción en defensa, talento técnico, infraestructura de investigación, microelectrónica, alianzas, uso responsable y competencia con China. Su importancia surgía de combinar afirmaciones estratégicas con propuestas aplicables. Los funcionarios podían extraer una estructura de oficina, un programa de contratación, un concepto presupuestario o un requisito de pruebas, en lugar de aceptar un llamamiento general a invertir en IA.

Después de que la NSCAI concluyera su trabajo, Schmidt fundó el Special Competitive Studies Project en 2021. Esta fundación privada estudia la IA y otras tecnologías emergentes en relación con la seguridad nacional, la economía y la sociedad. Schmidt la preside, mientras su equipo y asesores siguen publicando propuestas de política y reuniendo a responsables de decisiones públicos y privados.

Estas posiciones muestran cuatro vías por las que un asesor puede influir en la política:

• El encuadre define el problema y el vocabulario con el que los funcionarios lo abordan.
• Los planes convierten metas amplias en oficinas, atribuciones, programas y plazos.
• Las redes conectan organismos con investigadores, inversores, empresas y exfuncionarios.
• El seguimiento mantiene las recomendaciones en circulación después de que una comisión se haya disuelto.

Ninguna de estas vías da al asesor un control formal. El Congreso decide si autoriza y financia programas. Los organismos ejecutivos interpretan mandatos, redactan normas de contratación y gestionan implementaciones. Tribunales, inspectores generales, auditores, periodistas y sociedad civil pueden revelar defectos. Schmidt puede influir en el menú de opciones, pero las instituciones públicas deciden qué se encarga y qué perdura.

Qué defendía la estrategia de la NSCAI

El argumento central de la NSCAI era que la ventaja en IA depende de un conjunto completo de capacidades técnicas e institucionales, no de un único modelo superior. El informe describía ese conjunto mediante talento, datos, hardware, algoritmos, aplicaciones e integración. La debilidad en cualquier capa puede impedir que un resultado impresionante de laboratorio se convierta en una capacidad nacional fiable.

El informe pidió que el Departamento de Defensa y la Comunidad de Inteligencia tuvieran listas las bases para una integración generalizada de IA en 2025. Ese objetivo era un plazo para el trabajo de preparación, no una certificación de que cada organismo o misión relevante estaría listo para IA en esa fecha. Una retrospectiva seria debe preguntar qué bases se construyeron, cómo funcionaron y qué problemas quedaron pendientes.

Sus recomendaciones pueden agruparse en cinco temas prácticos:

• La adopción gubernamental requería liderazgo sénior, datos utilizables, software moderno, computación segura y contratación iterativa.
• La política de talento requería nuevas trayectorias profesionales técnicas, mejor formación, contratación flexible y acceso continuo a talento internacional.
• La política de hardware requería atención a la fabricación de semiconductores, el acceso a chips avanzados, la concentración del suministro y la investigación.
• La capacidad nacional de investigación requería inversión pública y acceso más amplio a computación, conjuntos de datos, modelos y apoyo técnico.
• El uso responsable requería pruebas, juicio humano, rendición de cuentas, supervisión y cooperación con aliados.

El componente de uso responsable suele perderse cuando se resume la NSCAI como un documento sobre una carrera. Su informe final sostenía que los sistemas de seguridad nacional necesitan confianza justificada. Los operadores deben entender dónde funciona un sistema, dónde falla, cómo pueden atacarlo los adversarios y cuánto riesgo puede aceptar una misión. Propuso liderazgo de IA responsable dentro de los organismos y apoyo multidisciplinar para evaluación y gobernanza.

Partes del análisis de 2021 han envejecido porque la IA generativa cambió el problema práctico. Los modelos fundacionales de propósito general ahora pueden producir texto, software, imágenes, audio y planes desde una sola interfaz. Pueden adaptarse mediante indicaciones, recuperación de información, ajuste fino y uso de herramientas sin entrenar un modelo desde cero. Esto amplió el acceso y dificultó describir los límites de capacidad.

La inferencia también se convirtió en un recurso estratégico junto al entrenamiento. Un país puede tener modelos y carecer de suficiente computación, capacidad de red, electricidad o entornos de implementación seguros para usarlos en hospitales, organismos, laboratorios y unidades militares. El robo de modelos, el ajuste fino malicioso, los medios sintéticos, el uso de herramientas por agentes y el trabajo biológico o cibernético asistido por IA exigen ahora más atención de la que recibieron en los primeros documentos estratégicos.

Por eso, la parte duradera de la NSCAI es su visión de sistemas. La parte desactualizada es cualquier supuesto de que la adopción de IA sigue una ruta convencional de software con requisitos estables y actualizaciones predecibles. La estrategia actual debe gobernar un servicio cambiante, sus herramientas circundantes, sus flujos de datos y a las personas que dependen de él.

Qué recomendaciones se convirtieron en instituciones visibles

Varias iniciativas posteriores de Estados Unidos se parecen a propuestas de la NSCAI, aunque la semejanza por sí sola no demuestra que Schmidt o la comisión las causaran. La legislación, el trabajo de organismos, investigaciones anteriores, la presión comercial, acontecimientos de seguridad y cambios en la política presidencial también influyeron en el resultado.

El Departamento de Defensa creó el puesto de Chief Digital and Artificial Intelligence Officer en febrero de 2022. La oficina reunió responsabilidades importantes de datos, analítica e IA bajo un funcionario sénior. Esa decisión organizativa abordó el problema de coordinación que había descrito la NSCAI: los pilotos dispersos no producen adopción en todo el departamento cuando los datos, la infraestructura, la política y la contratación siguen divididos.

La CHIPS and Science Act llegó en 2022 y aportó casi 53.000 millones de dólares para incentivos a la fabricación de semiconductores, investigación y programas relacionados de fuerza laboral. Su alcance iba más allá de la IA, pero la computación avanzada convirtió la capacidad de semiconductores en una preocupación directa de la estrategia nacional. Las plantas de fabricación, el empaquetado, el equipo de producción, la investigación, la mano de obra cualificada y la seguridad del suministro se volvieron objetos de política, no asuntos dejados por completo a las decisiones de compra de las empresas.

El piloto National Artificial Intelligence Research Resource comenzó en 2024 para dar a investigadores y educadores acceso a computación, conjuntos de datos, modelos, software, formación y apoyo. En su actualización de avance a dos años, el programa informó que había apoyado más de 600 proyectos de investigación y 6.000 estudiantes, con participación en todos los estados y unos 100 millones de dólares en contribuciones en especie de socios privados. Es un ejemplo concreto de infraestructura público-privada pensada para reducir la brecha entre laboratorios bien financiados y la comunidad investigadora más amplia.

El AI Action Plan de la Casa Blanca de 2025 estableció más de 90 acciones federales bajo tres pilares: innovación, infraestructura, diplomacia y seguridad internacionales. Su énfasis político difería de políticas anteriores. Dio mayor peso al desarrollo rápido del sector privado, la construcción de centros de datos, el suministro de energía, las exportaciones de IA, la adopción federal y la aplicación de restricciones a la computación avanzada.

Un memorando de seguridad nacional de junio de 2026 impulsó aún más la agenda operativa. Ordenó trabajo sobre adopción para seguridad nacional, contratación técnica, una reserva de talento de IA, entornos compartidos de datos y modelos, respuesta a incidentes, prácticas de seguridad y métodos estandarizados de prueba, evaluación, verificación y validación. También definió la controlabilidad como la capacidad de supervisar un sistema y tomar medidas correctivas.

En conjunto, estas medidas muestran una convergencia de políticas en torno a varios problemas que Schmidt destacó: capacidad estatal, personal técnico, infraestructura informática, coordinación institucional y evaluación medible. No resuelven si las soluciones adoptadas son suficientes o están bien diseñadas. Crear una oficina es más fácil que darle autoridad. Anunciar un programa es más fácil que mantener las asignaciones presupuestarias. Publicar un método de evaluación es más fácil que hacerlo cumplir frente a un proveedor favorito o una misión urgente.

Investigación, talento e infraestructura hacen ejecutable la estrategia

Una estrategia nacional de IA solo se vuelve ejecutable cuando investigación, personas, computación, datos y reglas de implementación funcionan como una sola cartera. Financiar un componente e ignorar otro genera capacidad sin usar o dependencia de un pequeño grupo de proveedores.

La financiación pública de investigación debe apoyar ciencia básica, misiones aplicadas, métodos de evaluación y trabajo con retornos comerciales inciertos. También debe incluir mecanismos de transición. Un equipo universitario puede demostrar una técnica valiosa, pero la adopción puede estancarse sin alojamiento seguro, ingeniería de producto, autoridad legal, financiación para mantenimiento y un organismo público dispuesto a asumir el resultado.

La política de talento exige más que graduar a más investigadores de aprendizaje automático. El gobierno necesita ingenieros de software, ingenieros de datos, especialistas en ciberseguridad, responsables de producto, personal de contratación, abogados, auditores, profesionales del área y funcionarios sénior capaces de tomar decisiones técnicas. Un modelo de defensa evaluado sin operadores puede fallar en condiciones de campo. Un sistema de prestaciones revisado sin conocimientos de derecho administrativo puede vulnerar el debido proceso aunque su predicción sea estadísticamente precisa.

La política de computación debe distinguir entre entrenamiento e inferencia. Entrenar un modelo grande requiere computación concentrada durante un periodo limitado. Operar ese modelo para muchos usuarios crea demanda continua de aceleradores, memoria, redes, almacenamiento, electricidad, refrigeración y mantenimiento. Los planes de contratación que presupuestan el desarrollo e ignoran el coste operativo pueden dejar a los organismos con un piloto exitoso que no pueden permitirse escalar.

La infraestructura física ya forma parte de la estrategia. Los centros de datos necesitan ubicaciones adecuadas, energía fiable, capacidad de transmisión, agua u otros sistemas de refrigeración, conexiones de red, equipos de repuesto y planes de emergencia. Algunas medidas útiles son el tiempo para conectar capacidad nueva, las tasas de utilización, el coste por carga de trabajo completada, el tiempo de recuperación tras una interrupción y la proporción de cargas sensibles que pueden ejecutarse en entornos aprobados.

La política de datos empieza con autoridad legal y propósito. Los organismos deben saber por qué existe un conjunto de datos, quién puede usarlo, cuánto tiempo puede conservarse, qué poblaciones describe mal y cómo se propagan las correcciones. La procedencia importa porque una evaluación no puede explicar un fallo cuando se desconoce el origen y el historial de transformaciones de los registros subyacentes.

Los métodos que preservan la privacidad pueden reducir la exposición, pero no eliminan la necesidad de gobernanza. Los controles de acceso, entornos seguros, desidentificación, privacidad diferencial, análisis federado y registros de auditoría abordan amenazas distintas. Un organismo debe elegirlos según los datos, los usuarios, el modelo de ataque y el deber público implicado.

La implementación debe seguir un ciclo de vida, no una prueba de aceptación única:

1. Definir la decisión, la población afectada, la autoridad legal y la persona responsable.
2. Establecer una referencia sin IA y una meta de beneficio medible.
3. Probar rendimiento, seguridad, sesgo, accesibilidad y uso indebido en el entorno previsto.
4. Publicar gradualmente con registros, vías de escalamiento, informes de incidentes y reversión.
5. Reevaluar después de cambios en el modelo, los datos, la política o las condiciones operativas.

Este proceso favorece la rapidez porque permite ensayos pequeños y reversibles. También evita confundir una demostración impresionante de un prototipo con evidencia de producción.

La IA cambia la seguridad nacional mediante capacidades de doble uso

La IA cambia la seguridad nacional al aumentar la velocidad, escala y accesibilidad del análisis y la acción. Las organizaciones de inteligencia pueden usarla para examinar imágenes, traducir material, buscar en grandes colecciones documentales, identificar anomalías cibernéticas y ayudar a los analistas a conectar señales. Las organizaciones militares pueden aplicarla a logística, mantenimiento, apoyo a la planificación, detección y sistemas autónomos.

La misma capacidad puede ayudar a atacantes. La generación de código puede ayudar a defensores a inspeccionar software y a adversarios a variar programas maliciosos. La generación de lenguaje puede reducir el coste del phishing personalizado y de las operaciones de influencia. La visión artificial puede respaldar la respuesta a desastres o la vigilancia persistente. Los modelos biológicos pueden ayudar a investigación legítima y reducir algunas barreras para la experimentación dañina.

Por eso la política sobre doble uso no puede reducirse a una lista de modelos prohibidos. El riesgo depende del modelo, las herramientas conectadas, los datos disponibles, el acceso del usuario, el entorno de implementación y la consecuencia del error. Un modelo general sin permisos externos crea una exposición distinta del mismo modelo conectado a bases de datos clasificadas, equipo de laboratorio, cuentas financieras o armas.

La contratación pública enfrenta una dificultad relacionada. Los contratos tradicionales suponen requisitos estables y una versión de producto que puede probarse antes de aceptarla. Los servicios de IA pueden cambiar su modelo, capa de seguridad, sistema de recuperación, mezcla de entrenamiento o política de uso durante el contrato. Los organismos necesitan aviso sobre cambios importantes y la capacidad de repetir evaluaciones antes de que una actualización llegue a trabajo sensible.

Una implementación defendible para seguridad nacional debe incluir cinco controles:

• Pruebas específicas de la misión que midan falsos positivos, falsos negativos, latencia, fallos bajo estrés y comportamiento adversarial.
• Acceso de mínimo privilegio que limite los datos, herramientas y acciones disponibles para el sistema.
• Autoridad humana identificada para aprobación, intervención, escalamiento y apagado.
• Registros y supervisión continuos diseñados para investigación, no para marketing del proveedor.
• Cláusulas contractuales que cubran actualizaciones, incidentes, uso de datos, acceso al modelo, portabilidad y terminación.

La participación humana debe ser significativa. Exigir que una persona pulse «aprobar» sirve de poco cuando la interfaz oculta la incertidumbre, la carga de trabajo impide revisar o la cultura organizativa castiga discrepar del modelo. Los operadores necesitan formación, tiempo, información alternativa y autoridad para rechazar un resultado.

Los usos con consecuencias graves exigen evidencia más estricta. Un sistema que resume correspondencia rutinaria puede tolerar errores inaceptables en selección de objetivos, alertas de inteligencia, triaje médico o acceso a una prestación pública. La rapidez debe venir de una revisión proporcional y una implementación reversible, no de fingir que todos los usos tienen las mismas consecuencias.

La competencia entre Estados Unidos y China es más amplia que una carrera de modelos

La competencia de IA entre Estados Unidos y China se refiere a capacidad industrial, investigación, talento, energía, cadenas de suministro, adopción y alianzas, no a una única clasificación de modelos. Tratarla como una línea de meta fomenta afirmaciones dramáticas y oculta las instituciones que sostienen la ventaja durante años.

Las comparaciones de capacidad deben especificar qué se mide. Entrenar un modelo de alto rendimiento es distinto de fabricar chips avanzados, implementar sistemas en toda la industria, proporcionar capacidad de nube fiable, lograr descubrimientos científicos o integrar IA en operaciones militares. Un país puede liderar en una categoría y depender de proveedores extranjeros en otra.

Los controles de exportación buscan ralentizar el acceso a determinados chips avanzados y equipos de fabricación de semiconductores. Su efecto depende del alcance técnico, la aplicación de las normas, la participación de aliados, las reservas, las rutas de desvío y la capacidad del país objetivo para desarrollar sustitutos. Controles demasiado limitados pueden tener poco efecto. Normas demasiado amplias pueden animar a clientes a abandonar proveedores estadounidenses o acelerar la sustitución.

Los aliados importan porque las cadenas de suministro de semiconductores y computación cruzan fronteras nacionales. El diseño de chips, la fabricación, el equipo de producción, los materiales, el empaquetado, los servicios en la nube y el talento investigador están repartidos entre países. Una política coordinada puede reducir la evasión, repartir costes, respaldar prácticas de seguridad compatibles y dar a los socios un motivo para construir con sistemas fiables.

La competencia también afecta a la gobernanza. Si cada requisito de evaluación se describe como desarme unilateral, organismos y empresas invertirán poco en pruebas hasta que un fallo fuerce una reacción. Si se restringe toda capacidad por motivos especulativos, la investigación y adopción beneficiosa pueden trasladarse a otros lugares. Una estrategia competente protege el espacio para experimentar y aplica controles más fuertes al acceso, las acciones y los entornos que generan un riesgo creíble para la seguridad nacional.

La concentración complica la posición estadounidense. Entrenar y operar sistemas de frontera exige recursos disponibles para un número limitado de empresas. La concentración puede acelerar la inversión y la implementación, pero también debilitar el poder de negociación del gobierno, reducir el acceso a investigación y crear dependencias comunes entre organismos. La política de competencia, la interoperabilidad, la portabilidad, la infraestructura pública de investigación y los requisitos de acceso a código fuente o modelos pueden abordar partes de ese problema.

La metáfora de la carrera sigue siendo políticamente eficaz porque crea urgencia. Es analíticamente incompleta porque un liderazgo estable depende de resiliencia, corrección de errores, legitimidad pública y cooperación. Un país que se implementa rápido pero no puede proteger sus modelos, alimentar sus centros de datos, formar operadores ni responder a incidentes no ha construido una ventaja duradera.

La gobernanza debe seguir el uso y sus consecuencias

Una gobernanza eficaz de IA asigna obligaciones según lo que hace un sistema, a quién afecta y cuán grave sería un fallo. Un chatbot que responde preguntas generales, una ayuda diagnóstica, un filtro de contratación y un componente autónomo de selección de objetivos no deben afrontar requisitos de evidencia idénticos.

La primera tarea de gobernanza es la clasificación. Los funcionarios deben identificar si el sistema informa a una persona, recomienda una acción, toma una decisión o ejecuta una acción. Después deben identificar los derechos afectados, posibles pérdidas, grupos vulnerables, mecanismos de apelación y reversibilidad del daño.

Cinco preguntas revelan rápidamente una gobernanza débil:

• ¿En qué decisión influye el sistema y quién sigue siendo legalmente responsable?
• ¿Qué evidencia respalda su uso para esta población y entorno operativo?
• ¿Qué información se recopila, conserva, comparte o usa para entrenamiento posterior?
• ¿Cómo puede una persona afectada obtener una explicación, corrección y revisión humana?
• ¿Qué evento activa una suspensión, notificación, reparación o compensación?

La equidad exige examinar resultados, no asumir que eliminar atributos protegidos elimina la discriminación. Otras variables pueden actuar como sustitutos, los registros históricos pueden codificar trato desigual y los costes del error pueden recaer de forma desigual. Los organismos deben probar con los grupos relevantes, investigar las causas y decidir si el uso sigue siendo legal y justificado después de mitigar los problemas.

La transparencia debe adaptarse al público. Los ingenieros necesitan documentación de modelos y datos. Los operadores necesitan límites, incertidumbre e instrucciones de escalamiento. Los responsables de contratación necesitan información sobre coste, seguridad, actualizaciones y dependencias. Una persona afectada por una decisión necesita una razón comprensible y una vía útil de apelación. Publicar un documento técnico extenso no satisface las cuatro necesidades.

El análisis de privacidad debe cubrir las interacciones con el modelo además de los datos de entrenamiento. Las indicaciones, documentos recuperados, resultados de herramientas, registros, comentarios y registros generados pueden contener información sensible. Las condiciones de contratación deben indicar si un proveedor puede conservar estos materiales, usarlos para entrenamiento, transferirlos entre fronteras o exponerlos a subcontratistas.

Las evaluaciones de modelos de frontera y las auditorías de aplicaciones responden preguntas distintas. Una evaluación de modelo puede probar capacidad cibernética, engaño, conocimiento biológico o resistencia al uso indebido. Una auditoría de aplicación examina el sistema completo implementado, incluidas indicaciones, recuperación, herramientas, interfaces, procedimientos humanos y población afectada. Superar una no sustituye a la otra.

Investigadores independientes, organizaciones de la sociedad civil, inspectores generales, organismos de estándares y laboratorios de pruebas aportan conocimiento y escrutinio que los organismos y proveedores pueden no tener. Los acuerdos de acceso deben proteger la seguridad y los datos personales, pero el secreto no debe convertirse en una defensa general contra el examen externo.

La colaboración público-privada necesita límites y evidencia

La colaboración público-privada funciona cuando las partes definen el problema público, la autoridad legal, el resultado esperado, el límite de seguridad y las condiciones de salida antes de elegir tecnología. Las alianzas vagas generan publicidad, pero dificultan revisar el coste, la responsabilidad y el rendimiento.

El gobierno aporta mandato, financiación pública, acceso a entornos de misión y capacidad para apoyar trabajo a largo plazo. Las empresas aportan personal de ingeniería, infraestructura comercial, conocimiento actual de productos y experiencia operando sistemas a escala. Universidades y organizaciones sin ánimo de lucro pueden aportar investigación básica, métodos de evaluación, formación y crítica independiente.

Sus incentivos son distintos. Un proveedor se beneficia cuando un piloto se amplía a un contrato largo. Un dirigente de organismo puede beneficiarse de anunciar adopción rápida antes de que madure la evidencia. Un grupo de investigación puede preferir una publicación abierta incluso si un resultado tiene implicaciones de seguridad. Los buenos acuerdos reconocen estos incentivos e incorporan derechos de revisión, divulgación, competencia y terminación.

Los conflictos de interés merecen un tratamiento directo cuando asesores destacados mantienen inversiones, puestos en consejos, relaciones empresariales o proyectos filantrópicos en la misma área de política. La divulgación no demuestra influencia indebida, y la experiencia suele venir acompañada de conexiones profesionales. Permite a funcionarios y ciudadanía evaluar la procedencia de una recomendación, buscar opiniones alternativas y apartar a participantes cuando sea necesario.

Los prototipos de bajo riesgo ofrecen un ámbito práctico de colaboración. Koder.ai, por ejemplo, permite crear interfaces web en React, servicios backend en Go con PostgreSQL y aplicaciones móviles en Flutter mediante chat en lenguaje natural. Admite modo de planificación, exportación de código fuente, implementación y alojamiento, dominios personalizados, instantáneas y reversión. Estas funciones pueden acortar el ciclo de comentarios para un demostrador o herramienta interna.

Una aplicación generada todavía requiere revisión antes de usarse en producción en el sector público. Los equipos deben inspeccionar el código, las dependencias, autenticación, controles de acceso, flujos de datos, accesibilidad, registros, resiliencia, licencias y configuración de implementación. Las cargas de trabajo sensibles también requieren un entorno de alojamiento aprobado y cumplimiento de las obligaciones de seguridad y archivo del organismo. El vibe coding cambia cómo se produce un prototipo, no quién responde por él.

Un contrato de piloto útil debe especificar:

• Un grupo de usuarios limitado y un periodo operativo con duración definida.
• Medidas de coste, calidad y tiempo de finalización de referencia.
• Restricciones sobre retención, entrenamiento, ubicación de datos y subcontratistas.
• Pruebas de seguridad, notificación de cambios, informes de incidentes y obligaciones de reversión.
• Derechos de exportación, portabilidad, documentación y terminación.

Esta estructura permite a los organismos aprender sin quedar atados a un proveedor antes de entender el sistema. También da a los pilotos exitosos evidencia creíble para su expansión.

Cómo evaluar la influencia de Schmidt y cualquier estrategia de IA

La influencia de Schmidt debe evaluarse por adopción, recursos, durabilidad institucional y resultados, no por discursos o cercanía a funcionarios. Una recomendación puede influir en el debate sin convertirse en política, y una política posterior puede parecerse a ella sin haber sido causada por ella.

Empiece por la atribución. Identifique el informe, testimonio, recomendación de junta o propuesta específicos asociados con Schmidt. Separe sus declaraciones personales de los documentos de consenso elaborados por una comisión o institución. El informe de una comisión de 15 miembros no es idéntico a la opinión privada de su presidente.

Después, siga la cadena de implementación:

1. ¿El Congreso o un organismo adoptó la propuesta de forma reconocible?
2. ¿Recibió autoridad legal, asignaciones presupuestarias, personal y liderazgo responsable?
3. ¿La institución responsable publicó hitos y evidencia de rendimiento?
4. ¿Los usuarios recibieron una capacidad fiable, no solo un piloto o el anuncio de una oficina?
5. ¿Auditorías, incidentes, costes, impactos en derechos o resultados estratégicos respaldaron la afirmación original?

Los plazos deben ser lo bastante específicos para permitir el fracaso. Una aspiración de cinco años debe identificar qué ocurre durante el primer ciclo presupuestario, qué dependencias deben llegar primero y quién puede intervenir si los hitos se retrasan. De otro modo, el plan puede declararse exitoso solo por actividad.

Las métricas deben ajustarse al objetivo. Un programa de adopción gubernamental puede medir tiempo de contratación, finalización de tareas de usuarios, coste por caso, tasa de anulación, incidentes de seguridad y tiempo de recuperación. Un programa de investigación puede medir acceso concedido, utilización de recursos, publicaciones, reproducibilidad, resultados de formación y transición de resultados a la práctica. Contar reuniones o documentos generados dice poco sobre capacidad.

Las compensaciones deben ser visibles. Los planes serios explican quién asume los costes energéticos, cómo afectan las restricciones de exportación a los proveedores, qué datos no pueden utilizarse, cuándo debe decidir una persona y qué implementaciones estarán prohibidas o suspendidas. Una estrategia que promete al mismo tiempo máxima velocidad, seguridad, apertura, privacidad y control ha evitado las decisiones que una estrategia debe tomar.

Lo que finalmente muestra la trayectoria de Schmidt

La trayectoria de Schmidt muestra que el liderazgo en IA es un problema organizativo y político tanto como un problema de desarrollo de modelos. Google demostró el valor de la infraestructura, la medición, el talento técnico, la experimentación y la recuperación a enorme escala. Su trabajo de asesoramiento aplicó esas ideas operativas a la capacidad gubernamental, adopción en defensa, política de semiconductores, acceso a investigación y competencia internacional.

La transferencia es útil, pero incompleta. Las instituciones públicas deben proteger derechos, justificar decisiones coercitivas, revelar conflictos, mantener supervisión democrática y ofrecer reparación. Esas obligaciones no pueden sustituirse por ciclos de producto más rápidos o mejor gestión técnica.

La parte más sólida de la contribución de Schmidt a la política es insistir en que la estrategia nacional de IA necesita una maquinaria coordinada. La investigación sin acceso a computación se estanca. Los modelos sin operadores cualificados siguen siendo demostraciones. La contratación sin evaluación compra incertidumbre. La seguridad sin alianzas ignora la estructura de las cadenas de suministro. La innovación sin rendición de cuentas puede destruir la confianza necesaria para adoptar.

La respuesta adecuada no es la aceptación automática ni el rechazo por el origen corporativo de Schmidt. Es la verificación disciplinada: identificar la propuesta, seguir la autoridad y el dinero, examinar la implementación, medir los resultados y contar los costes que omiten las afirmaciones públicas. Así se hace visible la influencia y así puede evaluarse una estrategia nacional de IA por sus resultados.