La eficiencia en costos de la inteligencia artificial (IA) y la soberanía de los datos se enfrentan a un dilema que obliga a las organizaciones a replantear sus marcos de riesgo. Durante más de un año, el discurso sobre la IA generativa se centró en una carrera por la capacidad, a menudo evaluando el éxito a través de conteos de parámetros y puntajes de referencia defectuosos.

Sin embargo, las conversaciones en las juntas directivas están experimentando una corrección necesaria. A pesar de que la promesa de modelos de alto rendimiento y bajo costo ofrece un camino tentador hacia la innovación rápida, las responsabilidades ocultas relacionadas con la residencia de datos y la influencia estatal están forzando una reevaluación en la selección de proveedores.

Un claro ejemplo de este debate en la industria es el laboratorio de IA con sede en China, DeepSeek. Según Bill Conner, exasesor de Interpol y actual CEO de Jitterbit, la recepción inicial de DeepSeek fue positiva porque desafió el statu quo al demostrar que “los modelos de lenguaje de alto rendimiento no requieren necesariamente presupuestos a escala de Silicon Valley”. Para las empresas que buscan reducir los enormes costos asociados a los pilotos de IA generativa, esta eficiencia resultó ser atractiva.

Conner señala que estos “bajos costos de entrenamiento reportados han reavivado conversaciones en la industria sobre eficiencia, optimización y un AI ‘suficientemente bueno’”.

Sin embargo, el entusiasmo por el rendimiento a bajo costo se ha topado con las realidades geopolíticas. La eficiencia operativa no puede separarse de la seguridad de los datos, especialmente cuando esos datos alimentan modelos alojados en jurisdicciones con marcos legales diferentes respecto a la privacidad y el acceso estatal.

Las recientes revelaciones sobre DeepSeek han alterado la ecuación para las empresas occidentales. Conner destaca que “las recientes revelaciones del gobierno de EE. UU. indican que DeepSeek no solo almacena datos en China, sino que también los comparte activamente con servicios de inteligencia estatales”. Esta divulgación eleva el problema más allá del cumplimiento estándar de GDPR o CCPA, llevando el perfil de riesgo al ámbito de la seguridad nacional.

Para los líderes empresariales, esto representa un peligro específico. La integración de modelos de lenguaje de gran tamaño (LLM) rara vez es un evento aislado; implica conectar el modelo a lagos de datos propietarios, sistemas de información de clientes y repositorios de propiedad intelectual. Si el modelo de IA subyacente posee una “puerta trasera” o obliga a compartir datos con un aparato de inteligencia extranjero, la soberanía se elimina y la empresa efectivamente elude su propio perímetro de seguridad, borrando cualquier beneficio de eficiencia de costos.

Conner advierte que “el entrelazamiento de DeepSeek con redes de adquisiciones militares y las supuestas tácticas de evasión de controles de exportación deberían servir como una señal de advertencia crítica para CEOs, CIOs y oficiales de riesgo”. Utilizar tal tecnología podría involucrar inadvertidamente a una empresa en violaciones de sanciones o compromisos de la cadena de suministro.

El éxito ya no se mide solo por la generación de código o resúmenes de documentos; ahora se trata del marco legal y ético del proveedor. Especialmente en industrias como la financiera, la salud y la defensa, la tolerancia a la ambigüedad respecto al linaje de los datos es nula. Los equipos técnicos pueden dar prioridad a los benchmarks de rendimiento de la IA y la facilidad de integración durante la fase de prueba de concepto, posiblemente pasando por alto la procedencia geopolítica de la herramienta y la necesidad de soberanía de datos.

Los oficiales de riesgo y los CIOs deben imponer una capa de gobernanza que interroge el “quién” y el “dónde” del modelo, no solo el “qué”. Decidir adoptar o prohibir un modelo de IA específico es una cuestión de responsabilidad corporativa. Los accionistas y clientes esperan que sus datos permanezcan seguros y se utilicen únicamente para los fines comerciales previstos.

Conner plantea esto de manera explícita para el liderazgo occidental, afirmando que “para los CEOs, CIOs y oficiales de riesgo occidentales, no se trata de un tema de rendimiento del modelo o eficiencia de costos”. En cambio, “es una cuestión de gobernanza, responsabilidad y fiduciaria”. Las empresas “no pueden justificar la integración de un sistema donde la residencia de datos, la intención de uso y la influencia estatal son fundamentalmente opacas”.

Esta opacidad crea una responsabilidad inaceptable. Incluso si un modelo ofrece el 95 por ciento del rendimiento de un competidor a la mitad de costo, el potencial de multas regulatorias, daño a la reputación y pérdida de propiedad intelectual elimina esos ahorros al instante. El caso de DeepSeek sirve como un llamado a auditar las cadenas de suministro de IA actuales. Los líderes deben asegurarse de tener plena visibilidad sobre dónde ocurre la inferencia del modelo y quién tiene las llaves de los datos subyacentes.

A medida que el mercado de la IA generativa madura, la confianza, la transparencia y la soberanía de datos probablemente superarán el atractivo de la pura eficiencia de costos.