Anthropic lanza Fable 5. A lo largo del día, vuelve a surgir la pregunta, como un mecanismo: «¿Y nosotros, dónde está nuestro equivalente?». Se plantea como una constatación de retraso, a veces como una acusación. Está mal planteada. No porque Europa no tenga nada de qué reprocharse, sino porque confunde dos cosas muy diferentes: no hacer algo y no tener todavía los medios para hacerlo. No es el mismo problema, y no requiere la misma respuesta.
Aclaremos los términos. Sin complacencia y sin autoflagelación.
Qué es un modelo de vanguardia y por qué cuesta lo que cuesta
Un modelo de vanguardia es lo último en investigación: el más grande, el más capaz, el que amplía los límites de lo que se considera posible en el momento de su lanzamiento. GPT-4, Claude, Gemini Ultra y Fable 5 entran en esta categoría. No es una cuestión de logotipo, es una cuestión de escala. Y la escala tiene un precio que hay que cuantificar con precisión.
Entrenar un modelo de este tipo requiere decenas de miles de procesadores gráficos de última generación, como los H100 o los H200 de Nvidia, que quedan monopolizados durante meses en una sola campaña de entrenamiento. El coste de cálculo de un modelo de vanguardia asciende a cientos de millones de dólares, a veces incluso más, sin contar los salarios ni la investigación previa. Luego viene la inferencia: hacer funcionar el modelo para millones de usuarios cuesta aún más, de forma continua, y este coste no se financia con los ingresos del primer día. La investigación de vanguardia no es una hazaña intelectual aislada. Es una actividad industrial de gran envergadura y capitalista, que supone un acceso garantizado a chips escasos y una fuente de financiación que no se agote.
La base que falta, y lo que no falta
Ahí está el verdadero tema. Hay cuatro condiciones que hacen posible la investigación de vanguardia, y Europa no cumple plenamente ninguna de ellas en la actualidad.
En primer lugar, la computación: el acceso a chips de última generación en cantidad pasa por una cadena de suministro dominada por un diseñador estadounidense, Nvidia, y un fabricante taiwanés, TSMC. La capacidad de los centros de datos dedicados al entrenamiento de vanguardia sigue siendo, en territorio europeo, incomparable con la desplegada al otro lado del Atlántico. En segundo lugar, el capital: la investigación de vanguardia exige capital de riesgo que acepte perder miles de millones durante cinco a diez años antes de obtener cualquier rendimiento, una lógica que la financiación europea, más escasa y prudente, no aplica a esta escala. Por último, el mercado interior: una oferta que se lanza una vez en Estados Unidos se dirige de inmediato a una base homogénea de más de trescientos millones de personas, lo que amortiza los costes. Europa sigue fragmentada en lenguas, legislaciones y mercados nacionales. Y el ciclo de rentabilidad: un actor estadounidense o chino puede soportar años de pérdidas porque la promesa de un dominio futuro justifica la inversión. El ecosistema europeo apenas financia esta apuesta.
Lo que hay que recordar se resume en una frase: Europa no va a la zaga en investigación de vanguardia, pero aún no dispone de la base industrial necesaria para llevarla a cabo. El matiz no es meramente superficial. El talento, por su parte, no falta. Los laboratorios europeos forman a algunos de los mejores investigadores del sector, y muchos se marchan precisamente allí donde existe esa base. El problema no está en las mentes, sino en el suelo que pisamos. No se construye lo mismo con las mismas manos cuando los medios estructurales difieren tanto.
Lo que Europa puede hacer, y ya está haciendo
De este diagnóstico se extrae con demasiada frecuencia una conclusión derrotista. Erróneamente, pues la frontera no es el único terreno de juego, ni siquiera el más útil para la mayoría de las organizaciones.
Mistral, en Francia, lo ha demostrado: se pueden producir modelos más pequeños, mejor optimizados y abiertos, que cubren la abrumadora mayoría de los usos reales a una fracción del coste de un modelo de frontera. La investigación sobre la eficiencia, la cuantificación y la inferencia local en hardware modesto es un ámbito en el que la diferencia de recursos tiene mucho menos peso. A continuación vienen los modelos verticales: un modelo especializado en derecho, sanidad, industria o una lengua regional no tiene por qué ser el más grande del mundo, sino que debe ser el mejor en su ámbito y cumplir con la normativa correspondiente. Se trata de una ventaja de proximidad, no de una carrera por el tamaño. Quedan la gobernanza y las normas, ámbitos en los que Europa va por delante más que por detrás: el marco normativo, los criterios de soberanía, los requisitos de auditabilidad y de protección de datos conforman las reglas que los modelos deberán respetar para operar en el continente. Definir el terreno de juego es una forma de poder que la carrera por los parámetros nos hace olvidar.
Separar los usos para plantear la pregunta correcta
De ahí surge la única pregunta que vale la pena. No «¿dónde está nuestro Fable 5?», sino «¿qué necesitamos realmente y para qué riesgo?».
Para ciertos usos, la dependencia de un modelo extranjero es un riesgo grave. Una aplicación crítica para la defensa, la inteligencia o una infraestructura vital no puede basarse en un servicio que una decisión extranjera pueda interrumpir o restringir. El tratamiento de datos sensibles sujeto a una obligación de soberanía exige una inferencia controlada, en el territorio, bajo la legislación adecuada. Un sector fuertemente regulado necesita un modelo cuya cadena de suministro pueda controlar. En este caso, la cuestión de la autonomía se plantea de verdad, y la respuesta pasa por modelos eficaces, locales y verticales, no necesariamente por un competidor extranjero.
Para muchos otros usos, la cuestión no tiene el mismo peso. ¿Quién, de entre las organizaciones que reclaman un GPT-5 europeo, lo utiliza realmente? Redactar, resumir, clasificar, asistir en la programación: estas tareas ya funcionan muy bien en modelos más pequeños, y el riesgo de dependencia se gestiona mediante la portabilidad y la elección del proveedor, no mediante la soberanía del modelo en sí mismo. Meterse todos los usos en el mismo saco da lugar al mismo razonamiento sesgado que oponer un proveedor de alojamiento de bajo coste a un hiperescalador: se comparan objetos que no responden a la misma lógica de riesgo.
La soberanía de la IA no se decreta exigiendo un clon europeo del último modelo estadounidense. Se construye separando los usos, para separar los riesgos, e invirtiendo en la base allí donde realmente hace falta. Mientras sigamos preguntando «¿dónde está nuestro Fable 5?», solo hablamos de orgullo. El día en que nos preguntemos «¿qué uso, qué riesgo, qué dependencia es aceptable?», por fin estaremos hablando del tema.
Fuentes
- NIST, AI Risk Management Framework, nist.gov
- Stanford HAI, AI Index Report 2026, costes de entrenamiento y capacidad de cálculo
- Mistral AI, documentación de los modelos abiertos y de la inferencia local
- ANSSI, criterios de soberanía para los servicios de IA, marzo de 2026
- Reglamento europeo sobre inteligencia artificial (AI Act), aplicación 2025-2026
- Epoch AI, estimaciones de los costes de cálculo de los modelos de vanguardia