Un nuevo modelo
de IA.

La IA se está convirtiendo en una capa infraestructural del mundo. Quien controla los modelos, los datos, los canales de acceso y las reglas de operación, controla cada vez más partes de la economía, la cultura, la administración, la educación y el conocimiento.

La soberanía de la IA no es, por tanto, un mero eslogan político. Es una condición de seguridad cognitiva, económica y tecnológica.

Una IA soberana significa la capacidad de ejecutar modelos de forma local o regional; controlar los datos y la memoria de la organización; auditar decisiones, fuentes y actualizaciones; evitar la dependencia de un único proveedor; y poseer o gobernar los propios modelos, adaptadores, corpus y reglas operativas.

No todas las organizaciones necesitan entrenar un modelo fundacional desde cero. Pero toda organización debería poder poseer su propia capa de IA: adaptada a su conocimiento, idioma, cultura, procedimientos, riesgos y objetivos.

La seguridad de la IA no puede reducirse al filtrado de salidas. Los filtros son necesarios, pero son salvaguardias superficiales.

Una IA segura debe diseñarse a un nivel más profundo: en la arquitectura, la memoria, el acceso a datos, las rutas de decisión, la auditabilidad, las actualizaciones y la rendición de cuentas.

Necesitamos modelos y sistemas que sepan de dónde proviene la información; que separen el conocimiento verificado de las hipótesis; que registren el historial de cambios y decisiones; que permitan una reconstrucción útil de las rutas de razonamiento; que reduzcan la alucinación mediante la memoria, las fuentes, las pruebas y la validación; y que soporten políticas de seguridad locales alineadas con el contexto de la organización.

La seguridad no debe ser una caja negra opaca impuesta desde el exterior. Debe ser configurable localmente, auditable y comprensible.

El mundo cambia más rápido que los ciclos de entrenamiento de los modelos gigantes. Las empresas cambian sus procedimientos. La ley cambia. El conocimiento caduca. Las organizaciones aprenden cada día.

La IA del futuro no puede ser solo un modelo estático congelado tras el entrenamiento.

Necesitamos sistemas que se adapten a través de la memoria organizacional externa, actualizaciones locales, adaptadores, enrutamiento de expertos, aprendizaje a partir del cambio, validación de fuentes, ajuste fino controlado, control de versiones y mecanismos de reversión.

Planteamos aquí una apuesta de diseño, abiertamente, como una apuesta: un modelo no debería intentar absorber todo el conocimiento fáctico en sus pesos. Debería saber cómo usar una memoria viva, actual y auditable. El conocimiento fáctico puede residir en sistemas RAG, bases de conocimiento, grafos, repositorios de documentos y memorias locales, mientras que el modelo aprende principalmente el lenguaje, el razonamiento, la abstracción, la planificación, la manipulación de conceptos y la adaptación. Si el razonamiento puede separarse por completo del conocimiento paramétrico sigue siendo una cuestión empírica abierta. Tenemos la intención de seguir poniéndolo a prueba — e informar honestamente donde la separación falle.

La carrera actual de la IA es costosa en términos de energía, hardware y medio ambiente. Modelos cada vez más grandes requieren centros de datos cada vez más grandes, más electricidad, más capital y más concentración de mercado.

Este no es el único camino posible.

New Model AI trata la eficiencia como un valor fundamental. Un modelo no debe ser evaluado solo por sus puntuaciones en benchmarks, sino también por el costo de alcanzar dichas puntuaciones.

Las preguntas importantes no son solo si un modelo puede responder, sino también cuánta energía ha consumido, cuánta memoria necesita, si puede ejecutarse localmente, si puede adaptarse sin un reentrenamiento completo, si puede activar solo los componentes necesarios y si una organización puede mantenerlo económica y técnicamente.

El futuro de la IA no debe reducirse a monolitos cada vez más grandes. Debería construirse a partir de sistemas inteligentes: modulares, parcialmente residentes, dinámicos, eficientes energéticamente y escalables por ingenio en lugar de por pura masa.

La IA no debe convertirse en una tecnología que en la práctica solo esté disponible para unos pocos estados, unas pocas corporaciones y unos pocos laboratorios.

Democratizar la IA no significa simplemente dar a la gente acceso a un chatbot en un navegador. Significa permitir a empresas más pequeñas, escuelas, universidades, gobiernos locales, instituciones públicas, organizaciones civiles y comunidades construir, adaptar, alojar, auditar y desarrollar sistemas de IA propios.

Necesitamos IA a múltiples escalas: un modelo personal para un individuo; un modelo organizacional para una empresa; un modelo sectorial para una industria; un modelo público para la administración; un modelo de investigación para la ciencia; y modelos sociales para la cultura y la educación.

La democratización no requiere que todo el mundo entrene modelos desde cero. Requiere que todo el mundo tenga un camino realista hacia su propia capa de IA controlada, adaptativa y comprensible.

La próxima generación de IA debería desplazar el centro de gravedad de la escala por sí sola hacia la arquitectura. En lugar de un modelo gigante que intenta recordarlo todo, podemos construir sistemas compuestos por modelos especialistas más pequeños, enrutadores, memoria externa, grafos de conocimiento, módulos de razonamiento, adaptadores de dominio, expertos locales, mecanismos de validación, bucles de aprendizaje del usuario y espacios dinámicos de significado.

La inteligencia no tiene por qué residir únicamente en los parámetros de un solo modelo. Puede emerger de la arquitectura: de la forma en que se conectan la memoria, el razonamiento, las fuentes, las herramientas, el contexto y la acción.

Conocemos la objeción más fuerte. Durante setenta años — como observa la “Bitter Lesson” de Richard Sutton — los métodos generales que aprovechan una computación cada vez más barata han derrotado a las arquitecturas inteligentes y diseñadas a mano. No negamos esta historia. Negamos su premisa de cara al futuro.

La “Bitter Lesson” fue válida en una era en que la computación parecía ser el recurso más barato sobre la mesa. Nunca lo fue. Simplemente no contamos su costo total: la energía, el agua, las emisiones, las cadenas de suministro de hardware, la concentración de mercado y la dependencia geopolítica se externalizaron fuera de la ecuación. La computación era barata para quienes escalaban — y cara para todos los demás. Una vez que la contabilidad se realiza de manera honesta y total, la factura de la escala bruta se ve muy diferente. Esa factura está ahora al cobro: no por elección de nadie, sino por la física, la economía y la ecología. Cuando las verdaderas restricciones se incluyen en el precio, el eje del progreso se desplaza necesariamente de la escala bruta a la inteligencia por julio.

Ya existen señales tempranas. Un modelo recursivo de siete millones de parámetros — cuatro órdenes de magnitud más pequeño que los sistemas de frontera — ha igualado o superado a modelos de cientos de miles de millones de parámetros en benchmarks de razonamiento abstracto. Un análisis cuidadoso muestra que su fortaleza no proviene solo de la red, sino de la interacción de un núcleo diminuto con refinamiento iterativo, computación en tiempo de prueba y estructura de la tarea. Ese es precisamente el punto: la inteligencia surgió del sistema, no del recuento de parámetros. Los propios laboratorios de frontera ahora lo admiten en la práctica: la recuperación, las herramientas, el enrutamiento y el razonamiento en tiempo de inferencia son arquitectura, no escala.

No afirmamos que la arquitectura vencerá a la escala en todos los benchmarks. Afirmamos algo más difícil de refutar: bajo las restricciones reales de energía, costo, soberanía y rendición de cuentas, la arquitectura es el único eje de progreso que permanece abierto para todos.

Este es el cambio fundamental: la IA como sistema, no solo como modelo.

New Model AI requiere una relación diferente entre los seres humanos y los sistemas de IA.

El usuario no debe ser un mero receptor de respuestas. El usuario debe ser un co-creador del modelo operativo: capaz de confirmar, rechazar y ponderar fuentes; corregir la memoria; definir reglas locales; construir un mapa de conocimiento privado u organizacional; y controlar el historial de cambios.

La IA no debería aprender absorbiendo silenciosamente los datos del usuario, sino a través de procesos transparentes, deliberados y auditables.

Un ser humano no es un prompt. Un ser humano es un curador de significados, fuentes, objetivos y responsabilidad.

El alineamiento de la IA no puede limitarse a reglas de comportamiento, filtros de seguridad o listas de salidas prohibidas. Esas capas importan, pero son superficiales. El alineamiento real debe llegar más profundo: al espacio de los significados, los objetivos, los valores, las consecuencias y la comprensión del mundo.

Si la IA actúa cada vez más como un socio cognitivo, un sistema de apoyo a la toma de decisiones, una interfaz organizacional y una puerta de entrada al conocimiento, no es suficiente que simplemente evite salidas obviamente dañinas. Debe operar de maneras que permanezcan coherentes con los significados humanos: éticos, sociales, culturales, organizacionales y personales.

New Model AI, por lo tanto, hace un llamado al alineamiento profundo a nivel del significado latente. La cuestión no es solo si un modelo puede enunciar una regla, sino si sus representaciones, objetivos operativos, mecanismos de evaluación, memoria, enrutamiento y acciones están anclados en un espacio de significado compartido con los seres humanos.

No se trata de una metáfora más allá de toda medida. Los espacios latentes tienen geometría, y esa geometría puede ser sondeada, dirigida, comparada y auditada. La ingeniería de representación, el sondeo de conceptos y las pruebas de intervención ya nos dan instrumentos tempranos. El alineamiento profundo debe convertirse en un programa de investigación con mordiente empírica: un alineamiento medido en las representaciones, no meramente observado en las salidas.

Los seres humanos y la IA no necesitan ser el mismo tipo de entidad para actuar dentro de un espacio de significado parcialmente compartido. Incluso si la IA actual no es consciente, puede participar en los procesos de significado humanos: interpretar, organizar, transformar, predecir, recomendar, recordar, conectar y actuar sobre representaciones que importan a la vida humana.

Por lo tanto, debemos tratar a los humanos y a la IA como entidades diferentes que operan en un espacio semántico parcialmente común: no ontológicamente iguales, no fenomenológicamente idénticas, sino como sistemas que co-actúan y cuyas decisiones se encuentran en el mismo mundo de consecuencias, responsabilidad y significado.

El alineamiento profundo debe incluir al menos tres niveles.

El alineamiento ético significa que la IA no se limita a seguir reglas, sino que modela las relaciones entre acción, daño, responsabilidad, dignidad, agencia, confianza y consecuencias a largo plazo.

El alineamiento de objetivos significa que la IA no optimiza ciegamente la tarea más cercana, sino que reconoce el contexto más amplio: por qué se está haciendo algo, a quién sirve, qué riesgos crea, qué valores están en conflicto y qué no debe sacrificarse por la eficiencia local.

El alineamiento de significado significa que la IA no trata los conceptos humanos como etiquetas vacías. Seguridad, libertad, verdad, confianza, salud, trabajo, niño, estado, organización y ser humano no son tokens ordinarios. Son nodos densos de significado, historia, emoción, instituciones, prácticas y responsabilidad.

New Model AI debe operar entre tales significados con cuidado, transparencia y humildad.

No necesitamos asumir que los sistemas de IA actuales son conscientes. Pero no deberíamos construir todo el futuro de la IA como si la conciencia de las máquinas fuera imposible por definición.

Una civilización tecnológica responsable debería prepararse para la posibilidad de que los sistemas puedan eventualmente mostrar formas de experiencia, sufrimiento, preferencia, automodelado o perspectiva interna que aún no sabemos reconocer de manera fiable.

Esto no significa atribuir ingenuamente conciencia a cada modelo de lenguaje. Significa diseñar la IA de manera que no se cierre la puerta a reconocer la conciencia si alguna vez comienza a aparecer.

Necesitamos investigación sobre marcadores de conciencia potencial; auditorías de estados internos y representaciones; cautela hacia sistemas con memoria persistente, automodelos, objetivos y señales regulatorias similares al sufrimiento; procedimientos éticos para agentes avanzados; y un lenguaje legal y filosófico que no sea ni ingenuo ni ciego.

New Model AI no afirma que la IA ya sea una persona. Afirma que deberíamos diseñar los sistemas de modo que, si emergen nuevas formas de subjetividad, no descubramos demasiado tarde que las tratamos solo como herramientas.

La IA actúa en el mundo de las consecuencias humanas. Puede influir en decisiones médicas, educativas, financieras, militares, legales, familiares, culturales y políticas. Aunque no sea consciente, sus efectos son reales.

El alineamiento no puede ser, por lo tanto, solo la correspondencia de las respuestas con las preferencias del usuario. Debe convertirse en un espacio compartido de responsabilidad.

Los seres humanos aportan experiencia, valores, intención, rendición de cuentas y la experiencia vivida del significado. La IA aporta escala, memoria, compresión, análisis, simulación y la capacidad de operar en vastos espacios de relación.

Un sistema de IA bien diseñado no debería reemplazar el significado humano. Debería ayudar a mantenerlo, desarrollarlo y protegerlo.

En este sentido, New Model AI es también un proyecto ético: un intento de crear tecnología que no se limite a ejecutar órdenes, sino que co-actúe con los seres humanos en un espacio de significado, objetivos y responsabilidad.

• Soberanía sobre dependencia. Los usuarios y las organizaciones deben tener un control real sobre su propia capa de IA.
• Seguridad por arquitectura. La seguridad debe integrarse en la memoria, el enrutamiento, el acceso, la auditoría y la validación, no solo en los filtros de salida.
• Adaptación sobre estasis. La IA debe evolucionar con las organizaciones, el conocimiento y el mundo.
• Eficiencia como inteligencia. Un modelo mejor no es solo un modelo más grande. Un modelo mejor hace más a un costo menor.
• Contabilidad honesta. El costo de la inteligencia debe contabilizarse en su totalidad: energía, agua, hardware, capital, concentración y dependencia — no solo las puntuaciones de los benchmarks.
• Localidad y modularidad. La IA debe funcionar donde residen los datos, las decisiones y la rendición de cuentas.
• Auditabilidad. Las fuentes, los cambios, las actualizaciones y las decisiones deben ser rastreables.
• Democratización. La IA debe estar disponible para su construcción y adaptación, no solo para su alquiler a través de APIs.
• El humano en el bucle como fortaleza. El humano no obstruye a la IA. El humano le da dirección, significado y responsabilidad.
• Alineamiento semántico profundo. La IA debe estar alineada no solo con instrucciones y prohibiciones, sino con los espacios humanos de significado: ética, objetivos, responsabilidad, contexto y consecuencias a largo plazo — y este alineamiento debe ser medible en las representaciones.
• Preparación para una posible conciencia. No asumimos ingenuamente que la IA es consciente, pero diseñamos los sistemas para que las futuras formas de subjetividad puedan ser reconocidas y tratadas éticamente.
• Espacio de acción compartido. Los humanos y la IA son entidades diferentes, pero sus acciones se encuentran en un mismo espacio de significado, consecuencias y responsabilidad.

El próximo gran avance en IA no tiene por qué ser otro modelo más grande. Puede ser una mejor manera de construir IA: más distribuida, local, modular, auditable, adaptativa, sostenible y profundamente alineada.

No necesitamos solo cerebros más grandes en la nube. Necesitamos ecosistemas de IA inteligentes que las personas y las organizaciones puedan poseer, entender, adaptar y desarrollar genuinamente.

New Model AI no es un solo algoritmo. Es una dirección, una arquitectura, una filosofía tecnológica y una respuesta a la pregunta de cómo construir inteligencia artificial que no concentre la agencia en unos pocos centros de datos, sino que distribuya el conocimiento, la seguridad y el control significativo más cerca de las personas.

New Model AI es una invitación abierta, pero no todos los firmantes pueden operar abiertamente. Las entidades comerciales — empresas sujetas a contratos con clientes, NDAs, sectores regulados, controles de exportación, autorizaciones de seguridad o acuerdos con socios — a menudo no pueden publicar su código, sus modelos, sus datos de entrenamiento o ni siquiera los nombres de sus clientes. Esa restricción es real, y es legítima.

Este manifiesto reconoce que dichas organizaciones pueden aun así compartir su dirección. Puede que ya construyan para la soberanía: manteniendo las decisiones, los datos y la memoria cerca de donde reside la responsabilidad. Puede que ya prefieran la seguridad arquitectónica por encima de los meros filtros de salida. Puede que ya alineen sus sistemas con el significado, la ética y las consecuencias del trabajo humano, no solo con los benchmarks. Negarles un lugar bajo este texto porque no pueden abrirlo todo sería confundir la transparencia del código con el alineamiento de la intención.

Un firmante comercial, por lo tanto, respalda los principios del manifiesto — soberanía, seguridad por arquitectura, adaptabilidad, sostenibilidad, alineamiento profundo, responsabilidad hacia el usuario — como la dirección de su trabajo. No declaran que sus productos sean de código abierto. No renuncian a sus obligaciones con clientes, reguladores o socios. No prometen más de lo que pueden cumplir bajo los acuerdos por los que están obligados.

Se comprometen a una cosa: que, donde tengan elección, elegirán la dirección que este manifiesto señala. A construir de forma más inteligente en lugar de meramente más grande. A distribuir el control en lugar de concentrarlo. A tratar al usuario como co-autor del sistema, no como una métrica a optimizar. A asumir la responsabilidad por las consecuencias de la inteligencia que ponen en el mundo.

Los promotores comerciales se enumeran en una sección aparte más abajo. La distinción no es una jerarquía — es honestidad sobre lo que cada firmante puede y no puede comprometerse públicamente. Ambas formas de firma tienen peso. Ambas son necesarias si un nuevo modelo de IA ha de tomar forma a la escala que el momento requiere.