Introducción

En 2017, Vladimir Putin expresó que quien se convierta en líder en inteligencia artificial (IA) será el gobernante del mundo (Gigova, 2017, septiembre 2). Ese mismo año, China anunció su plan para convertirse en la superpotencia de IA para 2030 (Carter & Crumpler, 2019). Esto ocurrió un año después de que Estados Unidos publicara su estrategia para promover y proteger la IA (National Science and Technology Council, 2016). Posteriormente, Rusia, Dinamarca, Israel y Brasil, entre otros, definieron sus estrategias para mejorar sus ecosistemas de IA (Belli et al., 2023; J0rgensen, 2023; Paltieli, 2022; Petrella et al., 2021). En 2024, la Unión Europea publicó la primera política supranacional de IA (Laux et al., 2024). Así, los Estados han evidenciado que las redes de IA están intrínsecamente asociadas al poder internacional.

El poder internacional se define como "la habilidad de un país de moldear la política mundial en línea con sus intereses" (Beckley, 2018, p. 8). En su caracterización más básica, está compuesto por capacidades económicas y militares (Kennedy, 1987; Mearsheimer, 2001). Estos recursos les permiten a los Estados lograr sus objetivos, mediante la atracción, la coerción o la fuerza (Nye, 2011). La IA, por su parte, se define como "la habilidad de un sistema para interpretar correctamente datos externos, aprender de tales datos y utilizar dichos aprendizajes" (Kaplan & Haenlein, 2019, p. 17; trad. propia). La naturaleza multipropósito de ciertas tecnologías les permite ampliar los recursos económicos y militares, de modo que resultan un componente del poder (Brooks & Wohlforth, 2015). Por lo tanto, la IA tiene la connotación de activo estratégico (Ding & Dafoe, 2021).

En el campo de las relaciones internacionales, los estudios sobre IA se han concentrado en los impactos en la guerra y lo militar (Haas & Fischer, 2020; Hynek & Solovyeva, 2022; Jensen et al., 2020; Johnson, 2019; Martino & Merenda, 2021; Roumate, 2024), la diplomacia (Roumate, 2021; Sevin & Eken, 2024; Vacarelu, 2021), la toma de decisiones (Garcia, 2024; Holmes & Wheeler, 2024; Horowitz & Lin-Greenberg, 2022; Marwala, 2023; Purkitt, 2019), la gobernanza (Fischer & Wenger, 2021; Maas, 2019; Tallberg et al., 2023), las transiciones de poder (Ding, 2024) y la seguridad internacional (Gill, 2019; Johnson, 2019). Pero también existe abundante literatura sobre las implicaciones teóricas de la IA en las relaciones internacionales (Eriksson & Newlove-Eriksson, 2021; Kiggins, 2018; Ndzendze & Marwala, 2023; Tinnirello, 2018; Tinnirello, 2022; Zhu & Long, 2019). Por ejemplo, Baele et al. (2024) reconocen que la IA es importante para los Estados. Y Tinnirello (2018) señala que las distribuciones desiguales de capacidades generan escenarios de dominación.

Pero ¿quién tiene tales capacidades? ¿Cuál es su distribución? La ausencia de respuestas a estas cuestiones pone de manifiesto un vacío en la literatura sobre la dimensión empírica de la IA en las relaciones internacionales.

Este artículo analiza la distribución del poder internacional al incorporar las capacidades en IA como variable. La hipótesis de trabajo es que distribución desigual del poder internacional de los Estados se ve exacerbada por la IA y esta ha aumentado con el tiempo. Así, este trabajo contribuye a la literatura de dos formas. Por un lado, evidencia que la representación en red de la IA puede caracterizar cambios estructurales en la concentración de estas tecnologías y cómo se amplía la diferencia entre países. Por otro lado, proporciona una mejor descripción de la dinámica del ecosistema de IA y su integración con el poder internacional.

A estos efectos, la ciencia de redes resulta ser un enfoque adecuado para analizar cuantitativamente la distribución del poder internacional al incorporar las capacidades en IA como variable. Esta aproximación ha demostrado capacidad analítica en los asuntos internacionales, pues permite comprender la interdependencia de las conexiones recíprocas en un contexto estructural (Nexon, 2021). Así, los agentes y las estructuras están dados por los patrones de interacción, lo cual permite entenderlos a partir de la posicionalidad -esto es, medidas de interacción-. Por ejemplo, se encuentran aplicaciones en las sanciones económicas (Cranmer & Desmarais, 2016; Dorff & Minhas, 2017), búsqueda de estatus (Duque, 2018), conflictos internacionales (Maoz et al., 2007), redes de gobernanza (Goddard, 2018; Kim, 2020), diplomacia (Kinne, 2014), estructura del sistema internacional (McConaughey et al., 2018; Granados & De la Peña, 2021), poder económico (Winecoff, 2015) y alianzas internacionales (Cranmer et al., 2012; Maoz & Joyce, 2016). En ese sentido, la ciencia de redes permite examinar la relación de la IA con otras capacidades (como las económicas y las militares) dentro de cada Estado, así como las interacciones entre ellos.

A continuación, después de un breve marco teórico, se propone un modelo de red multicapa para analizar la estructura de la IA en el sistema internacional y se describen los conjuntos de datos. Luego, se presentan los resultados del modelo, así como visualizaciones que resaltan la brecha en las capacidades de IA en todo el mundo. Finalmente, se ofrece una breve discusión de los resultados y se presentan algunas conclusiones.

Marco teórico

Históricamente, las capacidades científicas y tecnológicas han estado distribuidas de manera desigual (Buzan & Lawson, 2015). Estas redes asimétricas de interdependencia generan dos mecanismos de poder para aquellos mejor posicionados (Farrell & Newman, 2019). En primer lugar, el efecto panóptico permite la vigilancia mediante el control de los flujos a lo largo del centro, ejemplificado por el requisito del Estado chino de que las empresas compartan datos con el Gobierno. En segundo lugar, el efecto de cuello de botella permite cortar el acceso al centro, como se vio en Estados Unidos al restringir algunas exportaciones de tecnología e IA a otros países. Por lo tanto, una red asimétrica de capacidades de IA tiene implicaciones geopolíticas.

La IA no es una tecnología única. Se conforma por métodos de múltiples componentes. Estos parten desde el sistema básico de un agente hasta las metodologías de aprendizaje por refuerzo profundo (Arulkumaran et al., 2017; Mnih et al., 2015; Wooldridge & Jennings, 1995) o los modelos de lenguaje de gran tamaño (LLM) (Chowdhery et al., 2022). Dada la diversidad de metodologías, la IA es un grupo de herramientas fundamental para el diseño, la modelización, la optimización, la predicción y la innovación. Se encuentran ejemplos en la tecnología, los negocios, la ingeniería, la medicina y la ciencia. Para su desarrollo, el proceso científico se fundamenta en áreas del conocimiento como matemáticas, estadística, ciencias computacionales, entre otras (Russell & Norvig, 2002). La IA requiere, pues, de una base científica amplia y de una diversidad de recursos materiales y no materiales para su desarrollo.

Además, el proceso científico, que se basa en conocimiento explícito, requiere los siguientes recursos. Primero, recursos académicos para definir marcos de investigación. En segundo lugar, recursos financieros y de infraestructura para desarrollar y desplegar esos marcos. En tercer lugar, infraestructura computacional: en algunos casos, sistemas informáticos de alto rendimiento que no siempre son accesibles a todos los marcos de investigación.

El desarrollo de un proyecto de IA -que comprende varias tecnologías y métodos- requiere una combinación de recursos que dependen de la complejidad del proyecto y de sus objetivos. Por esa razón, países como Estados Unidos, China, Canadá, Suiza, entre otros, han incorporado estructuras computacionales de alto rendimiento (HPC, por sus siglas en inglés) en sus proyectos de política científica e industrial, sus centros de investigación y sus universidades. Así, logran de forma más expedita el desarrollo y aplicación de métodos y tecnologías de IA.

Existen tres elementos necesarios para implementar herramientas de IA. Primero, se requieren datos para obtener información (Monino, 2021). El proceso de recopilación se lleva a cabo mediante una combinación de empresas privadas y vigilancia estatal. Dada la creciente relevancia de los datos, los países han comenzado a regular su almacenamiento, lo que impide el libre acceso y transferencia a través de fronteras (por ejemplo, la General Data Protection Regulation en Europa).

En segundo lugar, se necesitan algoritmos, que se definen como un conjunto de instrucciones para realizar cálculos y extraer patrones de datos a través de varios procesos de aprendizaje automático (Agrawal et al., 2018). El proceso crea un círculo virtuoso: más datos conducen a mejores predicciones, lo que atrae a más usuarios y datos. Por lo tanto, unas pocas empresas obtienen la mayoría de los datos disponibles.

En tercer lugar, se requieren microchips o procesadores cada vez más potentes. La IA requiere billones de cálculos, lo que hace que los chips sean más complejos y caros con el tiempo. Por ejemplo, la potencia de procesamiento necesaria para ejecutar algoritmos de vanguardia (como AlphaGoZero) aumentó en 300.000 entre 2012 y 2018 (Hernández & Brown, 2020).

Métodos

Especificación de la red multicapa

Los países tienen diferentes capacidades endógenas para competir por la influencia y el poder en el sistema internacional. Pueden desarrollarse en la medida en que sus Estados están interesados, tienen capacidades y compiten por vincularse con otros países.

Para identificar esas diferencias, se utilizan algunas herramientas de la ciencia de redes, como la aptitud. La aptitud se basa en que algunos nodos de una red pueden desempeñar mejor sus roles que otros, dependiendo de criterios específicos y del contexto en el que se esté desarrollando la red. Por ejemplo, en una red de comunicación, la aptitud de un nodo podría evaluarse según su capacidad para transmitir datos eficientemente y recuperarse ante fallas de transmisión (Newman, 2010), mientras que, en una red social, podría medirse su centralidad, definida a partir de su influencia o conectividad.

Para construir un modelo de aptitud, es necesario definir las métricas que reflejan la capacidad del nodo, como la centralidad, la conectividad o la robustez y, a partir de ahí, asignar valores a los nodos en función de su capacidad y desempeño en cada una de dichas métricas. De esa manera se determina cuáles son los más adecuados para cumplir con los parámetros definidos (Barabási, 2016).

Aquí se presenta una propuesta para estimar la aptitud internacional en capacidades de IA que se basa en el modelo desarrollado en Granados y De la Peña (2021). Esta actualización del modelo y su integración al ecosistema de IA proporciona información que permite interpretar a los agentes o las interacciones presentes en la red.

Específicamente, se emplean ponderaciones para diferentes vínculos que representan la relevancia de los métodos o tecnologías de IA. Para hacerlo, a cada país se le asigna un parámetro de aptitud n_i elegido de la distribución p_n y la aptitud máxima posible en el mundo, determinada por n_max. Es decir, cada nuevo país se conecta a países presentes en el sistema mundial y la probabilidad P_i de esta conexión depende de la conectividad k_i, la cual está influenciada por el apego preferencial π y la aptitud n_i (Pham et al., 2016), tal como se plantea en la Ecuación 1.

Si el país no tiene estos elementos, entonces la probabilidad de que sea parte de la periferia es alta, pues no todos los países tienen éxito en las competencias de influencia internacional: aparecen en diferentes momentos y crecen a diferentes ritmos. Para simplificar, se asume que 7rju(k)=k. Así, un país aumentará su conectividad k_i, a un ritmo que es proporcional a la probabilidad P_¡ de que un nuevo país se una a él; es decir, cada nuevo país del sistema mundial agrega enlaces μ al sistema (Bianconi & Barabási, 2001), tal como se plantea en la Ecuación 2.

La evolución de la conectividad k_¡(t) establece que todos los países aumentan su conectividad en el tiempo: matemáticamente, donde t_¡ es el periodo en el que el país i se agregó al sistema mundial y (Barabási & Albert, 1999). Es decir, la probabilidad P(k) de que un país en el sistema mundial interactúe con otros países se reduce como una ley de potencias dada por P(k)~k^-y (Barabási & Albert, 1999).

Los países habitualmente definen sus conexiones a partir de su vínculo preferencial y otras oportunidades con su aptitud, lo que significa que la dependencia temporal de la conectividad de un país depende de la aptitud n¡ del país, de modo que donde t_i es el momento en que el país i fue incluido en el sistema mundial, k_n=kni (t,ti); y ßn está acotado entre 0 y 1, pues, dado que un país aumenta sus vínculos en t, ß(n)>0 y k_i(t) no pueden aumentar más rápido que t, de modo que ß(n)<1. Dado que ß(n)<1, en t→∞ limita t^ß(n) se puede comparar con ty obtener , donde y que tiene una solución dada por (Bianconi & Barabási, 2001). Usando estos elementos, la Ecuación 2 se puede escribir como la Ecuación 3, que tiene una solución dada por :

La ecuación 3 permite encontrar la distribución de conectividad expresada por la probabilidad P(k), que en este caso es el resultado de una suma ponderada sobre diferentes leyes de potencia. Entonces, la probabilidad acumulada para un determinado país está dada por la Ecuación 4:

A partir de la aptitud internacional, se establecen las diferentes dimensiones en las que un país se integra al ecosistema de IA. Para esto, se define una red multicapa en la que cada capa es un elemento definido del ecosistema.

Primero, se define una red de una sola capa G(V,E), es decir, como un conjunto de países Vy un conjunto de vínculos E que describen sus relaciones en una de las dimensiones definidas del ecosistema (Figura 1).

Figura 1
Topología de redes.
Fuente: Elaboración propia

Segundo, se crea una red multicapa con V países, i=1,2,...,V, y L capas, α=L1,L2,...,L. Una red multicapa es una extensión del modelo de red sencilla que permite representar sistemas más complejos al incorporar múltiples tipos de conexiones entre los nodos de una misma capa o entre los nodos de diferentes capas. Las redes multicapa permiten un entendimiento detallado de cómo las interacciones en distintas capas afectan al comportamiento general de la red. En este caso, cada capa representa un tipo diferente de interacción entre los nodos. Mientras, las interacciones entre capas pueden revelar dinámicas complejas que no son evidentes en un modelo de red simple (Kivelä et al., 2014). De esta forma, los nodos en la red pueden tener diferentes tipos de conexiones que se comportan de manera distinta dependiendo de la capa en la que se encuentran (Boccaletti et al., 2014).

A partir de esto, la red multicapa está definida por M=(V_M,E_M.V,L), es decir, cada capa es una red específica del ecosistema de IA descrita por una matriz de adyacencia A^α (Kivelä et al., 2014; Iacovacci & Bianconi, 2016).

Tercero, se define una red multicapa donde el enlace no conecta las capas, pero las capas comparten el mismo conjunto de países (Bonaccorsi et al., 2019).

Cuarto, el valor si el enlace dirigido al país j y al país i tiene peso . Por lo tanto, se diferencia entre el grado de entrada y el grado de salida del país i en la capa a, las cuales están dadas por la Ecuación 5:

En el sistema internacional, los países no son homogéneos y tampoco lo son en el ecosistema de IA. Al respecto, las redes ponderadas, es decir, con pesos (Figura 1), identifican los nodos influyentes como la centralidad de grado, la centralidad de intermediación y la centralidad de cercanía (Barrat et al., 2004; Newman 2004; Opsahl et al., 2010). Sin embargo, la conectividad de los nodos en estas redes depende, no solo del número de vecinos, sino también de la fortaleza de la conexión entre ellos, así como de la distribución de las fortalezas totales en cada vínculo (Hu & Mei, 2018).

Por esta razón, la red multicapa integra varios elementos que definen la fortaleza de la conectividad del país, sus vínculos de conexión, las distribuciones de las fortalezas de conectividad totales entre sus vínculos de conexión y, adicionalmente, la equivalencia con el valor de variables que no son interacciones pero que sí definen las capacidades que tienen los países en el ecosistema de IA. Esto permite hacer una estimación aproximada del poder de cada país, tanto en el ecosistema de IA como en el sistema internacional (Figura 2).

Figura 2
Red multicapa y red resultante.
Fuente: Elaboración propia

Especificación de los datos

Los datos utilizados permiten hacer una estimación aproximada del poder internacional, así como determinar los parámetros y las relaciones entre variables. Para ello, se establecen tres capacidades: económica, militar y en IA. Puesto que se utilizará una metodología basada en redes, los datos deben reflejar el tamaño del nodo -representado por cada Estado- y las interacciones entre estos.

La capacidad económica nacional se mide usando el producto interno bruto (PIB) en USD constantes de 2015. La fuente es el Banco Mundial (2024a). La interacción económica internacional se mide a través de las exportaciones de bienes y servicios en USD constantes de 2015. La fuente es el Banco Mundial (2024b). Otros estudios han validado estos conjuntos de datos (Brooks & Wohlforth, 2015; Cox, 2012; Granados & De la Peña, 2021; Nölke et al., 2015; Rose, 2019; Siddiqui, 2016; Stephen, 2014).

La capacidad militar nacional se mide a través del gasto militar total en USD constantes de 2022. La fuente es el Stockholm International Peace Research Institute (SIPRI, 2024a). La interacción militar internacional se mide mediante el comercio de armas. Puesto que los Estados no reportan el valor del armamento, el SIPRI (2024b) calcula una unidad común denominada trend-indicator value (TIV) que permita comparar diferentes tipos de armas a lo largo del tiempo y entre Estados. Otros estudios han validado estos conjuntos de datos (Carranza, 2017; Pamp & Thurner, 2017; Granados & De la Peña, 2021; Wang & Chen, 2024).

La capacidad nacional en IA se mide a través de las publicaciones científicas sobre IA. Los datos de publicaciones son obtenidos de Scimago Journal & Country Rank. Las interacciones internacionales se dan a través de los artículos presentados en la Associaton for the Advancement of Artificial Intelligence (AAAI, por sus siglas en inglés) en 2020. Estos datos demuestran las capacidades científicas de producir nuevo conocimiento y dan una idea aproximada del capital humano disponible en cada país (Kahn, 2018). Aunque las publicaciones son una medida incompleta de la producción científica desarrollada por agencias públicas y compañías privadas, son una variable proxy de las capacidades que se buscan medir.

Resultados

Esta sección presenta los resultados en el siguiente orden. Primero, se detalla la capa de IA. Para ello, se muestra la evolución de las publicaciones científicas en IA para el periodo 2000-2022. Luego, se presenta la red de interacción de autores en publicaciones científicas en IA en dos momentos: 2010 y 2020. Segundo, se describen las capas militar y económica para el año 2022.

Capa de inteligencia artificial

Se encuentra una brecha creciente en las capacidades científicas de IA (Figura 3). Estados Unidos y China lideran la investigación, el desarrollo y la implementación de IA, seguidos por India. Sin embargo, países como Japón, en Asia Pacífico, y el Reino Unido y Alemania, en Europa, son un segundo grupo. Canadá, Corea del Sur, Australia, Italia y Francia, como tercer grupo, tienen características de países desarrollados. Por otro lado, Rusia, Indonesia, Brasil, Turquía e Irán son países con relevantes aspiraciones internacionales. Esos países construyen estrategias para reducir su brecha con otros que podrían afectar sus intereses regionales o, en su defecto, aumentar su posición dominante de IA con otros países que no han profundizado en un marco amplio, tanto político y de seguridad nacional, de IA.

Figura 3
Evolución de las publicaciones científicas en IA.
a) global; b) Asia-Pacífico (antes China); c) Europa; d) Américas (antes Estados Unidos); e) África y Oriente medio.Fuente: Elaboración propia

Entonces, son empresas de países líderes que dominen las actividades de IA las que pueden impulsar procesos de mejoramiento social, empresarial y de seguridad nacional. La Figura 3 muestra el resultado de la IA como un proceso científico que no se diferencia de cómo ha avanzado el escenario empresarial en el que las empresas más visibles en temas de IA son las que se destacan en los primeros puestos del proceso científico. Intuitivamente, se confirma la correlación entre el proceso científico y el desarrollo empresarial. Granados y De la Peña (2021) llegan a la misma conclusión utilizando el número de patentes en diferentes áreas tecnológicas, incluida la IA.

Para confirmar esto e incorporar el argumento de la complejidad del ecosistema de IA y la necesidad de entenderlo como un esquema que integra los asuntos políticos e internacionales, así como los asuntos económicos y empresariales, se hace una primera aproximación usando las redes de conocimiento en IA, que permiten ser el punto de partida para modelarlo.

En el año 2000, Estados Unidos lideraba el ecosistema de investigación de IA. Detrás de Estados Unidos, un grupo de países desarrollados con un esquema tradicionalmente robusto de investigación, ciencia, conocimiento e industria, como Reino Unido, Francia, Alemania, Japón y Canadá, confirmaban la evolución del ecosistema en cabeza de estos países a partir de la producción de investigación en el campo. Algo similar ocurría con la afiliación de los autores. Los autores de afiliaciones de otros países creaban algunos vínculos con los autores de afiliaciones de Estados Unidos. Aun así, el patrón consistía en la interacción entre autores de instituciones del mismo país de origen y una estructura desconectada en la periferia. Es decir, el patrón de la red era la centralidad de un nodo (Estados Unidos), un pequeño grupo a su alrededor y otro grupo de países en la periferia sin interacción con otros -o en ocasiones solo entre ellos-.

Figura 4
Interacción de autores en publicaciones científicas en IA.
a) 2010; b) 2020.Fuente: Elaboración propia

Para 2010, la red de IA creció en varios países con la tradicional centralidad de Estados Unidos, pero con la particularidad de nuevos nodos subcentrales de menor relevancia, como Alemania, Reino Unido, Australia, Canadá, Israel y China, países que incrementaron recursos para la investigación de la IA. Además, esos países aumentaron su participación e interacción con autores afiliados a instituciones de otros países (Figura 4).

Otro patrón es un grupo creciente de autores de origen chino en instituciones de países como Estados Unidos, Canadá, Australia, Reino Unido, lo que significa que China consolidó su posición en el centro. En los tres paneles temporales, la mayoría de los países periféricos no interactuaron, con algunas excepciones: por ejemplo, India y Brasil son los países periféricos con mejor desempeño después de China. De ahí que otros países periféricos se alejaran más del centro y profundizaran su situación estructural en la periferia, salvo pequeños avances de Indonesia, Irán, México, Pakistán y Turquía, cuando se contrasta con la publicación de artículos (Figura 3).

Para 2020, el análisis de redes evidencia varias características en las que China y Estados Unidos crearon tres patrones estructurales, similares a los datos de 2018 y 2019. Primero, los self-loops, es decir, interacciones entre autores de instituciones en el mismo país. En segundo lugar, centros de investigación a través de interacciones entre instituciones de varios países. En tercer lugar, un vínculo ponderado relevante entre las instituciones de China y Estados Unidos (Figura 4).

Con estos resultados, se puede determinar si la capa de IA define la estructura del sistema internacional o si las demás capas facilitan el fortalecimiento del ecosistema de IA y, este a su vez, establece las posibilidades para incrementar el poder internacional y las diferencias con los países rezagados en el grupo de tecnologías que se integran en ese ecosistema.

Capa militar y capa económica

La capa de poder económico muestra el fortalecimiento de algunos países periféricos. La estructura de los diferentes periodos muestra el ascenso, en especial, de China y de otros países como India, Brasil, Corea del Sur, Singapur, Malasia e Indonesia, pero se mantiene la centralidad de los países desarrollados, como Reino Unido, Alemania, Japón, Francia, Italia y Canadá. Además, estos países orbitan alrededor de Estados Unidos y del avance chino de los últimos años. Sin embargo, los países europeos fortalecen sus vínculos entre los miembros de la Unión Europea y se mantiene el liderazgo de los países con mayor tradición industrial y científica de la unión.

Además, varios países incrementan sus vínculos con China y con los países que mantienen su centralidad de poder económico a través de los años, como son los países desarrollados. Asimismo, reemplazan o crean algunos vínculos hacia los mercados de grandes países emergentes, como China, India y Brasil (Figura 5a). Estos resultados muestran que algunos países desarrollan sus interacciones económicas debido a su aptitud internacional, y no como resultado exclusivo de un vínculo preferencial. En este caso, la aptitud internacional se deriva de su capacidad de fortalecer su complejidad económica, es decir, de ampliar su estructura productiva e industrial a partir del fortalecimiento de sus procesos de aprendizaje y conocimiento (Hidalgo & Hausmann, 2009; Hausmann & Hidalgo, 2011).

La capa militar muestra la participación de casi la totalidad de países en la fabricación de armamento militar. En los contratos, se puede constatar que algunos países con tradición y aptitud internacional en el mercado militar mantienen su posición en la exportación de armamento. Sin embargo, el tamaño del nodo se define a partir del valor del gasto militar. Y países como Estados Unidos, China y Rusia concentran el mayor nivel de gasto; el cual es liderado de lejos por los Estados Unidos, con un gasto que puede reunir casi el 100 % de los siguientes veinte países con mayor gasto militar (SIPRI, 2023). Un grupo más atrás de países, como Reino Unido, Alemania, Francia, India, Japón y Australia, han incrementado su gasto militar, como parte de su interés en salvaguardar su territorio ante cualquier eventualidad o acción de agresión a su soberanía.

Los vínculos se definen a partir de las exportaciones de armamento militar. El resultado es la atracción de países interesados en esta tecnología para fortalecer el poder militar. Pero son Estados Unidos, Rusia, China, Francia, Alemania, Reino Unido, Italia e Israel los que concentran el 80 % de las exportaciones militares (Figura 5b).

Figura 5
Poder económico y militar.
a)capa económica; b) capa militar. Fuente: Elaboración propia

La capa que agrega a todas las tres capas, es decir, la red multicapa, muestra que algunos países tienen una mejor posición central que otros. Sin embargo, confirma varios de los resultados que se presentan en cada capa: en especial, el avance de los países desarrollados en la centralidad de las capas económicas e IA, así como la intermediación de estos con el avance de países como China e India. Por otro lado, se encuentra que países como Rusia tienen una posición relevante en la capa militar, pero mantienen una posición rezagada en la capa económica frente a los países desarrollados.

En otras palabras, la estructura del sistema internacional depende de la aptitud internacional. La IA no es un proceso tecnológico aislado liderado por un grupo de empresas, sino que se conecta con las políticas de ciencia y tecnología, así como con las políticas industriales que han venido desarrollando diferentes países.

Estos han destinado un presupuesto para afianzar económica y científicamente este proceso en sus países, a fin de avanzar hacia un ecosistema de IA. El funcionamiento de la IA está proporcionándoles superioridad a los países que tienen un ecosistema más desarrollado, lo que redistribuye así el poder y profundiza la actual estructura centro-periferia del sistema internacional. Actualmente, Estados Unidos y China están a la cabeza, seguidos por un grupo de países con intereses crecientes en esta capa. Pero no deja de ser relevante la brecha creciente y acelerada que se observa con varios de los países que tienen una aptitud internacional limitada, así como dificultades para fortalecer su apego preferencial para lograr avanzar en estas tecnologías.

Por su parte, la variación de la estructura de las capas económica y militar muestran varios patrones que mantienen a los países desarrollados en el centro. La variación topológi-ca más importante se da en aquellos países periféricos que han logrado acercarse al centro e incrementar su tamaño y sus interacciones en las actividades económicas, así como ganar terreno en asuntos militares.

Discusión

Los resultados evidencian que la distribución desigual del poder internacional de los Estados se ve exacerbada por la IA. Se encuentran tres categorías. Primera, aquellos Estados que cuentan con alto poder internacional y una posición privilegiada en la red del sistema internacional. Por ejemplo, China y Estados Unidos. Estos países cuentan con una red científica y de capacidades computacionales que, a partir de recursos públicos y privados, logra impulsar de manera considerable la investigación, el desarrollo y la implementación.

Segunda, aquellos Estados que cuentan con alto poder internacional y una posición de exclusión en la red del sistema internacional. Por ejemplo, Rusia presenta dificultades para tener un desempeño similar a otros países europeos, posiblemente porque su nivel de investigación en IA no logra avanzar dadas sus limitaciones en la financiación de proyectos de esta índole.

Tercera, aquellos Estados que tienen capacidades limitadas y no presentan una centralidad visible en ninguna de las capas (por ejemplo, Arabia Saudita, Emiratos Árabes Unidos y Qatar), pero que sí muestran un avance en su posición en la capa de IA. Esto ocurre como resultado de su capacidad para financiar estas tecnologías o apostarle a transformar su modelo económico al incorporarse en nuevos sectores productivos basados en tecnología.

Según se presentó en el marco teórico, la IA se desarrolla como un proceso científico y político en el cual intervienen las empresas en una red global. Además, la teoría de la interdependencia armada (Farrell & Newman, 2019) indica que una red asimétrica con nodos centrales relevantes genera una estructura que permite utilizar la red como instrumento de poder. La concentración de las capacidades de IA tiene, entonces, implicaciones de seguridad internacional. Para ilustrarlo, se utiliza a continuación el caso de las empresas digitales tipo plataforma.

Las plataformas son el modelo de negocio más relevante en la era de la IA (Iansiti & Lakhnai, 2020), pero se verán afectadas por la distribución desigual de capacidades. Para explotar el valor de la red, las empresas necesitan recopilar, almacenar y analizar datos. La literatura sobre negocios internacionales se ha hecho eco de tales ideas, asumiendo así el libre flujo de información y su procesamiento sin restricciones (Hazlehurst & Brouthers, 2018; Müllner & Filatotchev, 2018). Sin embargo, la situación geopolítica actual hace más difícil esto porque los Estados conciben los datos y la IA como herramientas de poder. Como ejemplo, las empresas tecnológicas estadounidenses y chinas compiten por negocios en diferentes lugares utilizando estrategias para obtener o bloquear la asignación de negocios.

Por lo tanto, los Estados pueden utilizar el efecto panóptico y de cuello de botella: varios Gobiernos están imponiendo restricciones a la ubicación de los centros de datos porque almacenarlos en el extranjero los hace susceptibles a intervención extranjera, además de reducir las capacidades propias. Asimismo, las restricciones a la venta de servicios de IA a determinados países o empresas ilustran el efecto de cuello de botella. Juntos, estos efectos crean nuevos retos para las empresas y plataformas digitales. Además, las empresas pueden enfrentarse a una doble exigencia por parte de los Estados. Por un lado, el país de origen podría pedir cierta lealtad (por ejemplo, compartir datos o cooperación militar). Por otro, el país de acogida esperaría que la empresa se distanciara de su país de origen.

Conclusión

La distribución desigual del poder internacional de los Estados se ve exacerbada por la IA. De esta situación se pueden extraer varias conclusiones. Primera, la dependencia de los Estados con pocas capacidades: la dependencia de los países periféricos de aquellos que han logrado avanzar de manera considerable en el ecosistema de IA. Esta situación evidencia su relevancia como proceso científico, pues los países necesitan invertir y definir estrategias y políticas en ciencia, tecnología, educación y para consolidar un marco de IA o cualquier otro proceso abierto de innovación. La brecha de capacidades ilustra la consolidación de centros de IA que son aprovechados como herramientas para impulsar y desafiar a los países -y a otras organizaciones- que no cuentan con las capacidades de las empresas dedicadas a la IA.

Segunda, el rol de las empresas. La distribución asimétrica de capacidades puede continuar consolidando empresas que comprendan el metaanálisis y la relevancia de la IA como un proceso científico. Esto representa un desafío para miles de empresas que dependen de sus servicios, plataformas e infraestructura. Así, crea un doble riesgo. Por un lado, da poder a la empresa proveedora y a su país anfitrión a través de los efectos panóptico y cuello de botella: vigilancia a través de datos y coerción a través de la exclusión. Por otro lado, depender de empresas estadounidenses podría producir aversión en otros países, como China, Rusia o países del Oriente Medio. En cualquier caso, los países en desarrollo presentan indicios de una dependencia que podría resultar crítica al requerir las capacidades, los recursos y los conocimientos de otros. Los datos no serían gratuitos y varios países no aceptan el acceso a los datos de su población por parte de empresas de otros países con fines comerciales.

Tercera, la perspectiva de los países en desarrollo. Por razones puramente competitivas, las empresas y los Gobiernos han estado utilizando servicios en la nube. Sin embargo, ante la falta de preparación tecnológica, contratan a grandes empresas tecnológicas. Por ejemplo, varios Gobiernos latinoamericanos dependen en gran medida de una o un pequeño grupo de empresas de tecnología (por ejemplo, Colombia y Microsoft). Otros países emergentes tienen relaciones comerciales de largo plazo con una lista corta de grandes empresas tecnológicas que cotizan en bolsa. Esto profundiza las condiciones de exclusión, pues no incentivan el desarrollo de capacidades propias, y de baja seguridad internacional, pues generan la estructura de red necesaria para ejercer poder de manera asimétrica.

Referencias

Agrawal, A., Gans, J., & Goldfarb, A. (2018). Prediction machines: The simple economics of artificial intelligence. Harvard Business Press.

Arulkumaran, K., Deisenroth, M. P., Brundage, M., & Bharath, A. A. (2017). Deep reinforcement learning: A brief survey. IEEE Signal Processing Magazine, 34(6), 26-38.

Baele, S. J., Bukhari, I., Whyte, C., Cuomo, S., Jensen, B., Payne, K., & Garcia, E. V. (2024). AI IR: Charting international relations in the age of artificial intelligence. International Studies Review, 26(2), viae013.

Banco Mundial. (2024a). PIB (USD a precios constantes de 2015). https://tinyurl.com/2dga8kd4

Banco Mundial. (2024b). Exportaciones de bienes y servicios (USD a precios constantes de 2015). https://tinyurl.com/2xudrtsl

Barabási, A. L. (2016). Network science. Cambridge University Press.

Barabási, A. L., & Albert, R. (1999). Emergence of scaling in random networks. Science, 286, 509-512.

Barrat, A., Barthelemy, M., Pastor-Satorras, R., & Vespignani, A. (2004). The architecture of complex weighted networks. PNAS, 101 (11), 3747-3752.

Belli, L., Curzi, Y., & Gaspar, W. B. (2023). AI regulation in Brazil: Advancements, flows, and need to learn from the data protection experience. Computer Law & Security Review, 48, 105767.

Bianconi, G., & Barabási, A. L. (2001). Competition and multiscaling in evolving networks. Europhysics Letters, 54(4), 436.

Boccaletti, S., Bianconi, G., Criado, R., del Genio, C. I., Gómez-Gardeñes, J., Romance, M., & Sendiña-Nadal, I. (2014). The structure and dynamics of multilayer networks. Physics Reports, 544(1), 1-122.

Bonaccorsi, G., Riccaboni, M., Fagiolo, G., & Santoni, G. (2019). Country centrality in the international multiplex network. Applied Network Science, 4(1), 126.

Brooks, S. G., & Wohlforth, W. C. (2015). The rise and fall of the great powers in the twenty-first century: China's rise and the fate of America's global position. International Security, 40(3), 7-53.

Buzan, B., & Lawson, G. (2015). The global transformation: History, modernity and the making of international relations. Cambridge University Press.

Carranza, M. E. (2017). Rising regional powers and international relations theories: Comparing Brazil and India's foreign security policies and their search for great-power status. Foreign Policy Analysis, 13(2), 255-277.

Carter, W. A., & Crumpler, W. D. (2019). China's national strategy for AI. En Smart money on Chinese advances in AI (pp. 4-6). Center for Strategic and International Studies.

Chowdhery, A. et al. (2022). PaLM: Scaling language modeling with pathways.

Cox, M. (2012). Power shifts, economic change and the decline of the West? International Relations, 26(4), 369-388.

Cranmer, S. J., & Desmarais, B. A. (2016). A critique of dyadic design. International Studies Quarterly, 60(2), 355-362.

Cranmer, S. J., Desmarais, B. A., & Kirkland, J. H. (2012). Toward a network theory of alliance formation. International Interactions, 38(3), 295-324.

Ding, J. (2024). The rise and fall of technological leadership: General-purpose technology diffusion and economic power transitions. International Studies Quarterly, 68(2), sqae013.

Ding, J., & Dafoe, A. (2021). The logic of strategic assets: From oil to AI. Security Studies, 30(2), 182-212.

Dorff, C., & Minhas, S. (2017). When do states say uncle? Network dependence and sanction compliance. International Interactions, 43(4), 563-588.

Duque, M. G. (2018). Recognizing international status: A relational approach. International Studies Quarterly, 62(3), 577-592.

Eriksson, J., & Newlove-Eriksson, L. M. (2021). Theorizing technology and international relations: Prevailing perspectives and new horizons. En Technology and international relations (pp. 3-22). Edward Elgar Publishing.

Farrell, H., & Newman, A. L. (2019). Weaponized interdependence: How global economic networks shape state coercion. International Security, 44(1), 42-79.

Fischer, S. C., & Wenger, A. (2021). Artificial intelligence, forward-looking governance and the future of security. Swiss Political Science Review, 27(1), 170-179.

Garcia, D. (2024). Algorithms and decision-making in military artificial intelligence. Global Society, 38(1), 24-33.

Gigova, R. (2017, 2 de septiembre). Who Vladimir Putin thinks will rule the world. CNN. https://tinyurl.com/23qeb5ru

Gill, A. S. (2019). Artificial intelligence and international security: The long view. Ethics & International Affairs, 33(2), 169-179.

Goddard, S. E. (2018). Embedded revisionism: Networks, institutions, and challenges to world order. International Organization, 72(4), 763-797.

Granados, O. M., & De la Peña, N. (2021). Artificial intelligence and international system structure. Revista Brasileira de Política Internacional, 64(1), e003. http://dx.doi.org/10.1590/0034-7329202100103

Haas, M. C., & Fischer, S. C. (2020). The evolution of targeted killing practices: Autonomous weapons, future conflict, and the international order. En The transformation of targeted killing and international order (pp. 107132). Routledge.

Hausmann, R., & Hidalgo, C. (2011). The network structure of economic output. Journal of Economic Growth, 16, 309-342.

Hazlehurst, C., & Brouthers, K. D. (2018). IB and strategy research on "new" information and communication technologies: Guidance for future research. En International business in the information and digital age (vol. 13, pp. 65-89). Emerald Publishing Limited.

Hernández, D., & Brown, T. B. (2020). Measuring the algorithmic efficiency of neural networks. ArXiv (preprint) arXiv:2005.04305.

Hidalgo, C., & Hausmann, R. (2009). The building blocks of economic complexity. PNAS, 106(26), 10570-10575.

Holmes, M., & Wheeler, N. J. (2024). The role of artificial intelligence in nuclear crisis decision making: A complement, not a substitute. Australian Journal of International Affairs, 78(2), 164-174.

Horowitz, M. C., & Lin-Greenberg, E. (2022). Algorithms and influence: Artificial intelligence and crisis decision-making. International Studies Quarterly, 66(4), sqac069.

Hu, P., & Mei, T. (2018). Ranking influential nodes in complex networks with structural holes. Physica A: Statistical Mechanics and its Applications, 490, 624-631.

Hynek, N., & Solovyeva, A. (2022). Militarizing artificial intelligence: Theory, technology, and regulation. Routledge.

Iacovacci, J., & Bianconi, G. (2016). Extracting information from multiplex networks. Chaos: An Interdisciplinary Journal of Nonlinear Science, 26(6), 065306.

Iansiti, M., & Lakhani, K. R. (2020). Competing in the age of AI: Strategy and leadership when algorithms and networks run the world. Harvard Business Press.

Jensen, B. M., Whyte, C., & Cuomo, S. (2020). Algorithms at war: The promise, peril, and limits of artificial intelligence. International Studies Review, 22(3), 526-550.

Johnson, J. (2019). Artificial intelligence & future warfare: Implications for international security. Defense & Security Analysis, 35(2), 147-169.

Jørgensen, R. F. (2023). Data and rights in the digital welfare state: The case of Denmark. Information, Communication & Society, 26(1), 123-138.

Kahn, M. (2018). Co-authorship as a proxy for collaboration: A cautionary tale. Science and Public Policy, 45(1), 117-123.

Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who's the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15-25.

Kennedy, P. (1987). The rise and fall of great powers. Random House.

Kiggins, R. D. (2018). Big data, artificial intelligence, and autonomous policy decision-making: A crisis in international relations theory? En The political economy of robots: Prospects for prosperity and peace in the automated 21st century (pp. 211-234).Springer.

Kim, R. E. (2020). Is global governance fragmented, polycentric, or complex? The state of the art of the network approach. International Studies Review, 22(4), 903-931.

Kinne, B. J. (2014). Dependent diplomacy: Signaling, strategy, and prestige in the diplomatic network. International Studies Quarterly, 58(2), 247-259.

Kivelä, M., Arenas, A., Barthelemy, M., Gleeson, J., Moreno, Y., & Porter, M. A. (2014). Multilayer networks. Journal of Complex Networks, 2(3), 203-271.

Laux, J., Wachter, S., & Mittelstadt, B. (2024). Trustworthy artificial intelligence and the European Union AI act: On the conflation of trustworthiness and acceptability of risk. Regulation & Governance, 18(1), 3-32.

Maas, M. M. (2019). How viable is international arms control for military artificial intelligence? Three lessons from nuclear weapons. Contemporary Security Policy, 40(3), 285-311.

Maoz, Z., & Joyce, K. A. (2016). The effects of shocks on international networks: Changes in the attributes of states and the structure of international alliance networks. Journal of Peace Research, 53(3), 292-309.

Maoz, Z., Terris, L. G., Kuperman, R. D., & Talmud, I. (2007). What is the enemy of my enemy? Causes and consequences of imbalanced international relations, 1816-2001. The Journal of Politics, 69(1), 100-115.

Martino, L., & Merenda, F. (2021). Artificial intelligence: A paradigm shift in international law and politics? Autonomous weapon systems as a case study. En Technology and International Relations (pp. 89-107). Edward Elgar Publishing.

Marwala, T. (2023). Artificial intelligence in politics. En Artificial intelligence, game theory and mechanism design in politics (pp. 41-58). Springer Nature Singapore.

McConaughey, M., Musgrave, P., & Nexon, D. H. (2018). Beyond anarchy: Logics of political organization, hierarchy, and international structure. International Theory, 10(2), 181-218.

Mearsheimer, J. (2001). The tragedy of great power politics. W.W. Norton.

Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529-533.

Monino, J.-L. (2021). Data value, big data analytics, and decision-making. Journal of the Knowledge Economy, 12(1), 256-267.

Müllner, J., & Filatotchev, I. (2018). The changing face of international business in the information age. En International business in the information and digital age (pp. 91-121). Emerald Publishing Limited.

Ndzendze, B., & Marwala, T. (2023). Artificial intelligence and international relations theories. Palgrave Macmillan.

Newman, M. E. J. (2004). Analysis of weighted networks. Physical Review E, 70(5), 056131.

Newman, M. E. J. (2010). Networks: An introduction. Oxford University Press.

Nexon, D. H. (2021). Network theory and grand strategy. En T. Balzacq & R. R. Krebs (Eds.), The Oxford handbook of grand strategy (pp. 123-141). Oxford University Press.

Nölke, A., Ten Brink, T., Claar, S., & May, C. (2015). Domestic structures, foreign economic policies and global economic order: Implications from the rise of large emerging economies. European Journal of International Relations, 21 (3), 538-567.

Nye, J. S. (2011). The future of power. Public Affairs.

Opsahl, T., Agneessens, F., & Skvoretz, J. (2010). Node centrality in weighted networks: Generalizing degree and shortest paths. Social Networks, 32(3), 245-251.

Paltieli, G. (2022). Visions of innovation and politics: Israel's AI initiatives. Discover Artificial Intelligence, 2(1), 8.

Pamp, O., & Thurner, P. W. (2017). Trading arms and the demand for military expenditures: Empirical explorations using new SIPRI-data. Defense and Peace Economics, 28(4), 457-472.

Petrella, S., Miller, C., & Cooper, B. (2021). Russia's artificial intelligence strategy: The role of state-owned firms. Orbis, 65(1), 75-100.

Pham, T., Sheridan, P., & Shimodaira, H. (2016). Joint estimation of preferential attachment and node fitness in growing complex networks. Scientific Reports, 6(1), 32558.

Purkitt, H. E. (2019). Artificial intelligence and intuitive foreign policy decision-makers viewed as limited information processors: Some conceptual issues and practical concerns for the future. In Artificial intelligence and international politics (pp. 35-55). Routledge.

Rose, A. K. (2019). Soft power and exports. Review of International Economics, 27(5), 1573-1590.

Roumate, F. (2024). Artificial intelligence: New wars, new weapons, and new players in international relations. En Artificial intelligence and the new world order: New weapons, new wars and a new balance of power (pp. 27-42). Springer Nature Switzerland.

Roumate, F. (Ed.). (2021). Artificial intelligence and digital diplomacy: Challenges and opportunities.

Russell, S. J., & Norvig, P. (2002). Artificial intelligence: A modern approach. Prentice Hall.

Sevin, E., & Eken, M. E. (2024). Yet another turn? Prioritising the needs of diplomacy over the capabilities of generative AI. Place Branding and Public Diplomacy, 1-6.

Siddiqui, K. (2016). Will the growth of the BRICs cause a shift in the global balance of economic power in the 21st century? International Journal of Political Economy, 45(4), 315-338.

Stephen, M. D. (2014). Rising powers, global capitalism and liberal global governance: A historical materialist account of the BRICs challenge. European Journal of International Relations, 20(4), 912-938.

Stockholm International Peace Research Institute (SIPRI). (2024a). SIPRI Military Expenditure Database. https://www.sipri.org/databases/milex

Stockholm International Peace Research Institute (SIPRI). (2024b). SIPRI Arms Transfers Database. https://www.sipri.org/databases/armstransfers

Tallberg, J., Erman, E., Furendal, M., Geith, J., Klamberg, M., & Lundgren, M. (2023). The global governance of artificial intelligence: Next steps for empirical and normative research. International Studies Review, 25(3), viad040.

Tinnirello, M. (Ed.). (2022). The global politics of artificial intelligence. CRC Press.

Tinnirello, M. (2018). Offensive realism and the insecure structure of the international system: Artificial intelligence and global hegemony. En R. Yampolskiy (Ed.), Artificial intelligence safety and security. CRC Press.

Vacarelu, M. (2021). Artificial intelligence: To strengthen or to replace traditional diplomacy. En Artificial intelligence and digital diplomacy: Challenges and opportunities (pp. 1-23).

Wang, X. Y., & Chen, B. (2024). World power trends and international relations: Measuring power with an entropy-QAP approach. Journal of Chinese Political Science, 29(2), 207-231.

Winecoff, W. K. (2015). Structural power and the global financial crisis: A network analytical approach. Business and Politics, 17(3), 495-525.

Wooldridge, M., & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The Knowledge Engineering Review, 10(2), 115-152.

Zhu, Q., & Long, K. (2019). How will artificial intelligence impact Sino-US relations? China International Strategy Review, 1 , 139-151.

Notes

Author notes

CONTACTO: Nicolás De la Peña ndelapena@unisalle.edu.co