Susana López Blanco La IA soberana es la capacidad de un país, una región o una organización para conservar control suficiente sobre los datos, la infraestructura, los modelos y las reglas de los que depende su inteligencia artificial, reduciendo aquellas dependencias tecnológicas que considera críticas.
Durante buena parte de la carrera de la inteligencia artificial miramos los modelos: quién tenía el mejor LLM, quién entrenaba con más capacidad o qué empresa obtenía mejores resultados. La soberanía obliga a mirar debajo. Hacen falta chips, centros de datos, electricidad, redes, cloud, conjuntos de datos, software y especialistas capaces de mantener toda esa infraestructura.
Europa ha convertido esta dependencia en política industrial. En junio de 2026, la Comisión Europea presentó un paquete de soberanía tecnológica centrado en semiconductores, inteligencia artificial, cloud y código abierto. Un mes después, EuroHPC abrió la convocatoria de las futuras AI Gigafactories.
Un modelo europeo es solo una pieza. La soberanía depende del grado de control que conservamos sobre la pila que permite desarrollarlo, ejecutarlo y sustituirlo.
Índice de contenidos
La soberanía empieza antes del modelo
Imaginemos una empresa española que ejecuta su IA en un centro de datos de Madrid. Puede depender de GPU diseñadas fuera de Europa, una plataforma cloud estadounidense, una API propietaria, librerías mantenidas por terceros y servicios externos que la empresa apenas puede sustituir.
El servidor está en España. La cadena tecnológica sigue siendo internacional.
| Capa | Qué incluye | Dependencia que conviene conocer |
|---|---|---|
| Energía | Electricidad y refrigeración | Capacidad y coste para mantener centros de datos intensivos en cómputo |
| Chips | GPU, aceleradores y semiconductores | Fabricantes, propiedad intelectual y cadena de suministro |
| Cómputo | Superordenadores y capacidad de entrenamiento e inferencia | Acceso suficiente y continuo a recursos de alto rendimiento |
| Cloud y centros de datos | Infraestructura, almacenamiento y servicios | Proveedor, localización, jurisdicción y portabilidad |
| Datos | Datos de entrenamiento y datos empresariales | Propiedad, permisos, acceso, calidad y residencia |
| Modelos | LLM, modelos fundacionales y multimodales | Licencia, apertura, adaptación y capacidad de sustitución |
| Aplicaciones | Agentes, RAG, automatizaciones y productos | Dependencia de modelos, APIs y herramientas concretas |
| Gobernanza | Seguridad, contratos, legislación y control | Quién puede acceder, auditar, modificar o interrumpir el sistema |
La arquitectura de IA de una empresa determina buena parte de esa dependencia. Separar datos, modelos, lógica de negocio y herramientas facilita sustituir componentes. Construirlo todo alrededor de un único proveedor hace el cambio más caro.
Guardar los datos en Europa no convierte por sí solo una IA en soberana
Residencia de datos, soberanía del dato, cloud soberano e IA soberana describen cosas relacionadas, pero distintas.
| Concepto | Qué responde |
|---|---|
| Residencia de datos | ¿En qué país o región se almacenan o procesan los datos? |
| Soberanía del dato | ¿Quién controla su acceso, uso, transferencia, claves y gobierno? |
| Cloud soberano | ¿Qué control jurídico, operativo y tecnológico conserva el cliente sobre la infraestructura cloud? |
| IA soberana | ¿Qué control conserva sobre cómputo, datos, modelos, software, aplicaciones, operación y jurisdicción? |
Un servidor situado en Madrid resuelve una cuestión de residencia. La soberanía exige mirar también quién administra la infraestructura, dónde está constituido el proveedor, qué legislación puede afectarle, quién controla las claves, qué tecnología utiliza y cuánto costaría trasladar la aplicación a otro entorno.
La propia Comisión Europea utiliza un enfoque gradual en su Cloud Sovereignty Framework. El marco evalúa 48 criterios agrupados en ocho ámbitos, entre ellos jurisdicción, datos e IA, cadena de suministro, tecnología, seguridad y operación.
Soberanía funciona mejor como escala que como sello. Una organización puede controlar mucho unas capas y depender casi por completo de terceros en otras.
Europa ha convertido la dependencia tecnológica en política industrial
La estrategia presentada por la Comisión en junio de 2026 conecta semiconductores, inteligencia artificial, cloud y código abierto.
La razón es industrial. Una parte importante de las capacidades necesarias para desarrollar IA avanzada está concentrada en pocas compañías y países: fabricación de semiconductores, aceleradores, grandes plataformas cloud, modelos fundacionales y determinadas herramientas de software.
Europa seguirá utilizando tecnología de Nvidia, Microsoft, AWS, Google, OpenAI, Anthropic y otros proveedores internacionales. La autonomía consiste en disponer de alternativas suficientes para que una capacidad estratégica no desaparezca si cambia un contrato, una cadena de suministro, un precio o una relación geopolítica.
También hay una cuestión económica. Quien controla infraestructura, modelos y propiedad intelectual atrae inversión, empresas y especialistas. Europa intenta que una parte mayor de ese valor se desarrolle dentro de su propio ecosistema.
AI Factories y Gigafactories: Europa necesita mucho más cómputo
Los modelos avanzados necesitan infraestructura física: procesadores, electricidad, refrigeración, redes, almacenamiento y centros de datos.
Europa está construyendo una red de AI Factories alrededor de la infraestructura de supercomputación de EuroHPC para facilitar a empresas, investigadores y administraciones el acceso a recursos de IA.
El siguiente escalón son las AI Gigafactories. El 30 de julio de 2026, EuroHPC abrió formalmente la convocatoria para seleccionar los consorcios que construirán y explotarán estas grandes instalaciones.
La convocatoria contempla hasta siete Gigafactories y prevé movilizar más de 20.000 millones de euros de inversión privada, acompañada de financiación pública europea y nacional.
La magnitud explica por qué reducir la IA soberana a «tener nuestro propio ChatGPT» resulta insuficiente. El modelo es visible. El capital y la infraestructura que permiten entrenarlo y operarlo son bastante menos visibles y mucho más difíciles de reproducir.
España conecta MareNostrum 5, la AI Factory del BSC y ALIA
España participa en esa estrategia a través del Barcelona Supercomputing Center. MareNostrum 5 proporciona capacidad de supercomputación para investigación y desarrollo de IA y sirve de apoyo a proyectos como ALIA y la AI Factory del BSC.
ALIA se presenta oficialmente como una infraestructura pública de recursos de inteligencia artificial en castellano y lenguas cooficiales. Incluye modelos de lenguaje, modelos multimodales, metodologías, documentación y conjuntos de datos.
Por eso describir ALIA como «el ChatGPT español» reduce demasiado el proyecto. Su utilidad potencial está en proporcionar recursos sobre los que administraciones, investigadores y empresas puedan desarrollar aplicaciones.
En marzo de 2026 el Gobierno presentó también los primeros casos empresariales construidos con ALIA. El paso de disponer de modelos a utilizarlos en productos y procesos dirá mucho más sobre su valor que una comparación aislada de benchmarks.
El Máster en Data Science: Big Data e Inteligencia Artificial trabaja Machine Learning, Deep Learning, bases de datos y procesamiento distribuido con Hadoop y Spark, tecnologías relacionadas directamente con la capa de datos y cómputo de estos sistemas.
Jurisdicción, claves y portabilidad también forman parte de la arquitectura
Dos servicios alojados en el mismo centro de datos pueden ofrecer grados de control muy diferentes.
Para saber cuánto control conservamos hay que mirar quién administra las claves, qué personal puede acceder a la infraestructura, bajo qué legislación opera el proveedor, qué información retiene, qué capacidad de auditoría existe y cómo recuperamos nuestros datos si terminamos el contrato.
La portabilidad merece especial atención. Una arquitectura dependiente de interfaces propietarias, formatos cerrados o servicios que carecen de equivalente puede resultar muy difícil de trasladar aunque los datos sean jurídicamente nuestros.
El Data Act europeo interviene precisamente aquí. Obliga a los proveedores de servicios de procesamiento de datos a facilitar el cambio de proveedor y a eliminar obstáculos técnicos y contractuales. En determinados servicios exige interfaces abiertas y exportación en formatos habituales y legibles por máquina. Desde el 12 de enero de 2027 deberán desaparecer además los costes de cambio previstos por el Reglamento.
La legislación puede reducir algunas barreras. La arquitectura sigue determinando cuánto trabajo exige realmente una migración.
El AI Act cubre otra parte del problema: riesgos, obligaciones, transparencia y gobernanza de sistemas de inteligencia artificial. Regula IA; no sustituye la política industrial necesaria para fabricar chips, disponer de centros de datos o desarrollar alternativas tecnológicas.
En una empresa, la dependencia puede esconderse dentro del agente
Una empresa puede desplegar un modelo en Europa y descubrir que su aplicación envía información a media docena de servicios externos.
Un agente moderno puede utilizar:
- un proveedor de modelos;
- una base vectorial;
- memoria persistente;
- servicios de observabilidad;
- APIs de terceros;
- herramientas SaaS;
- sistemas de identidad;
- bases de datos corporativas;
- servicios de búsqueda o navegación.
Cada conexión amplía la cadena de dependencias. Importa dónde viven los prompts, quién conserva los logs, qué información se escribe en memoria, quién controla las claves, qué datos llegan a cada herramienta y si podemos exportar el estado del sistema cuando cambiamos de proveedor.
La elección entre RAG, CAG, memoria, APIs y sistemas fuente entra también en esta discusión. Cuanto mejor separadas están las fuentes de información, la memoria, las reglas y el modelo, menor suele ser el coste de sustituir una pieza.
Un CIO, CTO o Chief AI Officer debería conocer estas dependencias antes de decidir cuáles merece la pena reducir.
La mayoría de las empresas terminará combinando tecnologías propias y externas
Una compañía puede utilizar OpenAI para tareas generales, un modelo abierto desplegado en infraestructura europea para determinada información sensible, Azure o AWS para otras cargas y sistemas propios para conocimiento estratégico.
Ese escenario híbrido resulta mucho más realista que construir toda la pila desde cero.
| Aspecto | Mayor autonomía | Mayor dependencia |
|---|---|---|
| Datos | Mayor control sobre ubicación, acceso y políticas | Más condiciones impuestas por la arquitectura y el contrato del proveedor |
| Infraestructura | Propia o repartida entre proveedores sustituibles | Concentrada en una plataforma |
| Modelos | Propios, abiertos o reemplazables | Modelo o API difícil de sustituir |
| Portabilidad | Arquitectura preparada para cambiar componentes | Mayor coste de migración |
| Velocidad | Exige capacidades internas | Acceso rápido a servicios ya desarrollados |
| Coste inicial | Generalmente mayor | Menor inversión propia |
La decisión empresarial consiste en identificar qué dependencias aceptamos porque resultan eficientes y cuáles son suficientemente críticas como para justificar una alternativa.
Ganar autonomía cuesta dinero
Construir capacidad propia exige infraestructura, especialistas, mantenimiento, ciberseguridad, actualizaciones e inversión.
Los grandes proveedores reparten esos costes entre millones de clientes. Replicar internamente cada servicio puede salir mucho más caro que asumir una dependencia bien entendida y gestionada.
Las necesidades tampoco son iguales. Un equipo que utiliza IA para resumir documentación interna afronta riesgos distintos de un banco, una empresa energética, una administración pública o una compañía cuyo modelo contiene propiedad intelectual crítica.
La soberanía empresarial tiene sentido cuando es selectiva: control adicional allí donde las consecuencias de perder una tecnología, un dato o un proveedor justifican el coste.
La infraestructura europea necesitará especialistas capaces de utilizarla
Construir centros de datos y comprar aceleradores resuelve una parte del problema. Después hacen falta ingenieros de IA, ML engineers, data engineers, especialistas en cloud, DevOps y MLOps, arquitectos, expertos en ciberseguridad, HPC, gobierno del dato y responsables capaces de tomar decisiones tecnológicas con criterio económico.
El Máster en Inteligencia Artificial de IEBS trabaja el diseño y aplicación de soluciones de IA, agentes, automatización, Machine Learning y criterios de seguridad y cumplimiento. El Máster en Data Science: Big Data e Inteligencia Artificial profundiza en Machine Learning, Deep Learning, almacenamiento y procesamiento distribuido de datos.
Europa puede financiar infraestructura. Convertir esa capacidad en productos, empresas y productividad dependerá también de las personas capaces de construir sobre ella.
¿Cuánta soberanía tiene realmente tu arquitectura de IA?
Una auditoría inicial puede empezar con diez preguntas:
- ¿Dónde están nuestros datos y quién puede acceder a ellos?
- ¿Quién controla las claves?
- ¿Podemos cambiar de modelo sin reconstruir la aplicación?
- ¿Podemos cambiar de cloud y exportar datos y cargas?
- ¿Dónde viven prompts, memoria, embeddings, logs y conocimiento interno?
- ¿Qué información reciben las herramientas externas que utilizan nuestros agentes?
- ¿Qué componente crítico depende de un único proveedor?
- ¿Tenemos una alternativa si desaparece una API o cambia sustancialmente su precio?
- ¿Qué legislación puede afectar a los proveedores utilizados?
- ¿Qué dependencia justifica económicamente pagar por reducirla?
Una respuesta negativa no implica necesariamente que la arquitectura esté mal diseñada. Puede ser una dependencia asumida conscientemente porque sustituirla cuesta más que el riesgo que introduce.
El problema empieza cuando ni siquiera sabemos que existe.
La IA soberana sirve precisamente para hacer visible ese mapa de dependencias y decidir cuáles queremos controlar.