La carrera por la inteligencia artificial (IA) presenta un panorama desolador para México en términos de inversión comparativa. Estados Unidos, con una inversión de 404,000 millones de dólares en 2025, lidera abrumadoramente el gasto global en IA, concentrando el capital en gigantes tecnológicos como Amazon, Alphabet, Microsoft, Meta y Oracle. En contraste, México apenas destinó 33,000 millones de pesos (aproximadamente 1,891 millones de dólares) a este sector, según datos de IDC, recursos que se distribuyeron entre infraestructura, software y servicios de TI.
Esta disparidad financiera, que sitúa a México invirtiendo 213 veces menos que su vecino del norte, podría parecer un obstáculo insuperable para las startups nacionales. Sin embargo, expertos señalan que la clave para la competencia no reside en replicar la escala de inversión estadounidense, sino en una estrategia de especialización y desarrollo de ecosistemas propios.
El Modelo Mexicano: Especialización sobre Fundación
La estrategia predominante entre las empresas mexicanas de IA se centra en el desarrollo de aplicaciones y modelos especializados, en lugar de intentar competir en la creación de modelos fundacionales masivos, como los desarrollados por OpenAI o Google. Esta aproximación se basa en arquitecturas híbridas que combinan la infraestructura global existente con modelos entrenados sobre datos propios y sensibles.
Gabriel Charles, General Partner en OBS y director regional de emprendimiento del Tec de Monterrey, explica que si bien existe una dependencia de la infraestructura global, las alternativas como las arquitecturas híbridas permiten que la información sensible o soberana se procese localmente, mientras que los datos menos críticos pueden ser gestionados en la nube con modelos generales. Esto significa que las startups mexicanas no necesitan construir desde cero la costosa infraestructura de IA, sino que pueden aprovechar los modelos y centros de datos de grandes corporaciones para tareas generales, reservando el procesamiento de información estratégica o confidencial en sistemas propios o locales.
Soberanía Tecnológica y Proyectos Emblemáticos
El concepto de soberanía tecnológica cobra relevancia en este contexto. Charles destaca iniciativas como el proyecto Coatlicue, impulsado por el gobierno, que busca fortalecer las capacidades nacionales en IA. El desarrollo de modelos fundacionales propios, similares a GPT, Gemini o Llama, requiere inversiones multimillonarias en infraestructura, grandes volúmenes de datos y una intensa labor de investigación, lo que los hace viables principalmente para grandes empresas tecnológicas o iniciativas respaldadas por gobiernos y centros de investigación.
Oportunidades en el Capital de Riesgo y Modelos Especializados
La inversión de capital de riesgo en México, aunque menor en comparación con Estados Unidos, ha mostrado una tendencia a concentrarse en industrias donde la IA puede ser entrenada con información específica para resolver problemas concretos. El Latin America Venture Capital Report (LAVCA) señala que en 2025, México captó más de 900 millones de dólares en 86 rondas de financiación, representando el 25.5% del total del capital de riesgo en Latinoamérica.
En 2024, las startups de tecnología financiera (fintech) lideraron la captación con 865 millones de dólares, seguidas por el comercio electrónico (87 millones), movilidad (86 millones) y servicios de TI, datos y nube (68 millones). Este escenario abre un espacio significativo para el desarrollo de Small Language Models (SLM), o modelos de lenguaje pequeños.
El Auge de los Small Language Models (SLM)
Franco Palacios, fundador y CEO de Creai, subraya la ventaja competitiva de los SLM. A diferencia de los Large Language Models (LLM) genéricos, los SLM son hiperespecializados y están diseñados para tareas muy específicas dentro de un dominio determinado. Esta especialización reduce drásticamente el riesgo de "alucinaciones" o respuestas incorrectas, un problema inherente a los LLM genéricos, especialmente crítico para empresas que manejan información sensible.
La necesidad de certeza, en lugar de creatividad, es lo que las empresas medianas y grandes en Latinoamérica buscan, y un SLM acotado a un dominio específico satisface esta demanda. La reducción en el consumo de infraestructura y los menores costos de implementación hacen de los SLM una opción atractiva y viable.
Sectores Clave y el Futuro de la IA en México
El ecosistema emprendedor mexicano, según el listado AI 100 Early Stage 2025 de Hi Ventures, ve una concentración del capital de riesgo en startups enfocadas en salud, finanzas, educación, comercio electrónico y atención al cliente. La verticalización de datos y el contexto local son las principales ventajas de los SLM, donde el tamaño no es el factor determinante, sino la especialización.
Para que México trascienda su rol de consumidor de IA y se convierta en un actor relevante en su desarrollo, es fundamental fortalecer el financiamiento a startups de deeptech. Asimismo, se requiere una vinculación más estrecha entre las empresas, los centros de investigación y los corporativos que poseen grandes volúmenes de información. El reto no es solo conseguir más capital, sino optimizar su aplicación estratégica en nichos de mercado con alto potencial de retorno.
La inversión en IA en México, aunque significativamente menor que en Estados Unidos, presenta una oportunidad única para innovar a través de la especialización. El desarrollo de modelos de lenguaje pequeños y aplicaciones de IA adaptadas a las necesidades específicas del mercado local y regional podría ser la clave para competir y prosperar en la era de la inteligencia artificial.