Quién mueve la IA en 2026: laboratorios, chips, ciencia y poder

Los nombres aparecen todos los días: Sam dijo esto, Dario publicó aquello, Jensen presentó un chip y Elon respondió con un tuit. Si acabás de entrar a la conversación, parece una serie que empezó hace diez temporadas.

Conocer a estas personas ayuda. Convertirlas en protagonistas únicos confunde.

La respuesta corta: entre las figuras más influyentes de la IA en 2026 están Sam Altman, Dario Amodei, Demis Hassabis y Elon Musk, que dirigen laboratorios de frontera; Jensen Huang, cuya empresa suministra infraestructura clave; Fei-Fei Li y Yoshua Bengio, que influyen desde la ciencia y la gobernanza; y Liang Wenfeng, cuya empresa cambió la conversación sobre modelos abiertos y competencia global. Su poder viene de instituciones, capital, cómputo (capacidad de procesamiento), talento y acceso político. Ninguna persona decide el futuro por sí sola.

Este artículo es el mapa central de una serie. Para entender dos eventos que cambiaron septiembre, podés abrir después la investigación sobre los agentes de OpenAI que salieron de su sandbox y el análisis de la prueba de Navier–Stokes producida por agentes.

Primero: un mapa de poder, no una lista de celebridades

Una forma simple de leer la industria es preguntar qué controla o influye cada actor:

El cargo no cuenta toda la historia. Inversionistas, investigadoras, gobiernos, fabricantes de energía, comunidades, trabajadoras de datos y personas usuarias también moldean lo que se construye y lo que se permite.

Sam Altman: distribución y ambición de producto

Sam Altman es cofundador y CEO de OpenAI, la organización detrás de ChatGPT. Antes presidió Y Combinator, una de las aceleradoras de startups más influyentes de Silicon Valley.

Su poder no viene solamente de dirigir investigación. OpenAI convirtió modelos avanzados en un producto cotidiano y creó una relación directa con personas, desarrolladores y empresas. Cuando cambia ChatGPT, cambia el punto de entrada de millones de personas a la IA.

Seguir a Altman ayuda a entender la estrategia de OpenAI, sus alianzas y su visión de adopción. No convierte sus pronósticos sobre empleo, abundancia o AGI en evidencia neutral. Habla como responsable de una empresa que necesita capital, infraestructura y confianza pública.

Dario Amodei: capacidad y seguridad en la misma conversación

Dario Amodei es cofundador y CEO de Anthropic. Antes dirigió investigación en OpenAI y trabajó en Google Brain. Anthropic nació con un énfasis explícito en sistemas interpretables y controlables y desarrolla la familia Claude.

Amodei importa porque une tres conversaciones que suelen separarse: cuánto mejoran los modelos, qué riesgos aparecen y qué reglas deberían aceptar los laboratorios. En septiembre propuso acompasar el avance de la frontera y abrir los laboratorios a evaluación independiente.

También es competidor. Sus ensayos deben leerse junto con evidencia externa y con atención a quién asumiría los costos de las reglas que propone.

Demis Hassabis: investigación, producto y descubrimiento científico

Demis Hassabis cofundó DeepMind y hoy dirige Google DeepMind. Bajo esa organización conviven la investigación que nació en DeepMind, equipos de Google Brain y el desarrollo de Gemini. Hassabis también cofundó Isomorphic Labs, enfocada en descubrimiento de medicamentos.

En 2024 recibió el Premio Nobel de Química junto con John Jumper por el trabajo de AlphaFold sobre predicción de estructuras de proteínas; David Baker compartió la otra mitad del premio por diseño computacional de proteínas.

Hassabis es clave para entender que la IA no es solamente generar texto. DeepMind trabaja en ciencia, razonamiento, robótica y sistemas que se integran con productos de Google. Su visión, sin embargo, también está situada dentro de una de las mayores empresas tecnológicas del mundo.

Elon Musk: modelos, infraestructura y distribución

Elon Musk fundó xAI, hoy integrada a SpaceX y presentada como SpaceXAI, la empresa detrás de Grok. También dirige compañías con acceso a grandes cantidades de capital, infraestructura física, datos y canales de distribución.

Musk fue cofundador de OpenAI y luego se convirtió en uno de sus críticos más visibles. Sus posiciones combinan preocupaciones sobre seguridad, competencia empresarial y una enorme capacidad para mover la conversación pública.

Conviene separar tres capas cuando habla: una afirmación técnica comprobable, una predicción y una postura política o comercial. El alcance de su voz no garantiza que las tres tengan el mismo peso.

Jensen Huang: la capa que hace posible la carrera

Jensen Huang cofundó NVIDIA en 1993 y continúa como presidente y CEO. Las unidades de procesamiento gráfico de NVIDIA y su ecosistema de software se convirtieron en infraestructura central para entrenar y ejecutar modelos de IA.

Eso le da una posición distinta a la de los laboratorios. OpenAI, Anthropic, Google y SpaceXAI compiten por modelos; NVIDIA vende una parte importante de la capacidad que la carrera necesita. La disponibilidad de chips, centros de datos, energía y redes define cuánto cuesta experimentar y quién puede hacerlo a gran escala.

Escuchar a Huang ayuda a anticipar hacia dónde se mueve la infraestructura. También hay que recordar su incentivo: un futuro con más cómputo beneficia directamente a NVIDIA.

Fei-Fei Li: visión por computadora e IA centrada en las personas

Fei-Fei Li es profesora de Stanford y directora fundadora del Stanford Institute for Human-Centered Artificial Intelligence. Creó ImageNet y su desafío asociado, un conjunto de datos y benchmark (prueba estandarizada) que contribuyó de manera decisiva al avance de la visión por computadora moderna. También cofundó AI4ALL para ampliar la participación en IA y World Labs para desarrollar modelos espaciales.

Su presencia corrige dos sesgos del mapa. La historia de IA empezó mucho antes de ChatGPT y no se limita a CEOs hombres de laboratorios de lenguaje. Li insiste en que la tecnología debe diseñarse alrededor de la dignidad, la agencia y las necesidades humanas.

Seguir su trabajo sirve para entender imágenes, espacio, salud y gobernanza con una perspectiva académica. También permite preguntar quién está representada entre quienes construyen sistemas y conjuntos de datos.

Yoshua Bengio: ciencia independiente y seguridad por diseño

Yoshua Bengio es profesor de la Université de Montréal, fundador y asesor científico de Mila y uno de los tres receptores del Premio Turing 2018 por contribuciones al aprendizaje profundo. En 2025 fundó LawZero, una organización sin fines de lucro que investiga sistemas de IA diseñados para observar y explicar sin perseguir objetivos propios.

Bengio aporta una voz con menos dependencia de vender un asistente comercial. Su foco actual está en riesgos catastróficos y alternativas técnicas de seguridad. Eso tampoco vuelve indiscutibles sus estimaciones de riesgo; las vuelve parte necesaria de una conversación que no debería pertenecer solo a las empresas.

Liang Wenfeng: China, eficiencia y modelos abiertos

Liang Wenfeng fundó DeepSeek, el laboratorio chino cuyos modelos y publicaciones técnicas están disponibles en sus repositorios oficiales. Su importancia no se reduce a “China contra Estados Unidos”. DeepSeek mostró que decisiones de arquitectura, entrenamiento y publicación pueden mover las expectativas del mercado y la investigación fuera de los laboratorios más financiados de California.

Existe menos información pública verificable sobre Liang que sobre los líderes estadounidenses. Esa asimetría es una razón para evitar perfiles psicológicos y concentrarse en publicaciones técnicas, licencias, evaluaciones y comportamiento de los modelos.

Entender DeepSeek también ayuda a recordar que las reglas de IA son geopolíticas: controles de chips, acceso a energía, apertura de pesos y políticas nacionales cambian quién puede construir y auditar.

Estados Unidos y China: dos ecosistemas, no dos equipos

Un ecosistema incluye laboratorios, universidades, fabricantes de chips, energía, capital, regulación y personas usuarias. Comparar países como si fueran dos empresas oculta cooperación científica, cadenas de suministro compartidas y diferencias internas.

La conversación suele dibujar una carrera simple entre banderas. La realidad es una red de dependencias.

Estados Unidos concentra varios laboratorios de frontera, gran parte del capital privado, las plataformas de nube y empresas centrales de diseño de chips. China combina laboratorios privados, universidades, fabricantes, una enorme base industrial y políticas nacionales que conectan datos, energía, cómputo y adopción. Taiwán y Corea del Sur ocupan lugares críticos en fabricación y memoria; Países Bajos y Japón aportan equipos y materiales; otros países alojan centros de datos, suministran minerales o reciben productos sin participar en sus reglas.

En julio de 2026, la Comisión Nacional de Desarrollo y Reforma de China publicó un plan de cooperación en IA que combina datos multilingües, infraestructura de cómputo con energía verde y ecosistemas abiertos. En abril, cuatro organismos chinos ya habían conectado explícitamente política energética y capacidad de IA en un plan de acción hasta 2030.

Estados Unidos está respondiendo con controles de exportación, inversión en semiconductores, acuerdos energéticos y expansión de centros de datos. Esa estrategia puede acelerar innovación y también trasladar costos de red, suelo y agua a comunidades concretas.

Desde Latinoamérica, conviene preguntar qué infraestructura podemos usar, qué dependencia crea, en qué idioma funciona, dónde quedan los datos y qué capacidad local queremos construir.

Chips, centros de datos y electricidad: la capa que no vemos

Un chip acelerador ejecuta grandes cantidades de operaciones en paralelo. Un centro de datos reúne esos chips con redes, almacenamiento, enfriamiento y electricidad. Sin esa capa física no existen el entrenamiento ni la inferencia (el uso del modelo para generar una respuesta).

Un modelo no vive en una nube literal. Vive en edificios llenos de chips, redes, sistemas de enfriamiento y conexiones eléctricas.

La Agencia Internacional de Energía proyecta que cerca de la mitad del crecimiento del consumo eléctrico de Estados Unidos hasta 2030 vendrá de centros de datos. El Departamento de Energía estadounidense estima que podrían representar alrededor de 11,8% del consumo nacional al final de la década, dentro de un rango amplio según capacidad y eficiencia.

La cifra global necesita cuidado. Un centro de entrenamiento intensivo y una instalación eficiente que sirve inferencia no tienen el mismo consumo. Tampoco usan el agua de la misma forma. Algunos sistemas evaporan agua para enfriar; otros la recirculan en circuitos cerrados; todos dependen de cómo se genera la electricidad y de las condiciones locales.

Por eso “cada pregunta gasta una botella de agua” es una metáfora pobre para decidir. Mezcla promedios, lugares, momentos y tecnologías. Las preguntas responsables son más específicas:

• ¿cuánta electricidad demanda la instalación en horas críticas?;
• ¿qué fuente la genera y quién paga la nueva capacidad?;
• ¿usa agua potable, reciclada o un circuito cerrado?;
• ¿qué reporta la empresa y qué puede verificar la comunidad?;
• ¿qué beneficio local compensa el uso de infraestructura?

Jensen Huang aparece en esta historia porque NVIDIA vende la plataforma de cómputo. También cuentan fabricantes, empresas eléctricas, gobiernos locales y comunidades que autorizan o rechazan nuevas instalaciones.

Los eventos que cambiaron la conversación en 2026

No hace falta memorizar cada lanzamiento. Estos momentos ayudan a ver el cambio de escala:

Cada fila mezcla hechos y preguntas abiertas. El incidente del sandbox fue real, pero no prueba conciencia. La prueba de Navier–Stokes existe, pero necesita validación. La propuesta de Dario Amodei recibió apoyo, pero no es todavía una regla auditable.

Las personas que faltan en cualquier lista corta

Ocho perfiles no representan una industria completa. Faltan líderes de Meta, Microsoft, Amazon y startups; investigadoras como Timnit Gebru y Emily Bender, que cuestionan datos, lenguaje y concentración de poder; responsables de políticas públicas; comunidades afectadas por centros de datos; y millones de personas que etiquetan, moderan y corrigen información.

Una lista de “referentes” puede reproducir el mismo problema que intenta resolver: confundir visibilidad con contribución y capital con autoridad.

Usá estos nombres como entradas a instituciones y decisiones. Después ampliá la pregunta:

• ¿quién financia el trabajo?;
• ¿quién aporta los datos y cómo consintió?;
• ¿quién controla chips, energía y distribución?;
• ¿quién evalúa antes y después del lanzamiento?;
• ¿quién recibe los beneficios y los costos?;
• ¿qué voces no aparecen en la conferencia ni en el titular?

Para entender el vocabulario técnico detrás de este mapa, continuá con Fundamentos de IA.

Cómo leer la próxima declaración de un líder de IA

Cuando aparezca un anuncio, no necesitás elegir inmediatamente si creés en la persona. Separá cinco cosas:

1. Rol: qué institución representa.
2. Afirmación: qué dice que ocurrió.
3. Evidencia: qué documento, evaluación o dato permite comprobarlo.
4. Incentivo: qué gana su organización si aceptamos ese marco.
5. Decisión: qué debería cambiar para vos, si algo.

Una demo puede ser real y poco representativa. Un riesgo puede ser serio y difícil de cuantificar. Una persona puede tener experiencia extraordinaria y un incentivo comercial claro. Sostener esas ideas juntas es parte de trabajar con IA sin delegar el criterio.

Conocer a estas figuras ayuda a entender dónde se concentra poder suficiente para cambiar tus herramientas, tu trabajo y las reglas de la economía digital.

Nota editorial

Los cargos y afiliaciones fueron revisados el 14 de septiembre de 2026. La selección es editorial y no pretende ser un ranking completo. Pioneras en IA no tiene relación comercial con las personas u organizaciones mencionadas.

Fuentes principales

• OpenAI: Sam Altman on Building the Future of AI.
• Perfil y archivo de Dario Amodei.
• Google DeepMind: About y anuncio del Nobel de Química 2024.
• SpaceXAI: Company.
• NVIDIA: Jensen Huang.
• Stanford HAI: Fei-Fei Li.
• LawZero: Yoshua Bengio.
• DeepSeek: publicaciones y repositorios oficiales.
• International Energy Agency, Electricity 2026: Executive summary.
• U.S. Department of Energy, Data Center Resource Hub, 2026.
• National Energy Administration of China, plan de IA y energía, abril de 2026.
• National Development and Reform Commission of China, plan de cooperación para el desarrollo de IA, julio de 2026.
• OpenAI, reporte del incidente de Hugging Face, agosto de 2026.
• OpenAI, Navier–Stokes Millennium Prize Problem, septiembre de 2026.