CONCENTRACIÓN DE PODER
OpenAI lanza AI Futures para investigar el equilibrio de poder en la era de IA
OpenAI creó un equipo dedicado a responder cómo reestructurar las sociedades libres ante IA transformacional. El enfoque: evitar que la automatización del poder estatal elimine la capacidad de negociación ciudadana.

OpenAI presentó AI Futures, el blog de su nuevo equipo Strategic Futures, dedicado a investigar los riesgos de concentración de poder que plantea la inteligencia artificial avanzada. Según publicó OpenAI el 20 de agosto, el equipo busca responder una pregunta central: cómo preservar derechos individuales y agencia ciudadana mientras emerge IA transformacional.
Dean Ball, autor del post inaugural, plantea que este tipo de riesgo —estructural, político— es "el más grande, serio y conceptualmente desafiante" a largo plazo dentro del campo de AI safety.
La tesis: poder sin consenso
El argumento de fondo es histórico. Ball sostiene que el poder político siempre dependió de la cooperación masiva de personas: soldados que obedecen, trabajadores que pagan impuestos, burócratas que sostienen el aparato estatal. "El poder, en esencia, ha dependido de la cooperación y consentimiento a gran escala de muchos seres humanos", escribe.
Pero los sistemas autónomos en el mundo real podrían cambiar esa ecuación. Si los estados pueden proyectar fuerza sin soldados cooperativos, recaudar impuestos de data centers en lugar de salarios humanos, y automatizar la burocracia, el "asiento en la mesa de negociación" de la gente desaparece. Ball cita a David Hume: los líderes políticos históricamente no tuvieron "nada que los sostenga excepto la opinión [popular]". Esa restricción podría desvanecerse.
Equilibrio, no descentralización radical
AI Futures no propone fragmentar al máximo el desarrollo de IA. En cambio, usa la metáfora de los Padres Fundadores de Estados Unidos: balancear poder contra poder, como cuerpos celestes que se mantienen en órbita. "El objetivo no era evitar toda concentración de poder, sino demasiada, enfrentando poder contra poder y ambición contra ambición", escribe Ball.
La referencia a Madison es directa: las "barreras de pergamino" (leyes escritas) no bastan para prevenir tiranía si las condiciones materiales cambian. "Los humanos pueden estar camino a la desautorización incluso si se mantiene la rutina de votar por representantes. Se puede privar de agencia a las personas aunque un papel diga que son libres."
El texto publicado se corta abruptamente, pero deja claro que el equipo descarta tanto la centralización extrema como la descentralización total: busca un equilibrio donde "ningún actor único, o pequeño conjunto de actores, pueda dominar al resto".
Por qué importa
Esta iniciativa señala que OpenAI está institucionalizando el debate sobre gobernanza a largo plazo, más allá de safety técnico o alineación de modelos. El foco en "concentration of power risks" pone sobre la mesa preguntas que el sector privado y los gobiernos apenas empiezan a formular: ¿quién controla infraestructura crítica automatizada? ¿Cómo se distribuye el valor económico generado por IA? ¿Qué mecanismos evitan que un puñado de empresas o estados monopolicen capacidades estratégicas?
Para empresas que adoptan IA, la discusión no es abstracta. Si Ball tiene razón, las decisiones de diseño e implementación de sistemas autónomos hoy están moldeando el equilibrio de poder de mañana. Desde qué datos se usan hasta quién opera los agentes, cada elección técnica tiene consecuencias políticas. AI Futures promete ser un espacio donde esas tensiones se discutan abiertamente, algo inusual viniendo de un lab privado.
// FUENTES
SEGUIR LA SEÑAL
VER TODO →Cómo se construye un modelo de lenguaje por difusión: la alternativa a GPT
Un paper del Kuleshov Group describe paso a paso cómo funcionan los LLMs por difusión, la arquitectura que compite con los modelos autoregresivos y que ya usan Google, NVIDIA e Inception Labs en producción.
Google DeepMind presenta un co-científico de IA que diseña experimentos y opera equipos de laboratorio
El sistema Co-Scientist de Google DeepMind ya no solo genera hipótesis: ahora planifica experimentos, escribe código, controla equipamiento y redacta papers científicos. En pruebas de tres disciplinas logró 4% de alucinaciones, contra 90% de sistemas anteriores.
LAION lanza dataset de 10 millones de horas de video para entrenar modelos de IA
El dataset Big Video Dataset (BVD) contiene 55 millones de clips con descripciones de audio y video generadas automáticamente, más 300 millones de imágenes. Modelos entrenados con BVD superan a InternVid por hasta 2,1 puntos porcentuales.