Mientras Estados Unidos destina cientos de miles de millones de dólares al desarrollo de infraestructura para inteligencia artificial (IA), México avanza con inversiones mucho más modestas. Sin embargo, lejos de representar una barrera definitiva, esta diferencia está impulsando una estrategia distinta para el ecosistema emprendedor mexicano: desarrollar aplicaciones y modelos especializados que resuelvan problemas concretos para las empresas, en lugar de competir en la carrera por construir grandes modelos fundacionales.
La diferencia en la capacidad de inversión es significativa. Durante 2025, los cinco gigantes tecnológicos estadounidenses —Amazon, Alphabet, Microsoft, Meta y Oracle— destinaron en conjunto 404.000 millones de dólares en gasto de capital relacionado con inteligencia artificial, de acuerdo con datos del S&P Index.
En contraste, México invirtió alrededor de 33.000 millones de pesos, equivalentes a aproximadamente 1.891 millones de dólares, destinados específicamente a infraestructura, software y servicios relacionados con IA, según cifras de IDC. Esto significa que la inversión estadounidense fue unas 213 veces mayor que la mexicana.
Aun así, el panorama para las startups no es tan desfavorable como podría parecer. Según el Latin America Venture Capital Report (LAVCA), México captó durante 2025 más de 900 millones de dólares en capital de riesgo distribuidos en 86 rondas de inversión, lo que representó el 25,5% del venture capital de América Latina.
Una estrategia diferente para competir
En lugar de intentar replicar el modelo de empresas como OpenAI, Google o Anthropic, el ecosistema mexicano está optando por aprovechar la infraestructura global existente y concentrarse en desarrollar soluciones con alto valor agregado para industrias específicas.
Gabriel Charles, General Partner en OBS y director regional de emprendimiento del Tecnológico de Monterrey, sostiene que la dependencia de infraestructura internacional no impide la innovación local.
“Sí hay una dependencia importante de infraestructura global, pero existen alternativas como una arquitectura híbrida, donde lo sensible o soberano corre localmente y lo menos sensible puede ir a la nube con modelos generales”, explicó.
En la práctica, esta estrategia permite que las startups utilicen la capacidad de procesamiento y los modelos desarrollados por grandes proveedores internacionales para tareas generales, mientras mantienen en infraestructura propia la información crítica o confidencial de sus clientes.
Este enfoque reduce significativamente los costos de entrada al mercado y permite que las empresas destinen sus recursos al desarrollo de soluciones específicas, en lugar de invertir miles de millones de dólares en centros de datos y entrenamiento de modelos de gran escala.
El desafío de construir modelos fundacionales
Desarrollar un modelo fundacional similar a GPT, Gemini o Llama implica una inversión multimillonaria en infraestructura computacional, investigación, adquisición de datos y talento especializado.
Por ese motivo, Gabriel Charles considera que este tipo de proyectos únicamente resulta viable mediante alianzas entre gobiernos, universidades, centros de investigación y grandes inversionistas privados.
Como ejemplo menciona el proyecto Coatlicue, impulsado por el gobierno mexicano, como una de las iniciativas orientadas a fortalecer la soberanía tecnológica nacional mediante el desarrollo de capacidades propias en inteligencia artificial.
No obstante, para la mayoría de las startups el camino más viable continúa siendo otro: construir soluciones encima de la infraestructura existente.
Los Small Language Models ganan protagonismo
Dentro de este escenario, los llamados Small Language Models (SLM) aparecen como una de las mayores oportunidades para las empresas tecnológicas mexicanas.
A diferencia de los Large Language Models (LLM), que buscan responder prácticamente cualquier tipo de consulta, los SLM están entrenados para desempeñarse dentro de un dominio muy específico, utilizando información altamente especializada.
Esto permite reducir considerablemente los costos de entrenamiento, disminuir el consumo de infraestructura y, al mismo tiempo, mejorar la precisión de las respuestas.
Franco Palacios, fundador y CEO de Creai, considera que esa especialización responde directamente a las necesidades actuales del mercado latinoamericano.
“Son hiperespecializados. Las empresas medianas y grandes en Latinoamérica necesitan certeza, no creatividad. Ahí un LLM genérico introduce un riesgo: la alucinación. Un SLM acotado a un dominio específico reduce ese riesgo drásticamente. Es una necesidad que el mercado aún no articula, pero que ya existe”, señaló.
Al limitar el universo de conocimiento del modelo a una industria determinada —como salud, cobranza, atención financiera, hospitalidad o movilidad— las probabilidades de generar respuestas incorrectas disminuyen de forma considerable, un aspecto especialmente importante para organizaciones que manejan información sensible.
El capital comienza a seguir esa tendencia
La orientación hacia soluciones verticales ya comienza a reflejarse en el flujo de inversiones.
De acuerdo con LAVCA, durante 2024 las startups fintech concentraron 865 millones de dólares en inversiones de capital de riesgo. Les siguieron las empresas de comercio electrónico con 87 millones de dólares, movilidad con 86 millones y servicios de TI, datos y nube con 68 millones.
Por su parte, el listado AI 100 Early Stage 2025, elaborado por Hi Ventures, muestra que el interés de los inversionistas continúa concentrándose en startups vinculadas con salud, servicios financieros, educación, comercio electrónico y atención al cliente.
Para Charles, prácticamente cualquier industria puede beneficiarse de este enfoque.
“Los SLM permiten la verticalización de los datos y el contexto local. La ventaja de un Small Language Model no es su tamaño, sino su especialización”, afirmó.
El reto: pasar de consumidores a desarrolladores de IA
Los especialistas coinciden en que el desafío para México no consiste únicamente en aumentar el volumen de inversión, sino también en fortalecer el ecosistema de innovación alrededor de la inteligencia artificial.
Esto implica impulsar el financiamiento para startups deeptech, promover una mayor colaboración entre universidades, centros de investigación y empresas, además de facilitar el acceso a grandes volúmenes de datos que permitan entrenar soluciones competitivas.
Para Franco Palacios, el verdadero valor de una startup de IA tampoco reside exclusivamente en el modelo que utiliza.
“El foso real de una startup nunca está en el modelo, está en los datos propietarios del cliente y en la integración profunda con su operación”, aseguró.
En un mercado donde la infraestructura seguirá concentrándose en manos de un reducido grupo de gigantes tecnológicos, la ventaja competitiva de las startups mexicanas parece estar cada vez más vinculada a su capacidad para desarrollar soluciones especializadas, aprovechar datos propios y resolver problemas concretos para industrias específicas. Ese enfoque podría convertirse en la vía más rápida para que México deje de ser únicamente consumidor de inteligencia artificial y consolide un ecosistema capaz de generar innovación con impacto regional.
Preguntas frecuentes
1. ¿Qué es un modelo fundacional de inteligencia artificial?
Un modelo fundacional es un sistema de IA entrenado con enormes volúmenes de datos para realizar múltiples tareas, como generar texto, analizar imágenes o escribir código. Estos modelos sirven como base sobre la que posteriormente pueden desarrollarse aplicaciones específicas para distintos sectores.
2. ¿Qué ventajas tiene desarrollar una IA especializada frente a una IA de propósito general?
Los modelos especializados suelen ofrecer mayor precisión en tareas concretas, requieren menos recursos computacionales y pueden adaptarse mejor a los procesos internos de una empresa. Además, su implementación suele ser más rápida y económica que la de un modelo de propósito general.
3. ¿Qué industrias podrían beneficiarse más de la inteligencia artificial especializada?
Además de los sectores financieros y de salud, la IA especializada tiene un gran potencial en manufactura, logística, agricultura, energía, seguros, recursos humanos y servicios legales, donde puede automatizar procesos, optimizar operaciones y mejorar la toma de decisiones.
4. ¿Qué habilidades demandará el crecimiento de la inteligencia artificial en América Latina?
El avance de la IA incrementará la necesidad de profesionales con conocimientos en ciencia de datos, ingeniería de software, aprendizaje automático, ciberseguridad, gobierno de datos y ética aplicada a la inteligencia artificial. También crecerá la demanda de perfiles capaces de integrar soluciones de IA en procesos de negocio.
5. ¿Por qué los datos son tan importantes para el desarrollo de la inteligencia artificial?
La calidad de los datos influye directamente en el rendimiento de un modelo de IA. Datos completos, actualizados y representativos permiten obtener respuestas más precisas y reducir errores, mientras que información deficiente puede generar resultados poco confiables o sesgados.
Leer más
- ¿Tiene México el talento digital que exige el nearshoring? IA, cloud y ciberseguridad impulsan la demanda
- Ciberamenazas 2026: WhatsApp, compras en línea e IA, entre los principales riesgos
- La revolución conversacional en México: ¿está lista la fuerza laboral para trabajar junto a la IA?
