La destilación de modelos de inteligencia artificial ha pasado de ser una técnica académica a convertirse en el eje de la disputa tecnológica más importante del siglo. Permite que un sistema pequeño replique el comportamiento de uno grande consumiendo una fracción de los recursos, y eso está redibujando el mapa de poder entre Estados Unidos y China en el sector.
El principio detrás de la técnica que inquieta a Washington
La destilación de modelos funciona mediante un proceso de transferencia de conocimiento. Un modelo grande, denominado “profesor”, genera respuestas y patrones que un modelo más pequeño, el “alumno”, aprende a imitar. El resultado es un sistema compacto que se comporta de forma similar al original sin necesitar la misma infraestructura de cómputo.
Esta diferencia es enorme en términos económicos. Entrenar un modelo de lenguaje de primer nivel desde cero puede costar decenas o centenares de millones de dólares en chips y electricidad. La destilación permite obtener un rendimiento comparable partiendo de un modelo ya publicado, reduciendo ese coste de forma drástica.
El concepto no es nuevo. Geoffrey Hinton, uno de los padres de las redes neuronales profundas y Premio Nobel de Física en 2024, describió los fundamentos de la destilación en trabajos académicos que datan de la primera década de este siglo. Lo que ha cambiado es la escala y las consecuencias geopolíticas de aplicarla.
Por qué los controles de exportación de chips ya no son suficientes
La estrategia de Estados Unidos para mantener su ventaja tecnológica sobre China ha descansado, en buena medida, en el control de las exportaciones de semiconductores avanzados. La administración Biden amplió en 2023 las restricciones sobre la venta de chips de alto rendimiento, en particular los de Nvidia, al mercado chino. La lógica era clara: sin el hardware adecuado, el desarrollo de modelos competitivos se frenaría.
La destilación erosiona esa lógica. Si los pesos de un modelo de vanguardia se publican de forma abierta, cualquier laboratorio con recursos moderados puede usarlos como punto de partida para entrenar un sistema derivado. La dependencia del hardware de última generación se reduce de manera significativa, porque el trabajo más costoso, el entrenamiento inicial, ya está hecho.
China ha demostrado de forma práctica que este camino funciona. Laboratorios chinos han presentado modelos de alto rendimiento construidos con recursos de cómputo notablemente inferiores a los que emplean los grandes laboratorios estadounidenses como OpenAI, Google DeepMind o Anthropic. Esa brecha entre recursos invertidos y resultados obtenidos es precisamente lo que hace que Washington observe la destilación con creciente preocupación.
DeepSeek y el momento en que la ecuación cambió
El caso más citado en este debate es DeepSeek, el laboratorio chino fundado en 2023 por la firma de inversión cuantitativa High-Flyer. A principios de 2025, DeepSeek publicó su modelo R1, que alcanzó resultados comparables a los de modelos punteros occidentales en múltiples benchmarks de razonamiento y codificación, según las evaluaciones independientes publicadas en el momento de su lanzamiento.
Lo que sacudió al sector no fue solo el rendimiento, sino el coste declarado de entrenamiento: aproximadamente seis millones de dólares, frente a las estimaciones de cientos de millones que se manejan para modelos equivalentes de OpenAI o Google. Aunque esa cifra ha sido debatida y probablemente no recoge todos los costes previos de investigación, el orden de magnitud marcó un antes en la percepción del sector sobre lo que es posible con recursos limitados.
DeepSeek utilizó técnicas de destilación, entre otras optimizaciones, para lograr ese resultado. El modelo fue entrenado en parte sobre las salidas de modelos más grandes ya existentes, lo que le permitió comprimir conocimiento sin replicar el gasto de cómputo original. El episodio obligó a revisar los supuestos sobre la eficacia de las restricciones de chips como instrumento de política tecnológica.
Modelos abiertos y la paradoja de compartir para competir
La destilación depende, en gran medida, de la disponibilidad de modelos cuyos pesos sean públicos o cuyos resultados sean accesibles. Meta ha sido el actor más influyente en este terreno con su familia de modelos Llama, publicados de forma abierta desde 2023. La decisión de Mark Zuckerberg de apostar por la apertura respondió a una lógica competitiva: si Meta no puede ganar en escala frente a OpenAI o Google, puede ganar en ecosistema.
Esa apuesta ha tenido consecuencias no previstas desde la perspectiva de la política exterior estadounidense. Los modelos Llama han sido utilizados como base para entrenar sistemas en todo el mundo, incluidos laboratorios en China. La apertura que beneficia a las pymes europeas, a los investigadores latinoamericanos y a las universidades públicas es la misma apertura que permite a actores con objetivos distintos acelerar su desarrollo.
Este dilema no tiene solución sencilla. Cerrar los modelos refuerza el oligopolio de los grandes laboratorios y ralentiza la innovación distribuida. Abrirlos acelera la difusión global del conocimiento, incluyendo hacia competidores estratégicos. El debate sobre dónde trazar esa línea está activo en Washington, Bruselas y Pekín de forma simultánea.
Un caso concreto: cómo una pyme puede desplegar hoy lo que antes era exclusivo
Imagina una empresa mediana de servicios jurídicos en Ciudad de México o en Madrid. Hace dos años, acceder a un asistente de IA capaz de analizar contratos complejos, resumir jurisprudencia y redactar borradores requería contratar la API de OpenAI a un coste mensual significativo o construir infraestructura propia inaccesible para su presupuesto.
Hoy, esa misma empresa puede descargar un modelo destilado de código abierto, ejecutarlo en servidores locales de coste moderado y adaptarlo a su vocabulario jurídico específico mediante un ajuste fino con sus propios documentos. El rendimiento no es idéntico al del modelo original, pero es suficiente para automatizar tareas repetitivas de alto volumen. La diferencia en coste operativo puede ser de un orden de magnitud.
Este escenario se repite en sectores como la salud, la educación, la administración pública y la industria manufacturera en España, México, Colombia y Argentina. La destilación no democratiza la IA de forma abstracta: la hace operativa para organizaciones que no tienen el presupuesto ni el talento interno de una gran tecnológica.
La nueva geometría de la carrera entre Estados Unidos y China
La competencia tecnológica entre ambas potencias ha dejado de ser únicamente una carrera de recursos. Es también una carrera de eficiencia. El laboratorio que consiga el mejor rendimiento por dólar gastado en cómputo tiene ventaja estructural, porque puede iterar más rápido, desplegar más ampliamente y escalar a menor coste.
En ese terreno, la destilación es un multiplicador de capacidad. Un país o laboratorio con acceso limitado a chips de vanguardia pero con talento en optimización de modelos puede competir de forma asimétrica. China ha invertido durante años en investigación sobre eficiencia computacional precisamente porque anticipó que el acceso al hardware sería un cuello de botella.
Estados Unidos mantiene ventajas reales: concentra los laboratorios con mayor capacidad de entrenamiento inicial, controla la cadena de suministro de semiconductores avanzados a través de empresas como Nvidia y TSMC, y alberga el ecosistema de capital riesgo más profundo del mundo para financiar nuevos modelos. Pero esas ventajas son menos decisivas cuando la técnica que define el siguiente ciclo reduce la importancia del entrenamiento inicial masivo.
Regulación, seguridad y el debate sobre los modelos de frontera
La destilación también complica el trabajo de los reguladores. La Unión Europea, con su Reglamento de Inteligencia Artificial aprobado en 2024, establece obligaciones específicas para los modelos de uso general que superen ciertos umbrales de cómputo de entrenamiento. Pero un modelo destilado puede alcanzar capacidades similares a las de un modelo de frontera sin haber superado ese umbral en su propio proceso de entrenamiento.
Eso crea una laguna regulatoria relevante. Un sistema que replica el comportamiento de un modelo sujeto a auditoría puede quedar fuera del alcance de esa auditoría si su proceso de creación fue técnicamente diferente. Las autoridades europeas y estadounidenses aún no han resuelto cómo clasificar y supervisar los modelos destilados de alto rendimiento.
El debate sobre seguridad añade otra capa. Si un modelo de frontera incorpora salvaguardas para evitar usos maliciosos, un modelo destilado a partir de sus salidas puede heredar esas salvaguardas o puede no hacerlo, dependiendo de cómo se diseñe el proceso. La destilación selectiva permite, en teoría, extraer las capacidades de un modelo omitiendo deliberadamente sus restricciones.
Lo que las empresas españolas y latinoamericanas deben calcular ahora
Para las organizaciones en España y América Latina, la proliferación de modelos destilados abre una ventana de oportunidad concreta. La barrera de entrada para desplegar IA de alto rendimiento en producción ha bajado de forma medible en los últimos dieciocho meses, y la tendencia continúa.
La pregunta relevante no es si adoptar estas herramientas, sino con qué criterios elegir entre el ecosistema de modelos disponibles. Un modelo destilado de código abierto ofrece control sobre los datos y coste predecible, pero exige capacidad técnica interna para su mantenimiento. Un modelo propietario accesible vía API reduce esa carga operativa, pero genera dependencia de un proveedor externo y expone datos sensibles a terceros.
El escenario más probable en los próximos dos años es una bifurcación del mercado: los modelos de frontera seguirán concentrándose en un puñado de laboratorios con recursos masivos, mientras que los modelos destilados de segunda generación, más pequeños y especializados, se multiplican y se integran en aplicaciones sectoriales específicas. Quien gane esa capa de aplicación, más que la capa de modelo base, definirá quién captura el valor económico de la IA en el mercado hispanohablante.
Imagen ilustrativa generada con inteligencia artificial.
Edición con asistencia de herramientas de IA bajo supervisión editorial. Cómo trabajamos.
Fermín Sánchez es el responsable editorial de LaPrensaIA, diario de divulgación sobre inteligencia artificial. Cubrimos la actualidad de la IA con criterio propio —tecnología, empresas y sociedad— de forma clara para el público no técnico. Cada artículo se elabora con la asistencia tecnológica de Iberia y se revisa antes de publicarse. Más sobre cómo trabajamos →
