Operación Prometeo: Francia puede ganar la carrera por la IA. ¿Cuál sería el precio?

En resumen

Este informe propone, por primera vez, un plan trienal para que Francia y sus socios desarrollen un laboratorio de IA de vanguardia capaz de competir con los mejores laboratorios de Estados Unidos, con el fin de garantizar su independencia estratégica.

La IA será el principal motor de la economía de aquí a 2030

- El gasto en IA, como porcentaje de los salarios, ya supera el 10 % en las empresas más avanzadas, y no hará más que aumentar, hasta tal punto que, con el tiempo, podría superar la parte destinada a los salarios. La IA es ya hoy, y con diferencia, el principal motor del crecimiento estadounidense.

No ser autónomos en materia de IA equivaldría a someternos a los imperialismos

- Importar nuestros flujos de inteligencia artificial equivale a depender de terceros para una parte cada vez mayor de nuestra productividad, nuestro poder industrial y nuestra seguridad.

- Francia no cuenta actualmente con ningún modelo de frontera (el nivel más alto de potencia), y los recientes controles estadounidenses a la exportación sobre los mejores modelos de Anthropic ilustran el peligro de esta situación. Sin embargo, ningún laboratorio de este nivel surgirá de forma espontánea sin un esfuerzo deliberado por parte del Estado.

- Aparte de Estados Unidos y China, Francia es el único país que reúne hoy en día las condiciones necesarias para convertirse en la tercera potencia de la frontera, siempre y cuando lo convierta en una prioridad absoluta.

El objetivo técnico

- El objetivo es alcanzar los 12 gigavatios (GW) de potencia de cálculo en 2029 (trayectoria: 2 GW en 2027, 7 GW en 2028, 12 GW en 2029), es decir, el nivel de los grandes laboratorios estadounidenses.

- Atraer a los mejores investigadores del mundo para formar parte de un equipo reducido (1.700 personas).

- Ser capaces, en 2029, de entrenar modelos en la frontera. Demostramos que este objetivo es alcanzable.

El costo

- 170.000 millones de dólares (Md$) a partir de 2027, más de 300 Md$ en 2029, lo que supone un total de unos 700 Md$ en tres años. El cálculo concentra la mayor parte del coste (95 %).

- Esto representaría entre el 4,5 % y el 8 % del PIB francés, de los cuales el 1,5 % correspondería a inversión pública anual, lo que constituiría, por tanto, un esfuerzo de una magnitud histórica: sería una decisión presupuestaria fundamental durante el mandato del futuro presidente de la República.

- El resto de la financiación provendría de inversiones del sector privado, pero también de capital privado o público procedente de otras potencias medias interesadas en el proyecto (ya sea para obtener beneficios directos o para evitar su propia dependencia del duopolio chino-estadounidense, en un momento en el que estas dos potencias están cerrando el grifo de la IA a sus clientes).

La arquitectura propuesta

- Proponemos distinguir dos bloques: un laboratorio científico autónomo, en el que el Estado solo tendría una participación minoritaria (25 %), pero mantendría instrumentos de control estratégico; un amplio programa de infraestructuras (informática, energía, suelo), dirigido por las autoridades públicas, respaldado por una «ley Prometeo» excepcional para agilizar los trámites y por un componente de programación financiera.

Principales puntos de desacuerdo

- Más allá del enorme costo y de la aceptabilidad política, en una democracia, de un esfuerzo financiero de tal envergadura para respaldar una tecnología que se enfrenta a una fuerte oposición, la segunda dificultad radica en el suministro de chips y, por lo tanto, en la dependencia inicial de Nvidia y del gobierno estadounidense.

La conclusión estratégica

- Las alternativas menos costosas (apostar por el código abierto o negociar una interdependencia con Estados Unidos y China) no ofrecen ninguna garantía de autonomía real.

- La pregunta decisiva sigue siendo, pues: ¿están dispuestos los defensores de la soberanía francesa a pagar el precio?

La única pregunta que importa

El gobierno estadounidense ha impuesto recientemente controles a la exportación de los grandes modelos de lenguaje y más avanzados de Anthropic: Mythos y Fable 5. La decisión de restablecer el acceso, tomada el 30 de junio de 2026, marca el inicio de un nuevo régimen: ninguna administración querrá encerrarse en criterios rígidos de transparencia a la hora de autorizar la comercialización de los mejores modelos de inteligencia artificial. La norma será una especie de ambigüedad estratégica. El gobierno estadounidense tratará de conservar el máximo margen de maniobra, incluida la posibilidad de retirar el acceso a un modelo sin previo aviso y de forma discrecional, o de limitar sus casos de uso.

Esta decisión ha recordado a todos la urgencia de la situación: la inteligencia artificial se está convirtiendo en un recurso tan importante como la electricidad o el petróleo en nuestra economía. Garantizar su suministro es ahora una cuestión estratégica decisiva. En una economía que ya se nutre de forma sostenible de los grandes modelos de lenguaje (LLM), no tener acceso de forma autónoma a los mejores modelos —los denominados «modelos de frontera»— supone depender de otros para una parte cada vez mayor de nuestra productividad, nuestro poderío industrial y nuestra seguridad nacional. Si determinadas capacidades de los modelos superan un umbral (autonomía en tareas prolongadas, mayor fiabilidad, reducción del costo de inferencia), su adopción podría experimentar un salto cualitativo, lo que podría provocar un rápido rezago económico de los países que no dispongan de ellos. Ninguna cuestión económica —y probablemente tampoco estratégica— es hoy más importante que esta: ¿estaremos sometidos a la voluntad de potencias extranjeras para abastecer a nuestra sociedad de inteligencia artificial, o seremos capaces de producirla nosotros mismos?

En materia de IA, Francia cuenta con numerosas ventajas, entre las que destacan su parque nuclear y la excelencia de sus investigadores e ingenieros. Dispone del único laboratorio europeo capaz de producir grandes modelos de lenguaje de un tamaño razonable: Mistral. Sin embargo, aún está lejos de contar con un laboratorio capaz de ofrecer inteligencia artificial de primer nivel, y de seguir o incluso liderar los avances en este campo. En este ámbito, el país parte, de hecho, casi de cero.

Si Francia y Europa no han logrado dar lugar a gigantes tan poderosos como Anthropic u OpenAI, es por razones estructurales relacionadas con la dispersión del capital, el entorno normativo y, probablemente, ciertos comportamientos culturales. Sin duda, es urgente reducir estas trabas, pero ello llevará seguramente mucho más tiempo que el breve plazo que nos queda para poner en marcha un laboratorio de inteligencia artificial de vanguardia: la unificación del mercado de capitales europeo es un tema recurrente, al igual que la simplificación de la legislación nacional y europea. Por lo tanto, cualquier voluntad política de volver a situar a Francia en la carrera por la inteligencia artificial solo podrá materializarse mediante un esfuerzo deliberado y concentrado por parte del Estado.

Pero, ¿de qué esfuerzo estamos hablando y de qué magnitud? La mayoría de quienes hoy reclaman una IA soberana lo hacen sin valorar su costo. Sin embargo, la ecuación política varía por completo según el orden de magnitud. ¿Es equivalente al costo de un nuevo portaaviones, por ejemplo? ¿Se trata más bien de un esfuerzo comparable al plan Messmer, que movilizó durante un tiempo más del 1 % del PIB francés para construir la flota de reactores nucleares que siguen siendo nuestra base energética? ¿Va aún más allá?

En esta nota proponemos una «operación Prometeo»: calculamos las cantidades que hay que invertir para crear y mantener un laboratorio de vanguardia en Francia de aquí a 2029 (tres años), antes de determinar con qué medios lograrlo y extraer las conclusiones estratégicas pertinentes.

Crear un laboratorio de frontera para Francia

Nos centramos deliberadamente en un laboratorio dedicado a los grandes modelos de lenguaje, porque hoy en día es la tecnología de inteligencia artificial generalista más madura y, por lo tanto, la más reproducible. Explorar paradigmas aún no probados, como los «world models», sigue siendo útil y deseable, pero como complemento de un proyecto industrial de este tipo (al igual que en la década de 1970 era necesario copiar e implantar en Francia el modelo estadounidense de reactores nucleares de agua ligera, al margen de las investigaciones francesas sobre modelos alternativos de reactores).

¿Qué es un laboratorio de frontera?

El término «frontera», en IA, se refiere más a una dinámica que se desarrolla a lo largo del tiempo que al rendimiento de un modelo en un momento dado: la duración, medida en tiempo de un experto humano, de las tareas que un agente puede realizar con un cierto nivel de fiabilidad se ha duplicado aproximadamente cada siete meses. 1 La mayoría de los benchmarks, que se saturan rápidamente, se convierten menos en instrumentos de medición precisa del rendimiento de los modelos que en condiciones mínimas de acceso a la frontera. El acceso a la frontera no puede concebirse como la compra puntual de un modelo. Supone una capacidad duradera para seguir y asimilar la dinámica. En la frontera, la capacidad de cálculo necesaria para entrenar un modelo se duplica cada 5,2 meses desde 2020. En el mismo periodo, el costo de entrenamiento de los modelos de vanguardia se duplica cada siete meses. Las mejoras en la eficiencia del hardware y los algoritmos también son rápidas, pero no compensan el aumento de las expectativas: permiten, sobre todo, aspirar a modelos más capaces, que requieren más tiempo de entrenamiento, más autónomos y que demandan una mayor intensidad en la inferencia.

Los laboratorios que se sitúan en la vanguardia de la IA se basan en el dominio de un conjunto integrado de recursos para financiar las siguientes iteraciones en el desarrollo de los modelos y garantizar su implementación a gran escala. Su ventaja radica tanto en la calidad científica de los equipos técnicos como en el acceso continuo al capital, a los datos y a las infraestructuras de cálculo necesarias para ampliar los límites. Además, cada vez dependen más del acceso a los propios modelos de IA, que ayudan a los desarrolladores a crear futuros modelos, o incluso llevan a cabo sus propios experimentos para acelerar automáticamente la I+D; este es el proceso que se denomina «mejora recursiva» y que podría conducir a un rápido aumento de la brecha entre los laboratorios que se benefician de los mejores modelos (los suyos) y sus competidores.

El cálculo: la clave del éxito

El principio fundamental de la IA en la actualidad, y la única razón por la que las empresas que desarrollan esta tecnología se lanzan a una carrera desmesurada por las inversiones, se conoce como «leyes de escala».

Se trata de leyes empíricas según las cuales la inteligencia del modelo aumenta linealmente en función del logaritmo de la potencia de cálculo empleada, ya sea durante el entrenamiento del modelo o posteriormente, durante su uso.

Es cierto que esta fórmula resulta cada vez más costosa a medida que se multiplica la potencia invertida, pero la promesa es fabulosa: alcanzar una inteligencia ilimitada, más amplia que la de los mayores eruditos, capaz de contribuir al progreso científico y técnico más que todos nuestros premios Nobel. No hay nada que garantice que estas leyes sigan siendo válidas a largo plazo. Pero hasta ahora se han cumplido. Es esta promesa la que hace que la inversión sea tan importante: a medida que la IA se convierta en una entidad de inteligencia superior, capaz de dar pasos de gigante en todos los ámbitos científicos y técnicos —y, por tanto, también en el armamento—, la soberanía de un Estado no podrá mantenerse sin un control soberano sobre esta tecnología.

Ganar la carrera es, por tanto, principalmente una cuestión de cálculo, algo que confirma la situación actual de la geopolítica de la IA. Los dos laboratorios que hoy se sitúan a la vanguardia, Anthropic y OpenAI, son también los que disponen de la mayor reserva de potencia de cálculo (compute). Esta se mide, por lo general, en función de la energía consumida: cada uno de estos laboratorios controla el equivalente a varios gigavatios. Y es precisamente la potencia de cálculo lo que marca la diferencia:

Una forma habitual de medir el «retraso» de un laboratorio respecto a la frontera es elegir un conjunto de puntos de referencia con los que compararse. Ninguno de ellos, por sí solo, refleja lo que realmente es la frontera, y la cifra obtenida depende en gran medida de la medida elegida. Si utilizamos el índice de Artificial Analysis (un indicador útil, aunque muy incompleto, de la frontera), se observa una diferencia entre Fable 5 y los laboratorios chinos de aproximadamente cuatro meses. La diferencia real es sin duda mayor, como demuestra el mismo razonamiento aplicado a FrontierMath, un punto de referencia de problemas de investigación matemática. Las comparaciones como las de Artificial Analysis pueden saturarse en la parte alta: comprimen las diferencias entre los mejores modelos. Esta compresión puede dar la impresión de un retraso moderado, cuando en realidad las diferencias siguen siendo mucho más marcadas en las tareas más difíciles (en ARC-AGI-2, por ejemplo, los modelos chinos siguen estando unos ocho meses por detrás). Por otra parte, una media agregada oculta la forma real de la frontera. Tener «cuatro meses de retraso» no permite saber qué capacidades siguen siendo inaccesibles hoy en día, ni qué clases de tareas solo pueden resolverse con el mejor modelo disponible. En la frontera, la ventaja no es lineal, sino acumulativa: el mejor modelo sirve para entrenar, perfeccionar y acelerar al siguiente, capta los usos más rentables y a los mejores talentos, y establece el estándar que los demás deben alcanzar. Además, muchos puntos de referencia no tienen en cuenta el consumo de tokens utilizados para responder. Sin embargo, dedicar más recursos de cálculo a la inferencia suele permitir mejorar significativamente los resultados. Los modelos cerrados en la frontera también se someten a pruebas exhaustivas de seguridad (red teaming) o de fiabilidad antes de su despliegue, lo que puede retrasar su puesta a disposición del público en general, aunque la capacidad interna en el laboratorio ya esté disponible.

Teniendo en cuenta el rendimiento de los modelos desarrollados por empresas chinas especializadas exclusivamente en el sector digital —cuyos recursos son, en principio, más limitados que los de los grandes laboratorios estadounidenses—, hay quien considera hoy en día que sería posible entrenar modelos de vanguardia con una potencia de cálculo (y, por tanto, un costo) mucho menor que la habitual en Estados Unidos. GLM 5.2, publicado el 16 de junio de 2026 por Zhipu, compite con Claude Opus 4.8 en algunos puntos de referencia, a pesar de que Zhipu solo dispondría de una fracción de la capacidad de cálculo de Anthropic (y, además, en forma de asignación y no de recursos de cálculo propios). Pero, por un lado, resulta difícil evaluar las verdaderas capacidades financieras y de cálculo de las empresas chinas. Por otro lado, está claro que parte del rendimiento de sus modelos proviene de la destilación de los modelos comerciales estadounidenses, es decir, del uso de dichos modelos para generar datos y entornos de entrenamiento. 2 Tomar el ejemplo de un DeepSeek o un Zhipu para llegar a la conclusión de que es posible desarrollar en Europa un laboratorio de vanguardia a bajo costo sería un error. En cierto sentido, la destilación es una forma de acceder a potencia de cálculo por poder, en la que el costo de la vanguardia ya se ha pagado en otro lugar. Por último, un modelo como el GLM 5.2 no está a la altura de los modelos de Anthropic y OpenAI en otras series de pruebas comparativas, y parece, en general, menos versátil y menos eficaz.

También es cierto que gran parte de la capacidad de cálculo disponible en OpenAI y Anthropic se destina a la inferencia, es decir, al uso de los modelos por parte de los usuarios, y no al entrenamiento de dichos modelos. En sí mismo, podría resultar tentador pensar que el entrenamiento es posible con mucha menos potencia de cálculo, pero, una vez más, ese razonamiento sería erróneo, ya que son precisamente los datos resultantes del uso masivo de sus modelos por parte de los usuarios los que facilitan el entrenamiento de los modelos posteriores. Por lo tanto, hay que distinguir entre entrenamiento e inferencia desde el punto de vista de la arquitectura, pero sin oponerlos desde el punto de vista estratégico: para un laboratorio en la frontera, el cálculo constituye una cartera estratégica que debe distribuirse entre entrenamiento, I+D, inferencia interna (RL, datos sintéticos, automatización de la investigación) e inferencia para el cliente. Los efectos de escala influyen en cada uno de estos eslabones: cuantos más usuarios atiende un laboratorio, más aprende a reducir su costo por token, a mejorar sus kernels, su enrutamiento, su batching o la tasa de utilización de los aceleradores; cuanto más eficaz se vuelve su inferencia, más inteligencia puede vender, generar ingresos, captar datos y señales de uso, y reinvertir en el siguiente ciclo. Por último, la inferencia también permite el «test-time scaling», es decir, la mejora del rendimiento mediante un mayor cálculo en el momento de la resolución de las tareas (véase el gráfico sobre las leyes de escala). La inferencia es, por tanto, un motor económico y técnico esencial de la frontera.

Si Francia desea contar con su propio laboratorio capaz de proporcionarle IA de vanguardia a largo plazo, necesita, por tanto, una organización cuya envergadura y recursos se acerquen a los de los grandes laboratorios estadounidenses.

¿Cuál sería el costo de un proyecto así?

Por simplicidad, dejemos de lado por ahora los vehículos existentes capaces de albergar y llevar a cabo este proyecto, y partamos de los principios básicos: ¿cuántas GPU, cuánta energía y cuántos investigadores se necesitarían para crear este laboratorio?

Potencia de cálculo

A finales de 2025, OpenAI disponía de aproximadamente 1,9 GW y Anthropic de 1,4 GW; se prevé que ambos laboratorios alcancen entre 5 y 6 GW cada uno a partir de finales de 2026. 3 Proponemos fijar como objetivo una capacidad del orden de 12 GW de carga informática en 2029. Esto equivale a alcanzar el nivel previsto de los actores pioneros, avanzando rápidamente: 2 GW en el primer año, 7 GW en 2028 y 12 GW en 2029. A modo de comparación, recordemos que el programa Stargate 4 prevé 500.000 millones de dólares para 10 GW y que Anthropic ha reservado unos 10 GW con Amazon, 5 de Google y de Broadcom. 6

El primer costo incluye únicamente la base de cálculo: la compra y la construcción de las capacidades propias, el alquiler temporal de capacidad para cubrir el déficit inicial y, posteriormente, la explotación anual de las capacidades en propiedad. Tomando, por simplicidad, las cifras de Epoch AI como referencia, calculamos unos 38 mil millones de dólares por GW adquirido, 8,5 mil millones de dólares por GW alquilado al año y 0,9 mil millones de dólares por GW en propiedad al año en concepto de gastos de explotación (OpEx). La necesidad de financiación de la capacidad de cálculo sería, por tanto, de unos 161 mil millones de dólares en 2027, 219 mil millones de dólares en 2028 y 299 mil millones de dólares en 2029, lo que supone unos 678 mil millones de dólares acumulados en tres años. De este total, la mayor parte corresponde a los gastos de inversión (CapEx) en construcción y equipamiento, es decir, unos 606 mil millones de dólares, mientras que el resto cubre los alquileres (60 mil millones de dólares) y los gastos operativos (OpEx) de las capacidades propias (13 mil millones de dólares).

El consumo eléctrico asociado en 2027 es de aproximadamente 20 TWh al año, incluido el PUE, para 2 GW de carga informática disponible. Con el aumento de potencia previsto, el consumo alcanzaría unos 71 TWh en 2028 y, posteriormente, 121 TWh en 2029, para 12 GW disponibles. Este consumo, de gran envergadura, podría, en principio, ser totalmente sostenible gracias al exceso de capacidad de generación eléctrica existente en Francia, incluso antes de la incorporación de nuevas capacidades nucleares (que, sin embargo, serán evidentemente necesarias a más largo plazo): de aquí a 2029, el simple aumento del factor de carga del parque existente (~71 % en 2024, frente al ~90 % de los mejores operadores mundiales, en parte debido a la modulación relacionada con las energías renovables) liberaría hasta 100 TWh al año, a lo que hay que sumar el margen de los ~90 TWh que se exportan actualmente.

Además, estimamos una contratación de capacidad informática transitoria de entre 1 y 3 GW al año durante ese periodo, a un costo de 8,5 mil millones de dólares al año por GW. Esta capacidad alquilada permite complementar la capacidad propia durante la fase de puesta en marcha y, en particular, que los investigadores puedan comenzar a trabajar más rápidamente desde el primer año.

En Francia, está previsto que cinco emplazamientos acojan más de 700 MW cada uno de aquí a 2030-2032. Este plazo se debe, en particular, a los plazos de conexión de entre cuatro y cinco años en los grandes emplazamientos, incluidos aquellos que cuentan con financiación pública. Sería posible garantizar 1 GW agregado en estas instalaciones durante el primer año si se fuera más allá de la vía rápida actual y se impusiera una estrategia de fases iniciales, instalación por instalación, en los proyectos más avanzados. Ejemplos como el de Colossus demuestran que es posible añadir 300 MW en un único emplazamiento en unos siete meses combinando un emplazamiento industrial reutilizable, proveedores movilizados, una conexión acelerada y una amplia tolerancia normativa. El objetivo de 12 GW para 2029 supone una trayectoria de recuperación excepcional; las cinco instalaciones de vía rápida deberían alcanzar prácticamente su nivel objetivo ya en 2029. Además, esta trayectoria supone ampliar la cartera más allá de los grandes emplazamientos existentes, combinando ampliaciones de emplazamientos, reconversiones industriales y, eventualmente, algunas capacidades europeas controladas por actores franceses o europeos. También supone reducir el tiempo de comercialización acelerando al máximo las obras de conexión o liquidando las colas de espera de las PTF (Propuestas Técnicas y Financieras), los compromisos de conexión acordados con RTE. Al reducir el tiempo de comercialización, el Estado haría que estas instalaciones resultaran mucho más atractivas para los inversores y los promotores.

Contratación

La potencia de cálculo es una base indispensable, pero no basta para alcanzar la frontera. La incapacidad de Meta y xAI para competir hasta ahora con Anthropic y OpenAI, a pesar de contar con importantes capacidades de 4 y 1,5 GW, respectivamente, pone de manifiesto la importancia de la calidad de los investigadores y de la cultura del laboratorio.

Aunque a menudo se elogian, con razón, las competencias de los investigadores e ingenieros franceses, Europa carece, sin embargo, de experiencia y, por lo tanto, de conocimientos especializados en el entrenamiento actual de los modelos de frontera. Si queremos aspirar a ello, hay que pagar el precio necesario para atraer a investigadores de los grandes laboratorios estadounidenses (lo que, en algunos casos, supondrá, por otra parte, recuperar a talentos europeos).

No hace falta contar con una gran plantilla: contamos con un equipo reducido de unas 1.700 personas, mientras que Anthropic tiene 3.000 empleados y OpenAI, 5.000 (dejando de lado, por el momento, los aspectos relacionados con el producto y el marketing). En cambio, las remuneraciones son elevadas, sobre todo en los puestos más altos: es imprescindible contar con unos sesenta investigadores de élite, procedentes de los mejores competidores, para los que destinamos 3.000 millones de dólares en remuneraciones anuales. Es el precio de mercado: las remuneraciones de nueve cifras se han convertido en algo habitual en las contrataciones entre laboratorios. Cabe señalar, aunque aquí nos centremos en los recursos financieros, que el dinero no basta: las dificultades a las que se enfrenta xAI demuestran que, más allá del nivel salarial, la capacidad de atraer de forma duradera a los mejores investigadores depende también de la cultura científica o de la gobernanza.

La base de la organización cuenta, a título indicativo, con 300 investigadores e ingenieros con amplia experiencia (con un presupuesto de unos 4 millones de dólares cada uno), 400 especialistas en entrenamiento distribuido, sistemas e infraestructura, así como 300 personas dedicadas a los datos, el análisis posterior al entrenamiento y las evaluaciones (aproximadamente 2 millones de dólares cada uno), a los que se suman 150 personas dedicadas a las herramientas de I+D, 150 en seguridad y ciberdefensa, 250 en el producto y 150 en las áreas jurídica, de relaciones públicas, recursos humanos y apoyo.

En total, la masa salarial se sitúa en algo menos de 7 mil millones de dólares en 2027, para luego aumentar hasta unos 8 mil millones de dólares en 2028 y 9 mil millones de dólares en 2029, lo que supone un total de casi 24 mil millones de dólares acumulados en tres años. Sigue siendo muy inferior al coste de cálculo: alrededor del 3,5 % del costo acumulado de cálculo. Por lo tanto, el personal cualificado resulta mucho menos costoso que las GPU, lo que justifica aún más que se les pague extremadamente bien. La masa salarial crece de forma más moderada que la computación en la fase de construcción, en torno al 15 % anual: el equipo sigue siendo reducido, pero las remuneraciones continúan aumentando debido a la competencia.

Total

Sobre esta base, el costo total anual asciende a unos 170 mil millones de dólares en 2027, 229 mil millones de dólares en 2028 y, posteriormente, 310 mil millones de dólares en 2029, lo que supone un total acumulado de unos 710 mil millones de dólares en tres años. Este cálculo representa la abrumadora mayoría: por sí solo, asciende a unos 678 mil millones de dólares acumulados, lo que supone el 95 % del total, mientras que el resto corresponde a la masa salarial y a diversos gastos de funcionamiento (24 y 7 mil millones de dólares acumulados, respectivamente).

Por lo tanto, la inversión es más que cuantiosa: este esfuerzo representaría aproximadamente el 4,5 % del PIB francés en 2027, el 6 % en 2028 y, posteriormente, el 8 % en 2029.

Tras tres años: trayectoria autosuficiente y beneficios económicos

Aunque el esfuerzo necesario para una carrera de este tipo hacia la frontera sea, por tanto, enorme, sería, no obstante, acotado y limitado en el tiempo, sobre todo desde el punto de vista de las autoridades públicas. Aunque alcanzar la frontera resulta extremadamente difícil para un laboratorio de IA —hasta el punto de que lograrlo en Francia exigiría un apoyo masivo y multifacético del Estado durante varios años—, esta fase inicial sería breve. En caso de éxito, una vez alcanzada la frontera, la demanda privada de los servicios ofrecidos por el laboratorio sería tal, y su atractivo para los inversores internacionales tan grande, que se encontraría de forma natural en una trayectoria autosuficiente y sostenible. La masificación de la demanda privada y el atractivo del proyecto para los inversores extranjeros serían tanto más importantes cuanto que se beneficiaría plenamente del interés de los actores europeos y de otros países deseosos de liberarse de la dependencia del control de las exportaciones estadounidenses y chinas. Una vez superada la fase inicial, se puede postular razonablemente que un laboratorio de vanguardia europeo, si sigue siendo gestionado de forma eficaz por sus responsables, debería ser capaz de mantenerse de forma duradera a la vanguardia y, probablemente, de ampliar la distancia con respecto a los competidores que no hayan alcanzado dicha posición, sin necesidad de recurrir a financiación pública.

Las inversiones, tanto públicas como privadas, realizadas en el marco de una iniciativa de este tipo tendrían, además, como objetivo ser especialmente rentables desde el punto de vista financiero. Antes incluso de mencionar el valor económico, político y estratégico de un proyecto así, hay que recordar que un laboratorio de vanguardia es también un activo productivo de primer orden. El esfuerzo realizado no es en vano: puede generar ingresos si tiene éxito y conservar un valor sustancial incluso si fracasa.

La mayor parte de la capacidad de cálculo de los grandes laboratorios se destina a la inferencia, que se monetiza mediante el acceso de pago a la API (por token), a través de suscripciones para particulares y empresas, y, cada vez más, mediante productos basados en agentes que automatizan sectores enteros del trabajo intelectual. Los ingresos de los laboratorios líderes crecen a un ritmo que los duplica cada año o incluso más, hasta alcanzar varias decenas de mil millones de dólares al año. Además, un laboratorio francés contaría con una ventaja estructural: un mercado europeo soberano, en parte cautivo. A largo plazo, en caso de éxito, la mayor parte de los costos anuales podría autofinanciarse con los ingresos y el resto con inversiones privadas.

Por otra parte, aunque el laboratorio no lograra llegar a la frontera, Francia seguiría siendo propietaria de múltiples GW de centros de datos. Se trata de activos duraderos y valiosos. Esta capacidad de cálculo podría alquilarse (inferencia bajo demanda, nube soberana), ponerse al servicio del ecosistema europeo de investigación y startups, o reasignarse a otras cargas intensivas. Cabe señalar, no obstante, que las propias GPU se deprecian rápidamente, con una vida útil de solo unos años, lo que justifica la amortización incluida en nuestro modelo. La base patrimonial reside sobre todo en la infraestructura, la energía y los terrenos. Pero no es la parte más difícil de obtener ni la menos valorizable.

¿Cómo llevar a cabo esta operación?

Teniendo en cuenta la enorme cantidad de recursos que hay que destinar al proyecto, la arquitectura elegida para llevarlo a cabo resulta decisiva. ¿Cómo organizar los recursos invertidos en este esfuerzo hercúleo? ¿Debería ponerse a varias empresas en competencia o concentrarse los recursos en una sola y, en caso afirmativo, en cuál? ¿Y qué papel debería desempeñar el Estado en ello?

¿Qué estructura se ha creado en torno al Estado?

Si se tratara de reducir a una ecuación el rendimiento de los modelos desarrollados en un laboratorio, se podría escribir, a partir de las observaciones realizadas anteriormente:

rendimiento = potencia de cálculo × datos × organización × mentes

OpenAI, Anthropic, Meta o xAI llevan una ventaja notable en cuanto a potencia de cálculo. El factor organizativo puede ser el factor limitante para algunas empresas, como la jerarquía excesivamente pesada en Meta y, en menor medida, en Google. Por el contrario, las empresas chinas, más limitadas en cuanto a capacidad de cálculo, se defienden gracias al factor humano, con investigadores brillantes y una ingeniería de primer nivel.

Pero una vez planteada esta ecuación, ¿cómo maximizar los ingresos? ¿Hay que invertir en un líder, o en varios? Naturalmente, existe una tensión entre la competencia y la concentración de recursos. En Estados Unidos, la competencia ha permitido la aparición de múltiples actores que han contribuido todos ellos al progreso del país: fue Google quien descubrió Transformers, OpenAI quien descubrió las leyes de escalabilidad en la inferencia con o1, y Anthropic quien publicó los agentes de código abierto que abren el camino hacia la mejora individual. El ejemplo chino es, por otra parte, singular: el gobierno mantiene una red de centros de datos cuya potencia aumenta progresivamente. Los «neo-labs», como Zhipu, Moonshot o MiniMax, compiten a continuación por obtener subvenciones y autorizaciones de uso de duración limitada; la concesión de una subvención depende, por supuesto, del rendimiento anterior, lo que permite que la competencia impulse la aparición de nuevas ideas, pero también dispersa los esfuerzos en la misma medida.

Por el contrario, para un Estado con recursos limitados, las leyes de escala restringen las opciones: cualquier organización que quiera aspirar a una IA de primer nivel necesitará aproximadamente la misma capacidad de cálculo que uno de los líderes estadounidenses, lo que requiere directamente varios gigavatios y, por lo tanto, cientos de miles de millones de euros. Esto descarta de entrada que Francia, sola o incluso en coalición, pueda financiar de una sola vez a varios líderes del sector. Por lo tanto, esta inversión deberá centrarse inevitablemente en un único proyecto. Esta lógica del «líder nacional», ineludible, exigiría, sin embargo, una gobernanza especialmente bien diseñada para evitar que se vea mermado su potencial de innovación.

En ese momento habrá que elegir entre dos opciones: recurrir a un laboratorio ya existente —siendo Mistral, naturalmente, el único candidato europeo creíble— o crear un vehículo totalmente nuevo. La primera opción convertiría a Mistral en el eje central del proyecto, haciendo que absorbiera todos los recursos puestos a disposición de la operación Prometeo y adoptara la hoja de ruta de la «carrera hacia la frontera». La segunda consistiría en crear una estructura específica, posiblemente adquiriendo a los investigadores y los activos de Mistral, si esta forma permitiera una ejecución más rápida, una gestión más rigurosa o una mejor adecuación a los objetivos del programa. Mistral tiene actualmente un valor estimado de unos 20 mil millones de euros, lo que solo representaría una octava parte del costo anual del presente proyecto.

A continuación se plantea la cuestión del papel del Estado.

Hay dos condiciones que se desprenden claramente. La primera es que el proyecto nunca tendrá éxito sin un compromiso masivo por parte de los poderes públicos, en primer lugar financiero, pero también político, diplomático y normativo. Solo el Estado, desplegando todo su poder y su capacidad para concentrar los recursos, puede convertir la operación Prometeo en un esfuerzo nacional prioritario comparable a lo que supuso la construcción de la disuasión nuclear francesa en los años sesenta y setenta. La segunda es que, por el contrario, el Estado no aporta ningún valor añadido a la gestión del propio laboratorio, y que incluso sería, con toda seguridad, perjudicial para él. Ahora bien, sería difícil defender políticamente una financiación de tal envergadura sin ningún tipo de control público.

La esencia del proyecto consistiría, por tanto, en dividir el proyecto en dos partes. Por un lado, el laboratorio propiamente dicho: los investigadores, con su propia cultura y libres de tomar sus propias decisiones científicas, dedicados por completo al entrenamiento de los modelos y con el único marco de referencia de una hoja de ruta general hacia la frontera. Por otro lado, todo lo demás, es decir, en realidad, un inmenso proyecto de infraestructuras destinado a proporcionar, en las cantidades, los costes y los plazos deseados, la potencia de cálculo al laboratorio, algo que el Estado sabría llevar a cabo.

Al frente de la parte pública, una dirección de programa estatal se encargaría de la gestión del proyecto en nombre del Estado. Su función se centraría por completo en facilitar el proyecto: agilizar los trámites administrativos y establecer los numerosos regímenes excepcionales indispensables. Debería aprobarse una «ley Prometeo», equivalente a la «ley Notre-Dame», en materia de suelo, conexión eléctrica, medio ambiente y derecho laboral.

La «ley Prometeo» incluiría asimismo un capítulo de programación financiera que establecería una inversión pública masiva en el proyecto durante tres años, equivalente al 1,5 % del PIB anual. Los precedentes de los grandes proyectos tecnoindustriales nacionales franceses y estadounidenses (la disuasión nuclear francesa, el Proyecto Manhattan, el Programa Apolo) parecen indicar que se trata del orden de magnitud máximo creíble para un programa muy ambicioso designado por el Estado como una prioridad absoluta de seguridad nacional. Estos fondos públicos, esenciales para dotar de credibilidad al proyecto y atraer inversiones privadas francesas y extranjeras destinadas a complementarlo, lejos de malgastarse sin contraprestación alguna, constituirían inversiones capaces de generar rendimientos considerables en caso de éxito. En caso de éxito, Francia se vería dotada de un activo estratégico inestimable dentro de un club ultrarestringido de potencias de vanguardia (Estados Unidos, China y Francia) y de un medio que le permitiría desempeñar un papel de catalizador esencial de la autonomía estratégica europea. Invertir el 1,5 % del PIB de fondos públicos al año durante tres años en un proyecto de este tipo parece, en estas condiciones, más que justificado. Esto es aún más cierto si se tiene en cuenta que, una vez que la apuesta haya dado sus frutos, en su caso, el proyecto ya no requeriría ninguna financiación pública adicional. En cuanto al procedimiento, lograr que el Estado invierta tales cantidades en la operación Prometeo supondría, por el contrario, hacer un buen uso de la normativa europea sobre ayudas de Estado: habría que utilizar sin reservas la carta de la seguridad nacional para mantener a la Comisión al margen, aunque ello suponga entablar con ella una lucha jurídica.

…the piece continues at the source.