El boom de IA chino y la mesa de diseño que nadie audita
En enero de 2026, seis empresas chinas de inteligencia artificial y semiconductores se listaron en la Bolsa de Hong Kong y levantaron 3.600 millones de dólares en conjunto, casi un 60% más que el total de IPOs del primer trimestre de 2025 en ese mismo mercado. Las acciones de MiniMax y Z.ai llegaron a duplicar su precio de apertura. Los fondos minoristas sobresuscribieron ambas emisiones más de mil veces. IDG Capital, uno de los grandes respaldos detrás de MiniMax, acumuló plusvalías superiores a 300 millones de dólares sobre papel. HongShan, la gestora que antes operaba como Sequoia Capital China, participó en tres de los seis listados.
Los titulares celebran la velocidad. Yo prefiero auditar la arquitectura.
Lo que los mercados están premiando sin ver
El argumento detrás de esta oleada de capital es seductor en su simplicidad: China tiene modelos de lenguaje propios, tiene chips propios en desarrollo, tiene un mercado doméstico de escala continental y tiene al Estado empujando desde atrás. Baidu reportó un crecimiento del 48% interanual en sus ingresos de negocio central impulsado por IA en el cuarto trimestre de 2025. Alibaba lanzó Qwen 3.5 con 397 mil millones de parámetros, soporte para 201 idiomas y más de 700 millones de descargas en Hugging Face. Cambricon planea triplicar su producción de aceleradores de IA en 2026, hasta 500.000 unidades. Apollo Go, el servicio de robotaxis de Baidu, completó 17 millones de viajes globales y ya opera en Dubai y tiene acuerdos para Londres.
Estas métricas son reales. Pero los mercados de capital tienen una historia documentada de premiar la escala sin auditar la fragilidad de los supuestos sobre los que esa escala se construye. Y el supuesto más frágil de este boom no está en los chips ni en los parámetros de los modelos. Está en quién decide qué problemas merecen ser resueltos, para qué usuarios y bajo qué criterios de éxito.
Cuando un modelo de lenguaje grande se entrena sobre corpus masivos de texto, los sesgos no aparecen como errores evidentes. Aparecen como decisiones de diseño que parecen neutrales hasta que el producto toca mercados donde los supuestos del equipo creador no aplican. Qwen 3.5 soporta 201 idiomas, un dato de ingeniería impresionante. Pero soportar un idioma y entender los marcos culturales, las estructuras de poder y las necesidades económicas reales de quienes lo hablan son dos fenómenos distintos. La cobertura lingüística no es sustituto de la diversidad en la mesa de diseño.
La arquitectura social detrás de 3.600 millones de dólares
Lo que este boom revela, con una claridad que rara vez se analiza, es el modelo de capital social sobre el que opera el ecosistema de IA en China. HongShan en tres listados, Qiming Venture Partners e IDG Capital en dos cada uno. La misma red de confianza, los mismos circuitos de validación, los mismos perfiles de inversor aprobando los mismos perfiles de fundador. Shen Meng, director de Chanson & Co., explicó que los reguladores chinos prefieren Hong Kong para IPOs de alta valoración e incertidumbre alta porque los inversores institucionales absorben mejor la volatilidad que el minorista de la bolsa continental. Es un argumento de gestión de riesgo financiero perfectamente razonable.
Pero hay otro riesgo que esa lógica no captura: el riesgo de que una red cerrada de validación cruce hacia las decisiones de producto. Cuando los mismos fondos respaldan a los mismos tipos de equipos, que construyen para los mismos usuarios imaginados, el capital no solo financia tecnología. Financia una visión particular de para quién es esa tecnología. Y esa visión, cuando se codifica en modelos con 2,4 billones de parámetros como ERNIE 5.0 de Baidu, o en sistemas de conducción autónoma como Apollo Go que ya opera en vías públicas de Dubai y prepara su entrada a Londres, no es un detalle operativo. Es una decisión de gobernanza con consecuencias de escala global.
Las redes homogéneas tienen una propiedad bien documentada: son extraordinariamente eficientes para moverse rápido dentro del territorio conocido. Y son estructuralmente ciegas ante los territorios que no conocen. El problema no es la eficiencia. El problema es que los modelos de IA no operan solo dentro del territorio conocido por sus creadores. Operan sobre el mundo entero.
El precio real de los puntos ciegos a escala
Permítame ser específica sobre las mecánicas. Cuando un modelo de IA se entrena con sesgos de representación, esos sesgos no desaparecen con el tiempo. Se amplifican. Un sistema de conducción autónoma entrenado principalmente sobre patrones de tráfico de ciudades chinas que luego se despliega en Dubai o Londres no es solo un reto de ingeniería de adaptación. Es un sistema que tomará decisiones de fracción de segundo sobre supuestos implícitos de comportamiento vehicular y peatonal que no fueron validados en esos entornos por personas que conocen esos entornos.
Y esto no es un argumento contra la expansión global de Apollo Go. Es un argumento para exigir que los equipos que diseñan esos sistemas sean suficientemente diversos como para detectar los puntos ciegos antes de que el sistema los encuentre en una vía pública. La diversidad de pensamiento y origen en un equipo de ingeniería de IA no es un valor simbólico. Es un mecanismo de detección de errores. Un equipo homogéneo comparte los mismos puntos ciegos, lo que significa que los errores del equipo se vuelven los errores del sistema, y los errores del sistema se escalan a millones de usuarios.
El mismo análisis aplica a los modelos de lenguaje. Qwen 3.5 fue descargado 700 millones de veces en Hugging Face y generó más de 180.000 modelos derivados. Cada modelo derivado hereda los sesgos del modelo base, amplificados o atenuados según las decisiones del equipo que lo adapta. La pregunta sobre quiénes estaban sentados en la mesa cuando se definieron los criterios de calidad del corpus de entrenamiento de Qwen 3.5 no es una pregunta de responsabilidad social corporativa. Es una pregunta de ingeniería financiera: los modelos derivados con sesgos no detectados generan pasivos de reputación y regulatorios que en algún momento llegan a la cuenta de resultados.
Los 3.600 millones levantados en Hong Kong están, en buena parte, apostando a que eso no ocurrirá. O al menos, a que no ocurrirá antes de que los fondos encuentren su salida.
El capital social que este boom no está construyendo
Hay un tipo de capital que no aparece en ningún prospecto de IPO y que determina la resiliencia de largo plazo de cualquier empresa tecnológica que opere a escala global: la capacidad de construir confianza genuina con comunidades que no se parecen a los fundadores. Ese capital no se construye contratando un equipo de diversidad e inclusión después de la salida a bolsa. Se construye cuando los criterios de quién diseña, quién valida y quién toma decisiones de producto incluyen perspectivas que detectan los problemas antes de que lleguen al mercado.
La narrativa dominante sobre el boom de IA chino habla de geopolítica, de chips, de parámetros y de controles de exportación estadounidenses. Todas esas variables importan. Pero la variable que determinará qué empresas de este grupo siguen siendo relevantes en 2030 no es cuántos aceleradores fabrica Cambricon ni cuántos parámetros tiene ERNIE. Es si los equipos que construyen estos sistemas son suficientemente heterogéneos como para detectar sus propios errores antes de que esos errores lleguen a escala.
Los mercados están valorando el potencial de estos modelos con un 40% de prima sobre el Nasdaq 100. Esa prima descuenta que la tecnología funcionará. No descuenta el costo de que funcione mal para los usuarios que nadie en el equipo de diseño imaginó.
La próxima vez que un directivo revise el pipeline de inversión en IA de su empresa, el análisis de due diligence debería incluir una pregunta que hoy no está en ningún cuestionario estándar: quiénes componen el equipo que define los criterios de éxito del modelo. Si todos provienen del mismo tipo de institución, del mismo circuito de financiamiento y del mismo mercado de origen, el producto no tiene un problema de diversidad. Tiene un problema de superficie de riesgo no auditada. Y ese problema no desaparece cuando el modelo escala. Se multiplica con él. El directivo que observe su propia mesa en la próxima reunión de estrategia y encuentre que todos piensan igual, vivieron experiencias similares y validan los mismos supuestos, ya tiene la respuesta sobre por qué su empresa llegará tarde a detectar la próxima falla de producto que el mercado no perdonará.
