Sberbank: Rusia necesita una IA soberana, pero no puede prescindir de datos extranjeros controlados

Sberbank considera que Rusia necesita una inteligencia artificial soberana para no depender de forma crítica de modelos y servicios extranjeros. Al mismo tiempo, una estrategia totalmente aislada parece en 2026 demasiado cara e irreal: sin acceso limitado a datos extranjeros, es difícil construir un modelo de calidad.

Por qué hace falta control

La lógica de Sberbank es simple: si un modelo clave, una API o un componente de infraestructura está controlado desde fuera, las reglas de acceso pueden cambiar en cualquier momento. Para los bancos, el sector público y las grandes corporaciones no es un riesgo abstracto, sino una cuestión operativa directa. Hoy el modelo está disponible; mañana cambian las licencias, las restricciones de exportación, las tarifas o las condiciones de uso, y procesos enteros pasan a depender de decisiones ajenas. En medio de esa incertidumbre, la idea de una IA soberana deja de ser un eslogan político y se convierte en una cuestión de resiliencia tecnológica.

Soberanía, en este contexto, no significa simplemente lanzar un chatbot local, sino controlar toda la cadena: cómputo, datos, ajuste fino, seguridad y reglas de implantación. Es especialmente importante para las empresas de sectores regulados, porque manejan información sensible y no pueden construir productos a largo plazo sobre servicios cuyo acceso no se puede garantizar. Por eso, apostar por modelos y plataformas propios funciona como un seguro frente a un corte externo y a restricciones impuestas.

El precio de un modelo propio

Pero este rumbo tiene un coste alto. Entrenar desde cero un modelo base potente en 2026 ya no es cosa de un equipo de investigación y un par de experimentos afortunados. Hacen falta grandes capacidades de cómputo, suministro estable de hardware, ciclos largos de ajuste, equipos de ingenieros y meses, a veces años, de iteraciones. Aun con dinero, el camino es lento: la calidad no llega de inmediato y los errores en las primeras fases salen muy caros.

En la práctica, esto implica varias inversiones pesadas a la vez:

• compra y puesta en marcha de clústeres de GPU
• recopilación y depuración de grandes datasets
• equipos de ingenieros de ML, de datos y de infraestructura
• control jurídico y de seguridad de los datos

Por eso la tesis de Sberbank suena pragmática y no maximalista. No se trata de que el aislamiento a cualquier precio dé el mejor resultado, sino de que la soberanía tecnológica plena resulta hoy demasiado cara si se construye al margen de la base de conocimiento mundial. Se puede crear un circuito propio y un modelo propio, pero eso no elimina el problema de fondo: para alcanzar una calidad competitiva hacen falta escala, tiempo y acceso a material de entrenamiento diverso.

El compromiso con los datos

Aquí aparece la segunda parte de la postura: en la práctica es imposible renunciar por completo a los datos extranjeros. Los modelos actuales aprenden de enormes volúmenes de texto, código, publicaciones científicas, documentación técnica y contenido multilingüe, buena parte del cual se ha creado fuera de Rusia. Si se corta artificialmente esa capa, el modelo se topa enseguida con lagunas: entenderá peor el contexto internacional, trabajará peor con código y perderá precisión en ciencia, finanzas e ingeniería.

Sberbank defiende como estrategia óptima un enfoque mixto: apoyarse en desarrollos nacionales y usar de forma limitada y controlada datasets extranjeros. La palabra clave es control. Es decir, no una conexión incontrolada a servicios externos, sino reglas claras de selección de datos, almacenamiento local, filtrado, verificación de derechos de uso y la posibilidad de seguir trabajando en cualquier momento dentro del circuito propio. Este enfoque reduce la dependencia sin recortar la calidad allí donde todavía no se puede prescindir de un corpus global de datos.

Qué significa

Para el mercado ruso de IA, es una señal de que el debate se desplaza del eslogan «lo propio o lo ajeno» hacia una fórmula más práctica. Ganarán quienes logren montar infraestructura local y una pila de modelos, y a la vez usen con cuidado el conjunto mundial de datos sin depender directamente de plataformas extranjeras. De lo contrario, o la calidad será débil, o el riesgo de corte seguirá siendo demasiado alto.