Las 3 R (Reducir, Reutilizar, Reciclar) y la Trampa dialéctica de hacer hincapié solo en una de ellas: el “reciclado”.
Creer que la separación de residuos para su posterior reciclado es lo único
que podemos hacer para mejorar esta crisis ambiental y cultural es una idea al
menos Incompleta. El Reciclaje es
insuficiente como acción única y aislada para alcanzar una economía circular,
no queda otra opción que hablar
‘seriamente’ de nivel y características de consumo.
Este error no es casual. En
ocasiones las compañías generadoras de estos residuos a escalas siderales son
las mismas que impulsan las campañas de sensibilización al respecto y casi
desde su origen, han transmitido este concepto. Si nos ponemos puristas, ni
siquiera podríamos decir que reciclamos, sino que separamos para reciclar, y
que son otros los que se encargan de reciclar.
De hecho, un
porcentaje de los residuos separados, si
no tienen una buena gestión desde el sistema de recolección municipal; entran
en el mercado de materiales y acaban en
el vertedero o incinerados en los basurales. Pero más allá de este
concepto, existe otro derivado más preocupante, en el que es necesario hacer
hincapié.
En que por mucho que
se recicle, que se mejore la recogida, que se incremente la calidad de los
materiales reciclados que se incorporen al mercado, etc., si la demanda y el consumo siguen la progresión actual, no solo se
perpetuará la expoliación actual de los recursos naturales, sino que es peor,
esta aumentará. Un ejemplo claro de este despropósito es el aluminio, con
altas tasas de reciclaje, que rondan entre el 65 y el 90%.
Desafortunadamente, su
incesante incremento en la demanda (para envases, vehículos, aparatos
eléctricos y electrónicos, etc.), hace que el aluminio reciclado solo implique
el 30% de las necesidades de este material. El 70% restante sigue procediendo
de materias vírgenes extraídas de manera primaria con todos los impactos que
esto supone (contaminación de agua, suelo, fauna y atmósfera, desplazamiento de
comunidades, elevado gasto energético, pasivos ambientales etc.).
Desde luego el reciclaje es una opción excelente cuando un producto se ha convertido en residuo y no se puede aplicar ninguna otra opción anterior como la reducción y la preparación para la reutilización.
El 90 % de lo que consideramos basura no lo es, y cerca del 50% es materia orgánica. Todo mezclado es basura, separado son recursos.
Sin embargo, la dinámica actual ha centrado todos sus
esfuerzos en el reciclaje, dejando totalmente olvidados estos dos primeros
pasos, marcados como preferentes en la jerarquía de gestión de residuos. Reducción y reutilización.
La gestión de los residuos debe ser una pata de un
plan global del uso de recursos naturales. Es necesario conocer cuánto se consume, es decir, medir la cantidad de
recursos que utilizamos. La visión más completa la ofrecería un paquete de
indicadores de huella de suelo, agua, materiales y carbono, con el que se
podría conocer las cifras de consumo.
Basándonos en estas mediciones se establecerían
porcentajes de reducción en el consumo de recursos. El paquete de medidas también ha de incluir una reforma fiscal que premie
las actividades que reduzcan el uso de recursos y penalice las que no lo hagan.
En la actualidad se dan situaciones tan
incoherentes como las subvenciones a emprendimientos de alto impacto negativo y en contraposición la falta de incentivos a la investigación para
alargar la vida útil de los productos o su biodegradación.
Otra propuesta para avanzar hacia una economía
circular es el pago por generación y por tipo de residuo, ya que hasta el momento la mayoría de esquemas son de “tarifa plana” y no
inducen a la reducción en la generación de residuos o al cambio de sus
componentes por biodegradables.
Respecto a los
fabricantes, es imprescindible que se pongan en marcha requisitos obligatorios
de diseño de productos duraderos,
desmontables y reparables.
Es necesario que el
cambio de modelo se convierta en la norma. Las
autoridades estatales tienen mucho margen de acción para alcanzar una economía
circular baja en el consumo de recursos naturales, para avanzar hacia la
justicia social, económica y ambiental del planeta, solo que por lo general o
se realizan acciones aisladas o directamente no tienen la decisión política
para hacerlo.
Hasta el momento, como ciudadanía lo más cercano que
podemos hacer es seguir separando para reciclar, cambiar hábitos, reducir el
consumo y exigir a los gobernantes que cumplan con su obligación y con el
artículo 41 de la constitución nacional.
a expectativa en la subida. La precipitación acelerada de la caída. Sube y baja. Baja y sube. Una forma de moverse con el contenido quieto ante un vertiginoso vaivén. Arriba, bien arriba. Abajo, bien abajo. Podría haber sido la ruleta rusa el juego de mesa que desafiase al truco, o al quiero vale cuatro. No…
La fecha que quedó grabada en la historia responde a un calendario que Rusia ya no utiliza. La insurrección bolchevique comenzó el 25 de octubre de 1917 según el calendario juliano, pero esa misma jornada correspondía al 7 de noviembre en el calendario gregoriano. La diferencia de 13 días explica por qué la Revolución de Octubre ocurrió, para buena parte del mundo, en noviembre.
Por Alcides Blanco para NLI
La historia suele quedar atrapada en los nombres con los que fue bautizada. La Revolución de Octubre es uno de los ejemplos más famosos. Durante generaciones, millones de personas aprendieron que el 25 de octubre de 1917 los bolcheviques encabezados por Vladimir Lenin tomaron el poder en Rusia y pusieron en marcha uno de los procesos políticos más trascendentales del siglo XX. Sin embargo, si alguien viajara hasta aquella misma fecha utilizando el calendario que actualmente rige en la mayor parte del mundo, descubriría algo aparentemente desconcertante: el 25 de octubre ruso era el 7 de noviembre para el resto de Europa.
No se trata de un error histórico ni de una modificación posterior de los acontecimientos. La explicación está en una cuestión aparentemente menor, pero fundamental para comprender cómo se registraban las fechas en la Rusia de comienzos del siglo XX: el Imperio ruso todavía utilizaba el calendario juliano, mientras que la mayoría de los países europeos ya se regían por el calendario gregoriano, establecido en 1582 por iniciativa del papa Gregorio XIII. Entre ambos calendarios existía entonces una diferencia de 13 días.
Por eso, cuando los bolcheviques avanzaron sobre los principales puntos estratégicos de Petrogrado durante la noche del 24 al 25 de octubre de 1917 según el calendario juliano, en los países que utilizaban el calendario gregoriano ya era la noche del 6 al 7 de noviembre. La revolución que Rusia llamó “de Octubre” ocurrió, entonces, en noviembre según el calendario que hoy utilizamos.
Dos calendarios para una misma revolución
Para entender el asunto hay que retroceder algunos siglos. El calendario juliano había sido introducido por Julio César en el año 46 antes de Cristo y durante muchísimo tiempo fue utilizado como referencia en Europa. El problema era que su cálculo del año solar contenía una pequeña diferencia que, acumulada durante siglos, provocaba un desplazamiento progresivo de las fechas respecto de las estaciones.
En 1582 se introdujo el calendario gregoriano para corregir ese desfasaje. Los países católicos comenzaron a adoptarlo rápidamente, aunque otros Estados europeos lo hicieron mucho después. Rusia, vinculada además a la tradición de la Iglesia ortodoxa, mantuvo durante siglos el calendario juliano.
Así, mientras Francia, España, Italia y otros países europeos ya utilizaban el calendario gregoriano, Rusia continuaba registrando oficialmente sus acontecimientos con el sistema anterior. La diferencia, que durante buena parte de la historia había sido de 10 u 11 días, llegó a 13 días en los siglos XX y XXI.
Eso significa que un acontecimiento fechado oficialmente en Rusia como 25 de octubre de 1917 debe convertirse en 7 de noviembre de 1917 al trasladarlo al calendario gregoriano.
La confusión se vuelve todavía mayor porque los propios protagonistas de la revolución utilizaron las fechas del calendario vigente en Rusia. Para ellos, aquella jornada era efectivamente octubre. El nombre Revolución de Octubre no fue una equivocación: era la denominación correcta dentro del sistema de fechas que utilizaba el Estado ruso.
La revolución que cambió el siglo XX
Pero detrás de esos 13 días existe una historia mucho más profunda. La revolución no surgió de la nada ni comenzó y terminó en una única jornada. 1917 fue el resultado de una crisis acumulada durante años, agravada por la Primera Guerra Mundial, la pobreza, el hambre, las enormes desigualdades sociales y el agotamiento de un régimen autocrático que tenía en el zar Nicolás II su máxima autoridad.
Rusia había ingresado en la Primera Guerra Mundial en 1914 y el conflicto tuvo consecuencias devastadoras. Millones de soldados murieron, resultaron heridos o fueron tomados prisioneros. La economía se deterioró, las ciudades comenzaron a sufrir problemas de abastecimiento y la población campesina soportó enormes sacrificios.
En febrero de 1917 —también aquí hay que hacer la conversión de calendario— una oleada de huelgas, protestas y movilizaciones terminó provocando la caída del zar Nicolás II, que abdicó el 15 de marzo según el calendario gregoriano, correspondiente al 2 de marzo del calendario juliano.
La monarquía había caído, pero la crisis estaba lejos de resolverse.
Se formó un Gobierno Provisional, mientras paralelamente se fortalecían los soviets, consejos integrados por trabajadores y soldados. Se produjo así una situación de poder dual: por un lado, las instituciones del Gobierno Provisional; por otro, una estructura política nacida de la movilización popular.
El problema fundamental era que el nuevo gobierno decidió continuar la guerra. Para una población exhausta, esa decisión resultó cada vez más difícil de aceptar.
En ese escenario crecieron los bolcheviques, encabezados por Lenin, que sintetizaron buena parte de sus consignas en demandas que podían ser comprendidas fácilmente por una sociedad atravesada por la crisis: paz, pan y tierra.
Del 25 de octubre al 7 de noviembre
Durante el otoño ruso de 1917, la situación política se volvió explosiva. Los bolcheviques lograron aumentar su influencia en los soviets de Petrogrado y Moscú y comenzaron a preparar una insurrección destinada a desplazar al Gobierno Provisional.
La noche del 24 al 25 de octubre del calendario juliano, fuerzas revolucionarias ocuparon puntos estratégicos de Petrogrado: puentes, estaciones, centrales de comunicaciones y edificios fundamentales para controlar la ciudad.
El objetivo era aislar al Gobierno Provisional y tomar los centros neurálgicos del poder.
El episodio más simbólico fue la toma del Palacio de Invierno, sede del Gobierno Provisional. En las horas siguientes, los ministros fueron detenidos y el poder quedó en manos del Consejo de Comisarios del Pueblo, encabezado por Lenin.
Pero aquí aparece nuevamente la cuestión del calendario.
Para los rusos de aquel momento, el asalto decisivo estaba ocurriendo el 25 de octubre de 1917. Para los países que utilizaban el calendario gregoriano, era el 7 de noviembre.
Cuando la revolución pasó a ser estudiada internacionalmente, muchos historiadores comenzaron a utilizar las fechas gregorianas para facilitar la comparación con los acontecimientos del resto del mundo. Sin embargo, el nombre original permaneció: Revolución de Octubre.
La paradoja quedó instalada para siempre.
Lenin, Trotsky y una revolución que no terminó aquella noche
Otro error frecuente consiste en imaginar la Revolución de Octubre como un golpe instantáneo que produjo inmediatamente un Estado soviético consolidado. En realidad, la toma del poder fue el comienzo de un proceso mucho más largo.
Los bolcheviques debieron enfrentar a sus adversarios políticos, reorganizar el Estado, hacer frente a la resistencia armada y, finalmente, atravesar una guerra civil que se extendió desde 1918 hasta aproximadamente 1922.
Entre las figuras centrales del proceso estuvieron Lenin y León Trotsky, quien tuvo un papel decisivo en la organización militar de la revolución y en la creación del Ejército Rojo. También participaron miles de dirigentes, militantes, obreros, soldados y campesinos cuyas historias quedaron muchas veces subordinadas a los nombres de los grandes líderes.
La revolución tampoco fue un fenómeno exclusivamente urbano. La cuestión de la tierra, el poder de los terratenientes y la situación de los campesinos fueron elementos fundamentales para entender la crisis del viejo régimen.
En 1918, el nuevo gobierno decidió adoptar oficialmente el calendario gregoriano. Rusia pasó directamente del 31 de enero al 14 de febrero de ese año, eliminando así los 13 días de diferencia que existían con el calendario occidental.
Desde entonces, Rusia comenzó a utilizar el mismo calendario civil que gran parte del mundo.
Pero la revolución ya había quedado bautizada.
¿Entonces fue en octubre o en noviembre?
La respuesta correcta es: en ambos, dependiendo del calendario utilizado.
El acontecimiento comenzó el 24-25 de octubre de 1917 según el calendario juliano vigente en Rusia. Esa misma fecha correspondía al 6-7 de noviembre de 1917 según el calendario gregoriano.
Por eso, cuando hoy se conmemora la Revolución de Octubre el 7 de noviembre, no se está cambiando la historia. Se está utilizando el calendario que Rusia adoptó posteriormente.
La paradoja tiene incluso una dimensión simbólica. La revolución que pretendía romper con el viejo orden terminó siendo recordada con una fecha perteneciente a un sistema de calendario que el nuevo poder abandonaría pocos meses después.
La historia, como suele ocurrir, también está hecha de pequeños detalles.
Trece días separan octubre de noviembre. Pero esos trece días también sirven para recordar algo más importante: las fechas históricas no existen aisladas del mundo que las produjo. Detrás de una jornada revolucionaria hubo una guerra, millones de personas movilizadas, una monarquía en crisis, hambre, desigualdad, luchas políticas y una sociedad que había llegado al límite.
La Revolución de Octubre fue, entonces, una revolución de noviembre para nuestro calendario. Pero siguió siendo de octubre para quienes la hicieron.
Y así quedó grabada en la memoria histórica: una revolución que ocurrió en noviembre, pero que la historia decidió llamar Octubre.
La Dirección de Cultura de la Municipalidad de Villa Regina informa que el ciclo ‘Cine en mi barrio’ tendrá continuidad este fin de semana en el Pulmón Ecológico y barrios Este y Provincial. La película ‘Amadrinadas’, comedia de fantasía, se proyectará a partir de las 21 horas según el siguiente cronograma: -Viernes 19: Pulmón Ecológico…
La Dirección de Obras y Servicios de la Municipalidad de Villa Regina informa que en el día de hoy no habrá servicio de balsa en Isla 58 por tareas de mantenimiento. El mismo se restablecerá mañana miércoles en su horario habitual de 8 a 15 horas. Difunde esta nota
Si de algo sirve un hecho movilizador es saber que a partir de ahí la identificación de los comunes es el resultado más esperanzador de una civilización. Platicar, debatir y decidir de espalda a los comunes es un acto muy lejano a la democracia. Peor aún, si quienes están ahí fueron definidos en su representación…
1. IA y el sueño de la industria del software argentina
Un alto ejecutivo de Facebook pidió a sus trabajadores que “no utilicen la IA solo por el hecho de utilizarla”; Uber limitó el uso de tokens de sus trabajadores a 1.500 USD mensuales, después de descubrir en abril que ya se habían gastado todo el presupuesto asignado de la compañía a IA de 2026. Estas y otras noticias similares han estado rebotando por los diferentes rincones del mundo tecnológico por meses, pero ahora, amplificado por varios medios internacionales, podemos decir que es oficial: la IA se ha revelado como cara, carísima. Es extraño, porque esperábamos muchas cosas (buenas y malas) de la IA, excepto esto.
Para la industria de software y servicios informáticos de Argentina, una de las ramas industriales que mayor uso hace de herramientas de IA en el país, la noticia no hace más que desnudar el principal rasgo estructural del sector: su dependencia.
Durante dos décadas -antes de Vaca Muerta, la minería y el litio-, la economía del conocimiento era una de las grandes promesas de la economía argentina. Se creaban nuevas empresas, crecía el empleo, los salarios y las exportaciones. Una industria que se caracterizaba tanto por su dinamismo en los negocios, como por su base tecnológica. La historia tenía, además, todos los ingredientes de una épica moderna; desde Sadosky fundando una nueva disciplina científica en el país, hasta los miles de jóvenes decididos a estudiar informática con la promesa de ascenso social. La ley de software completaba el panorama, dando un marco institucional que fomentaba a las empresas tecnológicas por su contribución a la transformación productiva del país. Pero esa historia tenía sus límites.
Desde la salida de la pandemia, el sector fue perdiendo dinamismo. Esto se refleja en menor crecimiento, estancamiento de las exportaciones, y, la novedad: despidos masivos. El chivo expiatorio ha sido la IA, pero también se conoce que el deterioro del mercado interno y de la demanda estatal han hecho su parte. La unificación y apreciación cambiaria también afectó al negocio exportador, especialmente para el segmento del empresariado local acostumbrado a cobrar en dólares y pagar en pesos. Sin dudas, el verdadero talón de Aquiles del sector ha sido su especialización en la colocación de programadores, bajo una lógica extractiva, sin el desarrollo de productos tecnológicos propios o servicios sofisticados.
Nuestra hipótesis es que la inteligencia artificial generativa no inventó la crisis, pero sí modificó las reglas del juego. Si durante años Argentina se especializó en ofrecer programadores y ahora ya no son el factor escaso, ¿cuál va a ser nuestra fuente de competitividad? Y si además la industria es crecientemente dependiente de herramientas de IA que se pagan en dólares, la promesa de aportar divisas a la economía con un sector intensivo en conocimiento se hace cada vez más utópica.
2. La IA redefine las condiciones de escasez
Hasta hace muy poco, el principal problema de una empresa de software era conseguir buenos programadores. Formarlos llevaba años, retenerlos era caro. Esa escasez explicaba buena parte de la renta del sector. La inteligencia artificial modifica esa ecuación. Los grandes modelos de lenguaje encontraron uno de sus primeros campos de aplicación en el desarrollo de software. Herramientas como Copilot, Claude o Codex de ChatGPT ya forman parte de la rutina cotidiana de millones de desarrolladores en todo el mundo. Pero los modelos de lenguaje, antes que reemplazar a los programadores, trabajan con ellos. Un programador asistido por IA puede escribir código más rápido, automatizar tareas repetitivas, encontrar errores con mayor facilidad y aprender nuevas tecnologías en menos tiempo. En promedio, se necesitarán menos horas de programación para resolver los mismos problemas o, alternativamente, los mismos equipos podrán desarrollar más y mejores soluciones.
Los programadores, entonces, no dejaron de ser necesarios, pero ya no son el eslabón sensible de la cadena. En cambio, lo que empezó a manifestar su escasez es el servicio que ofrecen las grandes plataformas de inteligencia artificial. Los costos crecientes de la IA tienen fundamentos tecnológicos, económicos, ambientales y geopolíticos. Desarrollar un modelo de frontera exige inversiones gigantescas en investigación y desarrollo, entrenamiento e infraestructura. Pero, además, también tiene grandes costos la inferencia: cada vez que un usuario realiza una consulta, el modelo debe volver a ponerse en funcionamiento consumiendo energía y recursos. Esto marca una diferencia fundamental con software tradicional —donde desarrollar el producto es costoso pero distribuir una copia adicional cuesta prácticamente cero—.
Las gigantes tecnológicas y las nuevas empresas de IA (como Anthropic) todavía enfrentan enormes dificultades para monetizar plenamente sus modelos. En muchos casos continúan subsidiando el acceso para acelerar su adopción y ganar participación de mercado, una estrategia que difícilmente pueda sostenerse por mucho tiempo. Todo indica que, a medida que esos subsidios disminuyan, el acceso a los modelos de mayor capacidad tenderá a encarecerse.
La explicación es sencilla. Detrás de cada respuesta generada por un modelo de lenguaje hay centros de datos masivos que consumen cantidades extraordinarias de energía y agua, para la refrigeración. La electricidad (y en particular su costo), pasa a ser una variable crítica del negocio de la IA, a tal punto que las gigantes tecnológicas prevén infraestructuras eléctricas dedicadas especialmente a abastecer a estos centros, al tiempo que evalúan la localización de centros en función del acceso a estos recursos junto con la infraestructura de comunicaciones.
En este contexto, el cuello de botella ya no es el talento humano, sino la capacidad de cómputo, la disponibilidad energética y la infraestructura necesaria para sostener esos servicios a escala global, desde los modelos hasta los propios datos utilizados para el entrenamiento e inferencia. La inteligencia artificial no eliminó la escasez. Simplemente la trasladó. Y cuando cambia aquello que es escaso, también cambia quién está en condiciones de capturar la renta.
3. Tokenmaxxing
Si la inteligencia artificial vuelve más productivos a los programadores, parecería lógico pensar que las empresas de software simplemente ganarán más dinero al incorporarla. Bajo esta idea muchas empresas impulsaron el uso irrestricto de estas herramientas. En parte por entusiasmo tecnológico y en parte por miedo a quedarse atrás frente a la competencia.
La consigna fue simple: usar toda la IA posible. Al punto que muchas empresas empezaron a incluir como indicador de desempeño y proxy de productividad de los equipos el uso de tokens. Pero los costos y la factura de la IA empezó a inflarse rápidamente sin un correlato claro por el lado de los resultados. En primer lugar, porque los trabajadores empezaron a maximizar el uso de tokens más allá de lo necesario. En segundo lugar, una mayor productividad no garantiza mayores ingresos. Que un desarrollador pueda escribir código más rápido no implica que aparezcan automáticamente más clientes o que las empresas puedan vender soluciones más caras. Como ocurre en cualquier mercado, la oferta no crea por sí sola su propia demanda. Y por último, esa mayor productividad del trabajo depende del acceso a un insumo cuya provisión está altamente concentrada y sus costos se revelan crecientes con el uso.
Ese es el cambio verdaderamente importante. Durante décadas, el principal costo de una empresa de software eran los salarios de sus trabajadores (representaba alrededor del 70% de sus costos totales). Hoy una parte creciente de ese costo empieza a orientarse al pago de servicios digitales, incluyendo servicios de la nube e inteligencia artificial. Lo que antes remuneraba casi exclusivamente trabajo altamente calificado realizado en la Argentina comienza, cada vez más, a compartirse con quienes controlan los modelos, la infraestructura de cómputo y las plataformas digitales.
En otras palabras, la inteligencia artificial no sólo reorganiza el trabajo dentro de las empresas de software. También reorganiza la geografía de la captura de renta.
4. Cuando la renta cruza la frontera
Estos cambios tienen implicancias especialmente profundas para países como la Argentina.
Durante las últimas dos décadas, una de las principales virtudes de la industria del software fue generar divisas. El conocimiento producido por miles de programadores se transformaba en ingresos que financiaban salarios, inversiones y nuevos proyectos dentro del país.
La inteligencia artificial empieza a alterar esa dinámica. Cada licencia corporativa, cada suscripción, cada consulta realizada mediante una API representa un pago hacia empresas que desarrollan y controlan los modelos fundacionales. Lo que antes era, principalmente, una masa salarial pagada en Argentina empieza a transformarse en pagos recurrentes por servicios digitales importados.
Hasta hace pocos años, la mayor parte del valor generado en el sector se distribuía entre salarios y ganancias de las empresas locales de software. Hoy una fracción creciente comienza a concentrarse en las empresas que controlan los modelos, los centros de datos, los chips y las plataformas tecnológicas.
Eso no significa que la industria argentina deje de exportar. Significa que necesita importar cada vez más para seguir siendo competitiva. Y esas importaciones pasan a formar parte de su estructura permanente de costos.
Todavía no existen estadísticas oficiales que permitan medir con precisión cuánto están gastando las empresas de software argentinas en inteligencia artificial. Sin embargo, estimaciones construidas a partir de consultas a especialistas y empresas del sector sugieren que el uso intensivo de modelos de frontera puede representar entre 100 y 500 dólares mensuales por desarrollador.
Si se toma un gasto de 500 dólares mensuales y se lo aplica a los aproximadamente 158.000 trabajadores del sector de software y servicios informáticos, la cuenta anual se acerca a los 1.000 millones de dólares.
No es una predicción. Es un orden de magnitud, que alcanza para poner en perspectiva el cambio que está ocurriendo. Una industria que durante años fue presentada como una fuente privilegiada de generación de divisas comienza, al mismo tiempo, a demandar crecientes cantidades de dólares para funcionar. Y ese puede ser el comienzo de una nueva forma de dependencia tecnológica.
5. Los números de una transformación
La hipótesis que venimos planteando todavía es difícil de medir con precisión. Sin embargo, la balanza de pagos ya empieza a mostrar señales compatibles con esa transformación.
Durante años, la Argentina construyó una industria capaz de exportar conocimiento y generar divisas. Pero, al mismo tiempo que crecieron las exportaciones de software y servicios informáticos, comenzaron a expandirse también las importaciones de servicios digitales indispensables para sostener esa misma actividad.
Los datos muestran una aceleración llamativa. En 2024, las importaciones del rubro «servicios informáticos» alcanzaron los 2.086 millones de dólares. En 2025 ascendieron a 2.551 millones. Durante el primer trimestre de 2026 ya sumaban 777 millones de dólares, un 24% más que en igual período del año anterior. De mantenerse esa tendencia, el año cerraría con importaciones cercanas a los 3.000 millones de dólares, un máximo histórico. Para ponerlo en perspectiva, se estima que las exportaciones de litio serán 2.500 millones este año. Es decir, la extracción de litio récord, no alcanzará para pagar los servicios digitales.
Ese crecimiento no puede atribuirse exclusivamente a la inteligencia artificial. En este rubro también se registran pagos por servicios en la nube, plataformas digitales, videojuegos, publicidad en buscadores o streaming. Pero, justamente ahí reside el punto. La IA no crea una dependencia completamente nueva: profundiza una dinámica en la que la provisión de servicios digitales estratégicos se concentra cada vez más en un reducido número de empresas globales.
Mientras tanto, las exportaciones argentinas de software y servicios informáticos se ubican en torno a los 2.500 millones de dólares anuales. Dicho de otro modo, una proporción creciente de los dólares que el propio sector genera comienza a regresar al exterior para pagar los insumos digitales que necesita para seguir siendo competitivo.
Ingresos, egresos y saldo por el rubro de servicios informáticos en la cuenta de servicios de la balanza de pagos de Argentina (millones de dólares). Fuente: INDEC, Cuentas Internacionales y Balanza de Pagos.
Todavía es prematuro afirmar que estamos frente a un cambio estructural. Pero por primera vez desde la consolidación de la industria del software en el país aparece una pregunta incómoda. ¿Qué ocurre cuando uno de los principales sectores generadores de divisas empieza, al mismo tiempo, a transformarse en un demandante creciente de dólares?
6. La IA hace más fácil lo fácil y más difícil lo difícil
Durante años, la industria del software argentina creció vendiendo capacidad para escribir código. Ese modelo permitió crear empleo de calidad, formar decenas de miles de trabajadores altamente calificados y construir uno de los sectores más dinámicos de la economía. Pero también dejó una deuda pendiente: desarrollar empresas capaces de crear productos propios y resolver algunos de los problemas tecnológicos más complejos de la industria, el Estado y el pueblo.
Durante esos años hubo una enorme inversión en formar programadores. Crecieron las carreras universitarias, aparecieron tecnicaturas, cursos intensivos y programas de capacitación impulsados tanto por el Estado como por las propias empresas. Miles de jóvenes eligieron estudiar informática porque encontraron allí una oportunidad de movilidad social.
Lo que nunca conseguimos con la misma intensidad fue construir una demanda capaz de desafiarlos. La mayor parte de las empresas terminó desarrollando soluciones definidas por clientes externos o participando en proyectos donde las decisiones estratégicas, los productos y los mercados se encontraban fuera del país. Hubo excepciones importantes, pero no alcanzaron para convertir ese aprendizaje en una plataforma sostenida de innovación.
La inteligencia artificial vuelve esa limitación mucho más evidente. Si escribir código deja de ser relativamente escaso, competir únicamente por la capacidad de programar será cada vez más difícil. La ventaja comenzará a desplazarse hacia quienes comprendan procesos productivos complejos, integren tecnologías, conozcan industrias específicas y sean capaces de diseñar soluciones originales para problemas que todavía no tienen respuesta.
Esto importa especialmente para un país como Argentina. Si nuestros desarrolladores participan únicamente de la programación de soluciones concebidas en otro lado, la IA tenderá a reducir el valor relativo de aquello que ofrecemos. Si, en cambio, participan del diseño de productos, de la resolución de problemas complejos y de la construcción de conocimiento específico, la inteligencia artificial puede transformarse en una herramienta que multiplique esas capacidades en lugar de sustituirlas.
Sin embargo, ese recorrido hoy aparece amenazado. Muchas empresas comenzaron a reducir la contratación de perfiles junior precisamente porque los desarrolladores con mayor experiencia pueden apoyarse en herramientas de IA para realizar tareas que antes delegaban. Al mismo tiempo, el deterioro de los salarios universitarios dificulta la formación de las próximas generaciones de profesionales.
El riesgo no es solamente perder empleo hoy. El riesgo es interrumpir la principal escalera de aprendizaje de la industria. La inteligencia artificial hace más fácil lo fácil: automatiza buena parte de las tareas rutinarias con las que tradicionalmente se formaban los programadores. Pero, precisamente por eso, puede volver más difícil lo difícil: si desaparecen los espacios de aprendizaje, también se vuelve más difícil formar a los programadores junior de hoy, quienes dentro de diez años deberán diseñar las soluciones que la IA todavía no puede imaginar. En otras palabras, si desaparecen los primeros escalones, tarde o temprano también desaparecerán los últimos.
7. ¿Qué estamos promoviendo?
Desde 2004 Argentina apostó por el sector de software. La Ley de Software promovió generosamente un sector basado en una tecnología clave. Había buenas razones para hacerlo. La industria creaba empleo calificado, diversificaba la estructura productiva, exportaba servicios y generaba divisas. Además, los beneficios estaban condicionados a invertir en capacitación, investigación y desarrollo, certificaciones de calidad y apertura de nuevos mercados. No era un subsidio sin condiciones, sino una política industrial orientada a construir capacidades tecnológicas.
Luego de una década, el sector había multiplicado sus empresas y el número de trabajadores. Pero flexibilizaciones inexplicables de las reglas del Régimen de Promoción y fundamentalmente una especialización en la venta de servicios de desarrollo al exterior llevaron a la concentración de los beneficios en grandes empresas y al divorcio del sector de las principales necesidades tecnológicas del país.
El advenimiento de los grandes modelos de lenguajes hace necesario revisar estos regímenes promocionales. Si una parte creciente del conocimiento producido localmente depende de infraestructura, modelos de lenguaje y plataformas controladas desde el exterior, también cambian los efectos esperados de esas políticas. Los beneficios fiscales siguen financiándose con recursos públicos argentinos, pero una parte creciente del aprendizaje, de la innovación y del excedente económico termina desplazándose hacia las empresas que controlan esos activos estratégicos.
Eso no significa que haya que abandonar la promoción del sector. Significa que hay que preguntarse qué capacidades queremos promover. ¿Tiene sentido seguir incentivando principalmente la exportación de horas de programación? ¿O conviene orientar esos instrumentos hacia el desarrollo de productos propios, aplicaciones de IA para sectores estratégicos, modelos abiertos, infraestructura nacional de cómputo y soluciones tecnológicas vinculadas con los problemas productivos, sociales y ambientales del país?
La discusión ya no debería limitarse a cómo hacer crecer la industria del software. La pregunta es qué papel queremos que esa industria desempeñe en una estrategia de desarrollo. Porque el desarrollo no consiste solamente en incorporar nuevas tecnologías. Consiste, sobre todo, en construir la capacidad de decidir qué tecnologías desarrollar, para resolver qué problemas y bajo qué prioridades. En la periferia, esa capacidad de decisión es, quizás, la forma más importante de autonomía.
8. El riesgo de confundir centros de datos con desarrollo
En este contexto aparece una nueva promesa. Si la inteligencia artificial necesita enormes cantidades de energía y capacidad de procesamiento, ¿por qué no convertir a la Argentina en un gran proveedor de infraestructura para esa economía?
En ese punto cobra importancia el debate alrededor del RIGI (Régimen de Incentivo a las Grandes Inversiones) y más recientemente con la propuesta de un «Super RIGI» orientado a centros de datos para inteligencia artificial. Tal régimen, vigente desde 2024, otorga condiciones extraordinarias a inversiones en actividades fundamentalmente extractivas, incluyendo beneficios fiscales, estabilidad fiscal y cambiaria por 30 años, la no liquidación de las divisas por exportaciones en el país, y la cesión de soberanía en materia de resolución de controversias. Lo hace sin establecer exigencias significativas de desarrollo de proveedores locales, investigación y desarrollo, transferencia tecnológica o agregado de valor en el país. Hasta el momento, los principales proyectos aprobados corresponden a energía, petróleo y gas, litio y minería metalífera. ¿Por qué? Porque el mundo demanda de forma voraz todos estos recursos.
En el caso de la inteligencia artificial, el razonamiento es similar. Los centros de datos buscan, sobre todo, energía abundante y barata, buena conectividad digital y estabilidad regulatoria. Argentina reúne varias de esas condiciones: Vaca Muerta, recursos eólicos y solares de clase mundial y una extensa red federal de fibra óptica. No sería extraño que grandes inversiones llegaran al país por esos motivos.
Si los centros de datos llegan por estas razones, Argentina habrá cambiado de lugar dentro de la cadena tecnológica, pero no su lugar periférico en la economía mundial. Los servidores estarán aquí. El conocimiento seguirá desarrollándose en otro lado. El riesgo es reproducir, en versión digital, un patrón conocido: aportar energía, recursos naturales e infraestructura mientras las decisiones tecnológicas, la investigación, la propiedad intelectual y el aprendizaje permanecen concentrados en los países que controlan las plataformas.
No tiene por qué ser así. Brasil, por ejemplo, también busca atraer inversiones vinculadas a la inteligencia artificial, pero procura hacerlo incorporando exigencias de investigación y desarrollo, contratación local, desarrollo de proveedores e infraestructura de cómputo disponible para el sistema científico y tecnológico nacional. La diferencia no está en atraer inversiones, sino en utilizarlas para fortalecer capacidades propias.
Para una economía periférica, el desafío no consiste únicamente en participar de la nueva economía digital. Consiste en hacerlo reduciendo los márgenes de dependencia y ampliando la capacidad local para decidir qué tecnologías desarrollar, para resolver qué problemas y en beneficio de quién.
9. Una ventana que todavía está abierta
Nada de esto significa que el futuro ya esté escrito. La competencia tecnológica entre Estados Unidos y China está modificando rápidamente el mercado mundial de la inteligencia artificial. Si los modelos desarrollados por empresas chinas continúan acercándose al desempeño de los modelos estadounidenses con costos significativamente menores, la estructura de precios de los servicios de IA podría cambiar de manera importante durante los próximos años.
La disputa por el liderazgo tecnológico también puede transformarse en una disputa por reducir el costo de acceso a estas herramientas. China también busca orientar un modelo de regulación global de la IA, mientras que su apuesta por las energías limpias y la electrificación dan sustento material a sus menores costos comparados. En este contexto, cambiar los modelos de las gigantes tecnológicas por modelos chinos más baratos, puede ser una forma de reducir la dependencia tecnológica.
Por otra parte, la rápida expansión de modelos abiertos permite imaginar otra estrategia complementaria para la industria local. No todas las aplicaciones requieren utilizar permanentemente los modelos de frontera más costosos. En muchos casos es posible desplegar modelos abiertos en infraestructura local, ajustarlos para resolver problemas específicos e integrarlos a procesos productivos concretos. Las ventajas en el uso de la IA depende no sólo de la tecnología, sino también de cómo las organizaciones repiensan el trabajo, las capacidades humanas y el desempeño.
Estos caminos no eliminan la dependencia tecnológica, pero sí la pueden reducir, así como minimizar la factura de la IA que pagarán las empresas. Pero lo que es más importante, abre oportunidades para desarrollar empresas especializadas en integración de inteligencia artificial, fortalecer capacidades nacionales de cómputo y generar conocimiento aplicable a los problemas propios de la producción, la salud, la educación, la energía o la administración pública.
La infraestructura pública de ARSAT, incluida su Red Federal de Fibra Óptica y su Centro de Datos, constituye un activo estratégico para un modelo de desarrollo autónomo. Aunque, bajo la lógica extractivista actual, también pueden ser espacios para subsidiar la acumulación privada con insignificantes beneficios sociales. Por eso es fundamental diseñar las políticas tecnológicas, de ciencia, de infraestructura digital y de capacitación. Es imprescindible que un nuevo modelo de política industrial reemplace al viejo régimen de economía del conocimiento, que ya no responde a la resolución de problemas estratégicos del país.
En definitiva, la inteligencia artificial no obliga a elegir entre importar tecnología o resignarse al atraso. La verdadera discusión consiste en decidir si queremos limitarnos a consumir una tecnología diseñada por otros o construir las capacidades necesarias para adaptarla, mejorarla y ponerla al servicio de una estrategia de desarrollo soberano.
