Una mañana de 2019, Adebayo Alonge estaba en una habitación de hotel en Ciudad del Cabo a punto de demostrar ante posibles socios su tecnología para detectar medicamentos falsificados —un problema que mata a miles de personas en África cada año. Pero el sistema falló. El servidor estaba en Estados Unidos, a 14.000 kilómetros, y obtener el resultado de un solo escaneo tardaba más de cinco minutos.
Dos horas después, sus ingenieros le entregaron algo que no tenían previsto construir ese día.
La demo que casi fracasa y el modelo que nació en dos horas
El dispositivo que Alonge quería presentar se llama RxScanner: un espectrómetro de mano que ilumina una pastilla con luz infrarroja y obtiene su perfil molecular. Ese perfil viaja hasta un modelo de inteligencia artificial que lo compara con una base de datos farmacéutica. En condiciones normales, el sistema confirma en segundos si el medicamento es auténtico o una falsificación.
El problema era la distancia. El servidor estaba en Estados Unidos y el ancho de banda en Ciudad del Cabo no daba para más. Cada escaneo tardaba más de cinco minutos, con lo que la demo ante posibles socios quedaba comprometida.
Alonge pidió a sus ingenieros una solución de emergencia: reducir el modelo para que funcionara sin conexión, directamente en su teléfono Android. Lo consiguieron en menos de dos horas.
El resultado fue mucho más que un parche de última hora. El dispositivo puede autenticar medicamentos en lugares sin banda ancha, sin ordenadores y sin electricidad fiable —y convirtió a Alonge en uno de los principales impulsores de lo que hoy se conoce como «IA pequeña».
La brecha invisible: por qué la IA grande no llega a la mayoría del mundo
La historia de Alonge no es una anécdota aislada. Refleja una desigualdad estructural de gran calado. Según un informe del Banco Mundial publicado en noviembre, solo el 0,7 % de los usuarios de internet en los países más pobres ha utilizado ChatGPT; en las naciones más desarrolladas, esa cifra alcanza el 25 %.
Los grandes modelos de lenguaje exigen centros de datos masivos, electricidad constante, cantidades ingentes de datos y personal altamente especializado. Ninguno de esos recursos abunda fuera de un puñado de países.
«Fuera del mundo desarrollado, salvo quizás India y China, muy pocos países tienen esa combinación», dijo Ajay Banga, presidente del Banco Mundial, en el Foro Económico Mundial de Davos en enero de 2025.
Ahí está la brecha que la IA pequeña intenta cruzar: llevar capacidad de procesamiento útil —y a veces vital— a quienes no tienen acceso a la infraestructura que los modelos grandes dan por supuesta.
Campos, mosquitos y viñedos: la IA pequeña ya trabaja en el terreno
Las aplicaciones concretas se multiplican. En India, un sistema basado en drones fotografía plantas de anacardo e identifica manchas que indican enfermedad, con todo el procesamiento ocurriendo a bordo del dron, sin servidor externo ni conexión a internet.
En Uruguay, modelos pequeños monitorizan infestaciones de hormigas en viñedos. En varios países, sistemas similares detectan mosquitos portadores de malaria. En zonas rurales de Brasil sin acceso a equipos médicos complejos, un dispositivo Arduino ejecuta electrocardiogramas.
Marcelo José Rovai, profesor de la Universidad Federal de Itajubá, participó en los tres últimos proyectos. En una videollamada reciente mostró en directo un Arduino UNO Q —un dispositivo de 50 dólares con un chip Qualcomm— que analiza datos de sensores para detectar charcos donde se reproducen mosquitos. Consume solo 3 vatios.
«Esta es el área más importante de la IA en la actualidad», afirma Rovai. «Está creciendo muy rápido.»
Cómo se construye un modelo pequeño: poda, destilación y hardware más eficiente
Reducir un modelo grande a uno pequeño no es magia, sino ingeniería. La técnica más directa es la «poda»: eliminar los parámetros que no intervienen en la tarea concreta, obteniendo un sistema menos versátil pero muy preciso en lo que hace. Otra vía es la «destilación»: entrenar un modelo pequeño para que imite a uno grande hasta que su rendimiento se aproxime al del original. También es posible reducir la precisión aritmética —pasar de arquitecturas de 32 bits a 8 bits— para que el modelo funcione en hardware más barato.
El hardware, además, mejora sin parar. En 2025, algo más de un tercio de todos los smartphones enviados globalmente ya podían ejecutar IA generativa. Según la firma de análisis Counterpoint, esa proporción superará el 50 % a finales de 2026.
Modelos de código abierto como Gemma 4 de Google DeepMind o Qwen 3.5 de Alibaba facilitan el reentrenamiento especializado. Rovai lo ilustra con un ejemplo directo: «Puedes tomar datos de la industria láctea y reentrenar el modelo específicamente en eso.»
El futuro de la IA pequeña: promesas reales y límites sin resolver
El Banco Mundial no solo observa esta tendencia: la financia activamente, ofreciendo subvenciones, asesoramiento técnico y apoyo a políticas públicas favorables. En Ruanda, por ejemplo, respalda un programa gubernamental para que hogares de bajos ingresos accedan a dispositivos capaces de ejecutar IA.
Nadie sostiene, con todo, que los modelos grandes vayan a desaparecer. Son imprescindibles para crear los pequeños. «Necesitamos los modelos grandes para generar estos modelos más pequeños», reconoce Rovai.
La IA pequeña tampoco resuelve los problemas estructurales de fondo. Alonge lo dice con claridad: implementar estas soluciones no exime a ningún país de construir un ecosistema que las sostenga —energía fiable, cadenas de suministro funcionales, formación de talento local.
La pregunta que permanece abierta es política tanto como tecnológica. La tecnología funciona. Lo que todavía no está garantizado es si quienes toman decisiones invertirán en la infraestructura necesaria para que estas soluciones perduren. Esa decisión, más que cualquier avance en algoritmos, determinará cuántas vidas acaba salvando una pastilla escaneada con un teléfono en medio de ningún sitio.