Economía
¿Por qué Draghi exige a la UE adoptar IA a gran escala ya?
La advertencia no admite medias tintas: Mario Draghi ha urgido a la Unión Europea a adoptar la inteligencia artificial a gran escala si no quiere encadenar años de crecimiento débil.

Foto de European Parliament, CC BY 2.0.
Draghi urge a la UE a desplegar IA a gran escala y evitar el estancamiento, cerrar la brecha con EE UU y China con inversión y reglas ágiles.
La advertencia no admite medias tintas: Mario Draghi ha urgido a la Unión Europea a adoptar la inteligencia artificial a gran escala si no quiere encadenar años de crecimiento débil. Lo dijo con fecha y escenario concretos: 1 de diciembre de 2025, en el Politécnico de Milán, ante un auditorio académico y político que entendió el mensaje en clave operativa. No basta con pilotos ni demostraciones de laboratorio. La IA tiene que entrar en la economía real —fábricas, oficinas, hospitales, administraciones— y aparecer en los balances como productividad, márgenes e ingresos. O Europa acelera, o la brecha con Estados Unidos y China se agranda hasta volverse estructural.
Tras esa frase hay una hoja de ruta que no se esconde: inversión anual adicional en torno a 750.000–800.000 millones de euros para cerrar déficits en digitalización, energía, defensa e innovación; reglas claras que no se queden obsoletas mientras avanzan los modelos; y un despliegue empresarial y público que mueva la IA desde la maqueta a la producción. Draghi no vende eslóganes: traduce la competitividad en decisiones. Y las decisiones, esta vez, no pueden esperar.
Un aviso con fecha y consecuencias
La escena milanesa dio forma a una idea que lleva dos años creciendo en Bruselas, Berlín, París y Madrid. El ex presidente del Banco Central Europeo, encargado en 2024 de elaborar el gran Informe sobre Competitividad para la Comisión, sintetizó en una frase el riesgo y el remedio: “La UE debe adoptar la inteligencia artificial a gran escala o se estancará.” Con “gran escala” no se habla de una moda tecnológica, sino de volumen y capilaridad: millones de usuarios dentro de las organizaciones, cadenas de suministro conectadas, datos industriales gobernados con rigor y servicios públicos que funcionen con algoritmos visibles, auditables, útiles.
El fondo económico del mensaje es conocido por los ministerios de Finanzas y por los consejos de administración: la productividad europea avanza despacio y no compensa los costes energéticos, el envejecimiento demográfico, la menor profundidad de los mercados de capitales frente a EEUU y la rivalidad industrial con China. Si la IA queda en pruebas y presentaciones, el diferencial de crecimiento se consolida. Si entra en producción, el continente puede ganar décimas de PIB al año durante la próxima década, con impacto acumulado en empleo cualificado y salarios. No es imaginación. Es la manera en que las olas anteriores —digitalización, cloud, analítica avanzada— han movido la aguja donde se desplegaron con rapidez.
La posición real de Europa en la carrera de la IA
Las cifras explican por qué el discurso no es retórico. En 2024, el 13,5% de las empresas de la UE (de diez o más empleados) declaró usar herramientas de IA. El avance es evidente frente a 2023; aun así, el salto necesario para alcanzar las metas de la Década Digital 2030 —difundir IA, computación en la nube y análisis de datos en tres cuartas partes del tejido empresarial— exige acelerar el ritmo. No basta con que adopten las grandes compañías donde el retorno es inmediato. La clave es que las pymes incorporen soluciones de coste medido, fáciles de integrar y mantenibles con equipos reducidos.
El mapa es desigual. Países Bajos, los nórdicos y Francia presentan polos intensivos donde la IA ya opera en logística, energía o salud. Alemania empuja desde su Mittelstand industrial hacia el mantenimiento predictivo y la automatización de calidad. El sur avanza a dos velocidades: sectores punteros con proyectos sólidos y capas amplias de pymes que todavía se preguntan por dónde empezar. Ese retraso medio genera un problema de escala: si la demanda agregada no crece lo suficiente, los proveedores de soluciones se quedan pequeños, los costes unitarios suben y el círculo vicioso desincentiva nuevas implantaciones.
La brecha con EEUU y China: inversión, talento y mercado
Draghi no compara por dramatizar. Estados Unidos dispone de un mercado doméstico digital enorme, concentra capital riesgo y talento, y opera con efectos de red que empujan a sus plataformas a iterar productos en semanas. China combina ambición industrial, instrumentos financieros públicos y privados y una escala de datos que reduce fricciones en despliegues sectoriales. En ese contexto, Europa corre el riesgo de quedar como importadora neta de soluciones y estándares, con poco poder de negociación y menos capacidad para fijar normas de facto. Ganar tracción propia pasa por mercado único tecnológico —no 27 interpretaciones diferentes—, inversión a la altura del desafío y una política de datos que haga replicables los casos de uso entre países.
Regulación y velocidad: del AI Act a la ejecución sin parálisis
La UE ha hecho historia regulatoria. El AI Act ordena el ecosistema con categorías de riesgo y obligaciones graduales. Es un paso que aporta seguridad jurídica y protege a usuarios y empresas, pero no puede convertirse en un corsé. Draghi ha pedido ajustes rápidos cuando la evidencia lo justifique, precisamente para evitar rigideces que castiguen la innovación sin aportar beneficios claros. La clave, ahora, es pasar de la letra a la práctica con un calendario previsible entre 2025 y 2027, donde las obligaciones se activan por tramos y los Estados miembros nombran autoridades competentes con recursos reales.
Hay instrumentos para evitar la parálisis. Las sandboxes de IA permiten probar sistemas en entornos controlados, documentar riesgos y escalar con garantías; la AI Office de la Comisión coordina criterios para que no nazcan 27 mercados con interpretaciones incompatibles; y las directrices de aplicación van aterrizando conceptos como prácticas prohibidas, sistemas de alto riesgo o límites al reconocimiento biométrico. Para la empresa, la lección es clara: anticipar cumplimiento desde el diseño, integrar a legal y compliance en los equipos de producto y medir impacto, no solo conformidad.
Qué significa de verdad “adoptar a gran escala”
En la jerga de los despachos, “escala” se pronuncia fácil. Operarla cuesta. Implica convertir casos de uso aislados en programas que recorren toda la organización. El primer peldaño es gobernar los datos: catálogos, calidad, trazabilidad, contratos de uso, anonimización donde toca. Sin esa base, cualquier piloto brilla en una presentación y fracasa en producción. El segundo es el cómputo: decisiones híbridas entre cloud, on-premise y edge, negociaciones de latencia y coste, y un criterio de eficiencia energética que no solo agrade a marketing sino que cierre en la factura eléctrica.
El tercero es elegir modelos con cabeza. Para muchas tareas —resumir documentos, extraer campos, clasificar incidencias—, una combinación de modelos medianos bien afinados rinde mejor y más barato que un coloso genérico. Los modelos fundacionales tienen sentido cuando el caso de negocio exige capacidad de razonamiento amplio, manejo de contexto complejo o multilingüe, o integración profunda con bases de conocimiento internas. Aquí se decide gran parte del retorno: el modelo no es un trofeo, es una herramienta que se evalúa por coste por transacción, calidad de respuesta y reproducibilidad.
El cuarto peldaño es el MLOps. Sin pipelines trazables, control de versiones, pruebas de robustez y observabilidad —latencias, tasas de acierto, degradación, sesgos emergentes—, la IA en producción se vuelve frágil. La operación incluye guardarraíles contra prompt injection, envenenamiento de datos y fugas de información. Y exige reentrenamiento periódico, no como capricho técnico, sino como rutina de mantenimiento que previene costes reputacionales y legales.
El quinto es comprar bien. Contratos públicos y privados deben atarse a resultados medibles, incluir cláusulas de portabilidad de modelos y datos, y evitar el lock-in que ha encarecido en el pasado migraciones de ERP, CRM y nubes. Junto a esa disciplina, hace falta ética aplicada: documentación de riesgos, canales de reclamación, explicabilidad razonable allí donde la decisión impacta en derechos o ingresos. No es un freno: es la condición que permite llevar sistemas críticos a escala con confianza.
España: posición real, sectores que tiran y palancas inmediatas
España avanza, aunque no a velocidad uniforme. En 2024, la adopción de IA en empresas quedó ligeramente por debajo de la media europea. Entre las pymes —que componen la mayor parte del tejido— se movió en torno al 10%, mientras que casi el 44% de las grandes declaraba uso de herramientas de IA. El diagnóstico coincide con lo que repiten los responsables de datos y tecnología en bancos, energéticas, telcos, retail y administraciones: talento especializado escaso, costes de implantación percibidos como altos y datos que todavía no fluyen con la calidad y velocidad necesarias.
Aun así, el país dispone de nodos de excelencia y casos de uso que funcionan. El turismo usa IA para ajustar precios en tiempo real, gestionar demanda y personalizar experiencias. La logística optimiza rutas y reduce emisiones con predicciones de tráfico y consumos. La energía aplica modelos para prever generación renovable y equilibrar redes. La banca consolida detección de fraude y automatización documental. La agroalimentación introduce visión artificial en clasificado de productos y riego inteligente. El sector público ensaya asistentes de tramitación, clasificación de expedientes y priorización de inspecciones tributarias con criterios medibles.
El paso de “buenos ejemplos” a adopción masiva depende de tres palancas. La primera, espacios de datos interoperables. Conectar catálogos sectoriales y enganchar la economía española a los Espacios Europeos de Datos (salud, movilidad, industria, finanzas) reduce el coste de cada nueva implantación y multiplica la reutilización. La segunda, capacitación a gran escala. No se trata solo de científicos de datos. Se necesitan mandos intermedios, personal de ventanilla y profesionales regulados capaces de convivir con herramientas de IA sin perder el control del proceso. La tercera, compra pública transformadora. Licitaciones que paguen por resultados verificables —tiempos de atención, reducción de colas, ahorro en procesos— y exijan portabilidad para evitar dependencias. Bien diseñadas, arrastran a miles de proveedores y fomentan cadenas de suministro digitales más robustas.
Dentro de España, las comunidades autónomas con mayor densidad de universidades técnicas y polos industriales —Cataluña, Madrid, Comunidad Valenciana, País Vasco, Navarra, Galicia— están empujando con programas de digitalización que combinan subvenciones, asesoramiento y pruebas de concepto en hospitales, puertos y parques industriales. Lo que determinará el salto cualitativo es que esos pilotos se conviertan en servicios permanentes con métricas públicas de impacto y objetivos multianuales de expansión.
Dinero y mercado: la escala que define el resultado
Si hay un punto donde el discurso de Draghi se vuelve milimétrico es en las cifras. La UE necesita movilizar cada año cientos de miles de millones adicionales si quiere competir en chips, centros de datos eficientes, redes, software y, sobre todo, reentrenamiento de trabajadores. La magnitud responde a una realidad sencilla: escalar IA no solo es pagar licencias o tokens de cómputo; es rehacer procesos, limpiar datos heredados, asegurar infraestructuras, ajustar normativas, medir impacto y transformar organizaciones.
No basta con fondos europeos, aunque sigan siendo importantes. Hará falta capital paciente de bancos públicos y privados, aseguradoras y fondos de pensiones, con marcos prudenciales que no penalicen inversiones productivas en digitalización. Y hará falta un mercado único más integrado en tecnología: menos barreras intracomunitarias, reconocimiento mutuo de certificaciones y una regulación de contratación pública que permita compras conjuntas o repetibles entre países para reducir costes. Un proveedor que vende el mismo servicio a cinco Estados miembros distintos no puede rehacer papeles cada vez como si fueran mundos separados.
En paralelo, Europa tendrá que competir por talento. La formación universitaria y la FP dual pueden abastecer una parte, pero el hueco sugiere vías de atracción desde terceros países y programas de recualificación para profesionales de media carrera. No es una consigna, es una cuenta: sin equipos que sepan seleccionar modelos, gobernar datos y operar sistemas, la inversión no rinde.
Qué cambia en el día a día: de la fábrica al hospital, pasando por la ventanilla
Cuando la IA sale del laboratorio, el lector deja de verla como un titular y empieza a verla en su cita médica, en la cola de una oficina pública, en una entrega que llega a la hora. En una fábrica, un sistema bien entrenado reduce paradas no programadas y alarga la vida de las máquinas. En un hospital, un asistente clínico que resume pruebas y alerta de incongruencias ahorra minutos valiosos por paciente y reduce errores. En una administración, un clasificador de expedientes quita trabajo mecánico y libera tiempo para resolver los casos complejos. En comercio, un motor que predice demanda ajusta inventarios y evita roturas de stock. La foto es concreta y, sobre todo, medible.
Nada de esto funciona sin controles. Los sistemas que afectan a derechos, crédito, salud o empleo requieren explicabilidad razonable, datos de entrenamiento trazables y auditorías periódicas. Hay margen para diseñar interfaces que muestren por qué se sugiere una decisión y canales de revisión humana que corrijan errores. Lejos de enfrentar innovación y garantías, el despliegue serio de IA necesita ambas cosas.
Europa ante el reloj: decisiones en meses, no años
El discurso de Milán no abre un debate nuevo, lo cierra. La UE ya cuenta con un marco regulatorio en marcha, un diagnóstico compartido sobre la productividad y una agenda de inversión con cifras y prioridades. Falta lo que Draghi comprimió en una idea sencilla: escala. Los plazos del AI Act activan obligaciones entre 2025 y 2027; los Estados miembros deben dotar a sus autoridades de medios; la AI Office coordina pero no ejecuta por ellos. En paralelo, empresas y administraciones tienen que dejar de exhibir pilotos y empezar a firmar contratos que comprometan resultados, métricas y fechas.
Si Europa retrasa el salto, otros fijarán los estándares y el continente pagará la factura, igual que en ciclos anteriores donde la innovación de producto y los efectos de red quedaron lejos. Si lo acelera, la IA puede convertirse en la palanca que actualice su modelo productivo sin renunciar a un marco de derechos exigente. Hay calendario, hay instrumentos y hay capital esperando certeza. El margen de decisión ya no se mide en discursos, sino en meses. La ventana está abierta; cerrará. Y el resultado —estancamiento o tracción— dependerá de cuánto tardemos en pasar del PowerPoint a la producción con nombre, apellidos y rendimiento contable.












