Corea seleccionó a su equipo nacional de IA. El líder del benchmark quedó fuera.

El hombre que fue #1 y terminó último

Motive Technology anotó 47 puntos en el Índice Agregado de Inteligencia Artificial de Artificial Analysis: la puntuación más alta entre todos los participantes de la competencia del Modelo Fundacional Nacional de IA de Corea del Sur. El competidor más cercano, Upland, logró 37. La brecha fue de diez puntos enteros, un abismo en términos de evaluación comparativa.

Y sin embargo, Motive terminó último en general.

El panel de selección del gobierno combinó tres puntajes: rendimiento en benchmarks (con un peso de 40 puntos), evaluación experta (35 puntos) y pruebas con usuarios (25 puntos). En la métrica compuesta, el modelo de Motive, llamado Motive 3, quedó en el último lugar. Tres equipos avanzaron: Upland, SK Telecom y LG AI Research. Motive no.

El 27 de agosto, Motive presentó una apelación formal exigiendo el desglose detallado de puntajes, la metodología detrás del peso de los benchmarks y los criterios utilizados por los evaluadores expertos. La empresa también planteó una pregunta más contundente: ¿por qué los accionistas en su mayoría extranjeros eran un criterio de evaluación relevante?

Luego soltó una bomba. Motive no participará en la tercera ronda de evaluación, sin importar si la apelación tiene éxito. El CEO de la compañía, Lim Jeong-hwan, dijo que construiría el mejor modelo de vanguardia de Corea de forma independiente, sin apoyo gubernamental, y demostraría su valor en el escenario global.

Un benchmark en guerra con los evaluadores

La contradicción es evidente. El mismo modelo que superó a todos los demás participantes coreanos en un benchmark global independiente fue considerado insuficiente por quienes tenían la pluma para juzgarlo.

La explicación del Ministerio de Ciencia y TIC fue tajante: el modelo de Motive carecía de capacidad de razonamiento y usabilidad. El viceministro Ryu Je-myung dijo que la tecnología era prometedora pero se rezagaba detrás de los competidores en aplicación práctica.

Esa explicación contrasta incómodamente con los datos del benchmark. Artificial Analysis mide razonamiento de finales abiertos, programación, matemáticas e inteligencia general: categorías que no se reducen fácilmente a fluidez de chatbot o refinamiento de interfaz. Si un modelo obtiene 47 en AAII y los evaluadores dicen que no puede razonar, la pregunta es si los evaluadores están midiendo lo mismo que el benchmark, o algo completamente distinto.

Motive señaló una inconsistencia aún más impactante: el modelo que obtuvo la puntuación más baja en el benchmark —el 31 de LG— reportedly ocupó el primer lugar en la evaluación experta. La empresa pidió al ministerio explicar cómo era posible. No se ha publicado ningún desglose detallado.

Este es el misterio central de la controversia. No se trata simplemente de que Motive haya perdido. Se trata de que el mecanismo que decidió su derrota es opaco, y las discrepancias son lo suficientemente grandes como para plantear una pregunta que todo país que realice una competencia de IA debería estar preparado para responder: ¿quién tiene la potestad de definir cómo se ve lo bueno?

La pregunta oculta: capital extranjero en la evaluación

Quizás el detalle más incómodo en la apelación de Motive sea el descubrimiento de que se le preguntó sobre su estructura de propiedad.

Durante el proceso de revisión experta, la empresa dice que recibió un cuestionario escrito preguntando si el capital extranjero tenía participaciones significativas. No preguntó sobre capacidad técnica, datos de entrenamiento ni calidad de inferencia. Preguntó por quién era dueño de la compañía.

Motive ahora pregunta cómo se utilizó esa pregunta en la evaluación. La preocupación no es abstracta. En 2024 y 2025, Corea del Sur se movió para restringir la inversión extranjera en sectores de tecnología clave. El gobierno ha señalado que desea garantizar que los modelos de IA respaldados por el estado permanezcan bajo control doméstico. Pero la pregunta aquí es si una evaluación comercial —incluso una financiada por el estado— debería tratar la propiedad como un sustituto de la calidad.

Si un modelo obtiene 47 y su estructura de capital le cuesta la competencia, el benchmark nunca fue la verdadera prueba. Fue otra cosa.

Por qué esto importa más allá de Corea

El proyecto de Modelo Fundacional Nacional de IA de Corea del Sur está diseñado para seleccionar dos equipos que recibirán recursos GPU y apoyo gubernamental continuado. Las apuestas son altas: los equipos que lleguen a la final llevarán el sello de “IA nacional”, con acceso a hardware subvencionado, trato preferencial de políticas y el peso político de ser la respuesta de Corea a OpenAI o Google DeepMind.

Pero el incidente plantea una pregunta que va mucho más allá de Seúl. El mundo está observando cómo se mide la capacidad de IA, y la infraestructura actual de medición es frágil. Las puntuaciones de los benchmarks se han convertido en la moneda predeterminada de credibilidad en la industria. Aparecen en comunicados de prensa, presentaciones ante inversores y documentos de política. Moldean qué laboratorios son invitados a qué mesas.

Sin embargo, el caso coreano sugiere que los benchmarks son tan autoritativos como el sistema que decide confiar en ellos. Cuando un panel gubernamental puede anular una brecha de diez puntos en una métrica global respetada sin publicar sus razones, el benchmark pierde algo esencial: legitimidad.

Este no es un problema nuevo. La contaminación de benchmarks de IA está bien documentada: modelos entrenados con datos que incluyen conjuntos de prueba de benchmarks inflan rutinariamente sus puntuaciones. Los evaluadores lo saben, y por eso muchas competencias complementan los benchmarks automatizados con evaluación humana. Pero la evaluación humana introduce sus propias distorsiones: sesgo, inconsistencia, opacidad y las dinámicas de poder de quién se sienta en la mesa de jueces.

Lo que expone el caso Motive es lo que sucede cuando ambos sistemas fallan simultáneamente. El benchmark dice una cosa. Los humanos dicen otra. Ningún lado publica suficiente para convencer al otro. El resultado es una decisión que parece arbitraria, y esa es exactamente la percepción que el gobierno coreano ahora tiene que combatir.

Qué sigue

El ministerio dice que revisará la apelación y finalizará los resultados de la segunda ronda antes de proceder a la tercera etapa. Se espera que ese proceso concluya pronto, pero el daño a la confianza ya está hecho.

La retirada de Motive de la próxima ronda es el resultado más trascendente. La compañía es la única participante que superó a todos los competidores en un benchmark global independiente. Al retirarse, se elimina de la vía que habría canalizado recursos gubernamentales hacia su desarrollo. Está eligiendo competir sin el Estado: una señal, ya sea intencional o no, de que el sistema actual no puede ser confiado.

Los tres equipos que avanzan ahora llevan el sello nacional. Recibirán asignaciones de GPU y continuarán su desarrollo bajo supervisión gubernamental. Si fueron la elección correcta —o simplemente los que satisfechan un conjunto invisible de criterios—, eso no será respondido por ningún dato que el público tenga probabilidades de ver.

Para la comunidad global de IA, el caso es un recordatorio cautelar: elegir campeones nacionales no es solo una cuestión de política doméstica. Es una cuestión de credibilidad. Si la segunda economía más grande del mundo no puede explicar por qué su modelo de mayor puntuación perdió, la lección no se limitará a Corea. Resonará en cada evaluación, cada competencia y cada reclamo de liderazgo que siga.