La selección del equipo nacional de IA de Corea del Sur expone las grietas en su gobernanza

El ganador impopular

Corea del Sur acaba de elegir a su equipo nacional de inteligencia artificial. El problema: el modelo que obtuvo la puntuación más alta en un índice reconocido a nivel mundial fue excluido.

Motif Technology, una startup de IA con sede en Seúl, lideró el Benchmark AAII, una evaluación rigurosa y nueva que el gobierno insistió en que aportaría credibilidad al proceso. Su puntuación lo ubicó en el puesto 10 a nivel mundial entre los modelos participantes. Sin embargo, Motif terminó cuarto en general en la evaluación de la segunda fase y fue eliminado.

Las matemáticas cuentan la historia. Motif obtuvo 11.9 de 25 puntos en el AAII, en comparación con 7.8 para LG AI Lab, 8.8 para SK Telecom y 9.4 para Upstage. Pero el benchmark solo representaba 25 puntos de un total de 100. Los evaluadores humanos —expertos y usuarios— controlaban 60 puntos. Esa ponderación resultó decisiva y profundamente controvertida.

Una puntuación que no sumaba

El problema más evidente gira en torno a un solo evaluador. De los diez revisores expertos, uno —designado como Miembro del Comité 7— puntuó a Upstage con 30 de 35 mientras le otorgaba a Motif solo 17. Esa diferencia de 13 puntos es mucho más amplia que el promedio de 4.6 puntos entre los demás miembros del comité.

La regla de puntuación del gobierno recorta los valores extremos al descartar las puntuaciones más altas y más bajas antes de promediar. Bajo esa norma, las puntuaciones altas del Miembro del Comité 7 para Upstage se mantuvieron —no eran la más alta del grupo—, mientras que las calificaciones bajas para LG AI Lab y SK Telecom fueron eliminadas. El puntaje de 17 de Motif, sin embargo, fue la puntuación más baja entre los diez evaluadores, por lo que fue descartado por completo.

Cuando los investigadores recalcularon las puntuaciones de los expertos excluyendo ese valor atípico, la brecha entre Upstage y LG AI Lab se redujo de 0.9 puntos a menos de 0.1. El ranking prácticamente se invirtió. Los resultados finales se basan en una decisión procesal que podría haber ido en cualquier dirección.

Una metodología que cambia constantemente

Ni siquiera fue la misma competencia desde la primera ronda. En la primera evaluación, LG AI Lab dominó: ganó en benchmarks, revisión experta y retroalimentación de usuarios con un promedio imponente de 90.2 puntos que superó ampliamente la media del resto del campo, de 79.7. Para la segunda ronda, la arquitectura de puntuación había cambiado: se introdujo el AAII y el juicio humano recibió mayor peso que las pruebas automatizadas.

LG AI Lab obtuvo la puntuación más baja en el nuevo benchmark AAII y cayó al tercer puesto. Un modelo que lideraba todas las categorías en la primera ronda fue superado simplemente porque las reglas cambiaron en medio de la competencia.

Funcionarios gubernamentales admitieron que el propio marco puede estar obsoleto. El viceministro Ryu Je-myung anunció los resultados de la segunda ronda el 18 de agosto y solo publicó las puntuaciones detalladas dos días después, tras la presión pública por la omisión de la información de ranking. La explicación: proteger a los equipos peor clasificados de un “efecto estigma”. Resulta que los contribuyentes tenían razón para saber dónde se encontraba su dinero.

Qué se está midiendo —y por qué importa

La pregunta más profunda tiene que ver con el objetivo mismo del proyecto. La iniciativa de Modelo Fundamental Independiente de IA (Independent AI Foundation Model) se lanzó con un mandato de alcanzar el 95 por ciento del rendimiento de los modelos de IA de vanguardia. Ese es un estándar técnico. Sin embargo, la evaluación ponderó intensamente la usabilidad y la difusión de servicios, categorías que, en buen criterio, corresponderían a un programa separado llamado “IA para Todos”.

La conexión de Upstage con el exasesor de inteligencia artificial de la Casa Azul, Ha Jeong-woo, añadió combustible. Se plantearon preocupaciones sobre conflictos de intereses, si los vínculos institucionales del evaluador influenzaban las puntuaciones. El gobierno negó toda influencia indebida, pero la apariencia de solapamiento entre miembros del comité seleccionador y actores de la industria erosiona la confianza independientemente de la intención.

El propio benchmark AAII merece escrutinio. Diseñado para evaluar razonamiento, programación y capacidad multilingüe, fue promovido por el Ministerio como una alternativa creíble a los rankings dominados por Occidente. Pero su fórmula de puntuación —una conversión lineal de la puntuación bruta a una escala de 25 puntos— comprim la distribución del rendimiento de maneras que favorecieron desproporcionadamente a los modelos coreanos. Los 47 puntos crudos de Motif (convertidos a 11.9 de 25 puntos posibles) quedan incómodamente cerca del extremo superior de la escala, mientras que el Opus 5 de Anthropic se convertiría aproximadamente a 15.75 bajo la misma fórmula. La compresión significaba que el benchmark, a pesar de su reputación, no podía diferenciar el rendimiento de primer nivel de manera significativa. Esa brecha entre percepción y realidad es exactamente el tipo de opacidad que alimenta la suspicacia.

El factor chaebol

Más allá de la controversia por las puntuaciones yace una tensión más antigua: ¿puede un sistema de evaluación propiedad del gobierno resistir la atracción gravitacional de los tres conglomerados más grandes de Corea? LG AI Lab y SK Telecom son divisiones corporativas con profundos vínculos institucionales con sus grupos matriz. Motif, por el contrario, es una startup que solo cerró sus primeras rondas de financiación institucional en 2024. La disparidad de recursos entre estos actores no es oculta: LG solo reportó más de 800 millones de dólares en gastos anuales de I+D en IA. Pero el proceso de selección debía igualar las condiciones. En cambio, la estructura de ponderación amplió el juicio humano, donde la familiaridad institucional y el capital relacional llevan un peso incuantificable.

Los efectos de segundo orden ya son visibles. Varios investigadores vinculados a Motif han comenzado a explorar oportunidades en el extranjero, citando la erosión de la confianza en la equidad de las evaluaciones nacionales. Asesores de startups informan que los inversionistas ya están empezando a incorporar el riesgo de gobernanza al valorar empresas de IA coreanas, no solo su capacidad técnica. El mensaje que recorre el ecosistema es pragmático más que filosófico: la supervivencia depende de entender la sala, no solo de construir el mejor producto.

Las apuestas globales

¿Por qué debería importar a alguien fuera de Corea del Sur? Porque esto no es solo una disputa nacional de contratación pública. Es un estudio de caso sobre lo que sucede cuando un Estado tecnocrático de mediana potencias intenta competir contra los gigantes de Silicon Valley sin sistemas de gobernanza transparentes y defendibles.

Esa compresión importa. Señala que el proceso de selección de Corea puede estar optimizando para aceptabilidad política —elegir modelos que resultan útiles para los usuarios domésticos— en lugar de identificar capacidad genuinamente de clase mundial. El resultado podría ser una “IA nacional” que rinde de manera aceptable en casa pero se queda atrás a nivel global.

Otros países están observando. Los marcos de selección de IA de Japón y las estrategias de integración entre semiconductores e IA de Taiwán hicieron referencia explícita al enfoque de Corea durante recientes discusiones de políticas en la región. Si el modelo de Corea se percibe como políticamente gestionado en lugar de impulsado por méritos, debilita el argumento más amplio de que las naciones no occidentales pueden construir ecosistemas de IA independientes bajo sus propios términos.

Qué sigue

El vicprimer ministro Park Nam-gyu reconoció que el sistema de evaluación necesita un examen fundamental, señalando que los desarrollos de IA se mueven en ciclos de tres a seis meses mientras que los marcos gubernamentales están diseñados para años. La pregunta es si el reconocimiento se traduce en acción.

Para las compañías que perdieron, el mensaje es claro: jugar según las reglas del gobierno importa más que el rendimiento puro. Para observadores internacionales, la conclusión es igualmente clara: los países que tratan la capacidad de IA como infraestructura estratégica sin construir sistemas de evaluación creíbles y transparentes corren el riesgo de seleccionar modelos que se ven bien a nivel doméstico pero carecen de verdadera ventaja competitiva en el extranjero.

La iniciativa de Modelo Fundamental Independiente de IA no ha sido cancelada. Los equipos seleccionados continuarán con el desarrollo y despliegue bajo el apoyo gubernamental. Pero el déficit de credibilidad es real y acumulativo. Cada ciclo de evaluación opaca amplía la brecha de confianza entre el gobierno y el ecosistema que pretende nutrir. El equipo nacional de IA de Corea del Sur ha sido elegido. La verdadera prueba será si el proceso de selección resiste el escrutinio o se convierte en otro ejemplo de la gobernanza rezagándose detrás de la tecnología.