El roboperro que expuso la crisis de la educación en IA en India

Internet se partía de risa, pero la burla tenía un filo.

El 17 de febrero de 2026, en Bharat Mandapam, el principal recinto de convenciones de India, una profesora de la Universidad Galgotias dijo a una cámara de DD News que su universidad había construido “Orion”, un elegante roboperro de cuatro patas, como parte de un Centro de Excelencia en IA valorado en ₹350 crore.

La afirmación no sobrevivió la tarde.

Medios chinos y observadores tecnológicos alegaron rápidamente que la máquina era el Go2 de Unitree, un robot que se vende en línea, y la exhibición pasó de publicidad a bochorno.

Supuestamente cortaron la electricidad del puesto, escoltaron a la universidad hacia fuera, se pidió una disculpa y se anunció una investigación.

Para un país situado tercero en la herramienta Global AI Vibrancy de Stanford de 2025, el espectáculo no fue solo un tropiezo de relaciones públicas; fue una prueba de resistencia.

Cuando los memes desaparecieron, quedó una pregunta: ¿qué tipo de ecosistema de IA produce una demo que no resiste una búsqueda en internet?

La nota que nadie quería

La narrativa de la IA en India hoy está respaldada por validación seria.

La herramienta Global AI Vibrancy de Stanford para 2025 situó a India en tercer lugar, un salto que la prensa india leyó como prueba de que el país está avanzando en múltiples indicadores de IA.

Esa clasificación importa porque refleja amplitud: actividad de talento, señales de investigación y escala del ecosistema, no solo un lanzamiento de producto llamativo.

Pero la IA es uno de esos campos donde la escala puede ocultar superficialidad.

Un país puede tener muchos usuarios de IA capaces de desplegar herramientas listas para usar y aun así encontrar difícil producir constructores de IA: investigadores e ingenieros que crean métodos nuevos, publican resultados duraderos y generan propiedad intelectual defendible.

Aquí es donde la historia de India choca con la letra pequeña.

Varias recopilaciones y resúmenes orientados a políticas han destacado lo pequeña que sigue siendo la porción de India en las patentes mundiales de IA en comparación con las dos mayores potencias en IA.

El Informe AI Index de Stanford 2025 sitúa a India en alrededor del 0,37% de las patentes mundiales de IA, frente a China con aproximadamente el 70% y EE. UU. con alrededor del 14%.

Las patentes son una medida imperfecta: muchas son de baja calidad, algunos avances no se patentan y el código abierto es real.

Pero como proxy de quién posee tecnología fundamental, son lo mejor disponible, y la porción de India es insignificante.

Si la participación de India en patentes es tan pequeña, la implicación no es que falte talento en India. Es que el ecosistema ha sido mejor formando personas para usar tecnología que para crearla a escala.

Por eso el episodio del roboperro tuvo un impacto tan fuerte. Comprar un robot y construir un robot no son la misma tarea.

La primera es adquisiciones. La segunda es investigación, fabricación, ingeniería de sistemas, pruebas e iteración: trabajo que necesita laboratorios, presupuestos y mentores experimentados.

Cuando un sistema invierte sistemáticamente menos en lo segundo, empieza a premiar la apariencia de innovación por encima de la práctica real de la misma.

​

El suelo financiero bajo la “innovación”

Detrás de la mayoría de las historias de “falsa innovación” hay una historia real de escasez.

El gasto de India en investigación y desarrollo es de alrededor del 0,6% del PIB, según reportes basados en la Economic Survey 2025–26.

La misma cobertura vinculada a la Economic Survey apunta a una segunda limitación: el sector empresarial de India contribuye solo en torno al 41% del gasto total en I+D.

Esos números moldean todo lo que viene después. Cuando el capital privado no financia de manera significativa la investigación universitaria, el sistema depende en gran medida de los presupuestos gubernamentales y de los ingresos por matrículas.

Eso tiende a producir comportamientos previsibles: las universidades optimizan para lo que es barato de mostrar y fácil de contabilizar: nuevos centros, nuevos MoU, nuevos programas de grado “IA” y artículos de conferencia, en lugar de lo costoso de construir, como acceso a computación, conjuntos de datos de alta calidad, laboratorios de hardware y supervisión de investigación sostenida.

Las comparaciones con economías pares hacen que la posición de India se sienta aún más personal.

La cobertura basada en la Economic Survey ha contrastado la intensidad de I+D del 0,6% de India con niveles mucho más altos en EE. UU., China y Corea del Sur.

El contraste se acentúa al observar más de cerca la participación del sector privado en India frente a una participación privada mucho mayor en esas economías.

En otras palabras, India intenta ganar una carrera de deep-tech con una reserva de I+D poco profunda y con empresas que aún no soportan la mayor parte del riesgo de investigación.

Aquí es donde la rendición de cuentas se distorsiona. Cuando los recursos son escasos y las métricas ruidosas, las instituciones persiguen señales.

Renombrarán drones importados como “plataformas indígenas”. Tratarán las asociaciones con proveedores como “logros de investigación”.

Registran patentes de baja calidad para inflar los paneles de innovación. Empujan al profesorado hacia objetivos de publicación basados en la cantidad.

Ninguno de estos comportamientos es defendible. Pero son comprensibles en un sistema que recompensa resultados que parecen progreso, aunque la capacidad subyacente falte.

Dónde se rompe la canalización: aulas, mentores y computación

Si quieres saber por qué el momento “Orion” es plausible, debes alejarte del pabellón de la feria y entrar en el aula media de ingeniería.

Invezz habló con el profesor Naveen Garg, jefe del Departamento de Ingeniería Informática en IIT Delhi, que enmarca la rotura como un problema de fundamentos y mentoría.

India necesita, dice, “un mayor número de graduados con fundamentos sólidos en matemáticas e informática” y “un mayor grupo de personas que puedan proporcionar la mentoría para una investigación de calidad en IA”.

También es muy directo respecto a los incentivos:

“El gobierno no parece estar proporcionando seriamente los incentivos necesarios para convertirnos en un país líder en investigación en el dominio de la IA. Los grandes actores como China y EE. UU. han invertido realmente una enorme cantidad de recursos en crear investigadores de calidad. Eso aún no ha ocurrido en el país”, dijo.

Ese problema del “pool de mentores” no es una crítica académica menor. Decide si los estudiantes aprenden recetas o razonamiento.

El trabajo moderno en IA exige pensamiento estadístico, optimización y un sólido conocimiento de sistemas.

También exige juicio: cómo evaluar un modelo, cómo probarlo en condiciones del mundo real, cómo detectar errores y cómo comunicar la incertidumbre de manera responsable.

Luego está la limitación de infraestructura, que silenciosamente condiciona lo que los estudiantes pueden hacer.

Hardeep, ingeniero senior en IA y exalumno de IIIT Prayagraj, reconoce que su titulación le dio “fundamentos teóricos sólidos en Machine Learning (ML), Natural Language Processing (NLP) y algoritmos”.

Pero añade un detalle crucial en su conversación con Invezz: “Los transformers y los LLM modernos no se cubrían entonces, y el trabajo práctico en proyectos era limitado debido a los costes de infraestructura”.

Para lectores no especializados: los “transformers” son una arquitectura de modelos que impulsa muchos sistemas de IA modernos, incluidos los modelos de lenguaje grande (LLM) que generan texto.

Entrenarlos y probarlos a escala significativa a menudo requiere computación cara (GPUs) y una ingeniería cuidadosa, recursos que muchas universidades no tienen.

La conclusión de Hardeep es la línea que debería preocupar más a los responsables políticos:

“Hoy, construir productos reales de IA es mucho más accesible; el éxito depende en gran medida de la curiosidad individual y el autoaprendizaje más que solo de la formación universitaria.”

El autoaprendizaje no es un defecto; es una virtud en tecnología.

El problema es cuando el autoaprendizaje se convierte en sustituto de la capacidad institucional.

Cuando las universidades subcontratan sistemáticamente las partes más difíciles de la formación a YouTube, cursos abiertos y ordenadores personales, siguen recogiendo los beneficios de reputación, pero los estudiantes pagan el precio real en tiempo, incertidumbre y resultados desiguales.

Por eso el acceso a computación se ha convertido en la nueva línea divisoria. La política de India ha empezado a reconocer esa limitación.

Informes sobre la IndiaAI Mission han señalado un despliegue a gran escala de GPUs, unas 18.000 GPUs ya desplegadas bajo la misión.

Eso importa porque la computación compartida puede reducir la barrera para investigadores y startups que, de otro modo, no pueden ejecutar experimentos serios.

Pero la compra de GPUs no es lo mismo que la capacidad de investigación.

Computación sin mentores produce rotación: personas que ejecutan experimentos sin una guía sólida sobre evaluación, ética y reproducibilidad.

Mentores sin computación producen frustración: estudiantes que comprenden la teoría pero no pueden hacer trabajo práctico significativo.

Una estrategia creíble de educación en IA necesita ambos elementos, en más que una delgada capa de campus de élite.

El problema de credibilidad: una cultura investigadora que no puedes desenchufar

Un roboperro se puede desenchufar. Una crisis de credibilidad no.

El ecosistema de publicaciones de India ha recibido un escrutinio creciente por la integridad de la investigación, incluido el papel de las “paper mills” y, en algunos casos, la manipulación de la revisión por pares.

Un estudio revisado por pares de septiembre de 2025 publicado en el Journal of Data Science, Computing and Information Sciences utilizó datos de Retraction Watch y examinó 2.853 artículos retractados por académicos indios entre 2010 y 2024.

El estudio encontró que las retractaciones se dispararon después de 2021, con un 57,55% ocurridas entre 2021 y 2024.

El mismo análisis enumera las razones más citadas, que incluyeron revisión por pares falsa (1.007 artículos), plagio (880) y manipulación/falsificación de datos (746).

Para los lectores no familiarizados con la “revisión por pares falsa”: la revisión por pares debería ser una verificación experta e independiente antes de la publicación.

Cuando se falsifica o se compromete, trabajos poco fiables pueden entrar en el registro científico.

Las retractaciones son el freno de emergencia del sistema, pero también revelan el coste de unos incentivos débiles y una aplicación débil.

¿Por qué importa esto para la IA? Porque el progreso en IA depende de una investigación fiable.

Si la canalización de investigación es ruidosa, artículos que no pueden reproducirse, resultados exagerados y conjuntos de datos cuestionables frenan la adopción industrial y dañan la credibilidad global.

El país acaba pasando más tiempo persiguiendo métricas que construyendo capacidad duradera.

En ese sentido, el episodio del roboperro es el primo visual de un patrón más profundo: espectáculo en lugar de prueba.

Cuando las instituciones son recompensadas por ser vistas en la frontera en lugar de por hacer trabajo fronterizo, invertirán previsiblemente en óptica.

También por eso la respuesta política no puede quedarse en el castigo. Debe cambiar los incentivos: qué valoran los rankings, qué examinan las auditorías de acreditación y a qué se liga la financiación.

Si el sistema sigue pagando por volumen, seguirá obteniendo volumen, a veces honesto, a veces no.

​

Constructores vs usuarios: la fuga de talento

El debate sobre la IA en India cada vez se divide más en dos campos: los optimistas que arguyen que India se está convirtiendo en constructora, y los escépticos que dicen que India sigue siendo mayormente usuaria a gran escala.

El profesor M Jagadesh Kumar, ex presidente de la UGC y presidente del Comité de Revisión de la NEP 2020, defiende con convicción el caso optimista:

“Hoy, las instituciones indias no son solo usuarias de IA. Están convirtiéndose rápidamente en constructoras de IA. Las instituciones indias colaboran cada vez más con la industria para desarrollar soluciones de IA en educación, salud, gobernanza, agricultura y ciudades inteligentes. Puedo darles algunos ejemplos”, dijo el profesor Kumar a Invezz.

“El Ministerio de Educación ha apoyado Centros de Excelencia en IA, como TANUH en IISc. Este centro trabaja en soluciones de IA escalables para la sanidad (especialmente enfermedades no transmisibles). IIT Madras Global Research Foundation anunció un Centro de Innovación en IA Aplicada para acelerar la IA aplicada. El centro conecta la investigación con el uso responsable en el mundo real”, añadió.

Además enfatizó la IndiaAI Mission, que promueve la innovación en IA, el acceso y soluciones centradas en India en colaboración con institutos educativos indios.

“Estos ejemplos muestran que muchas universidades indias están trabajando con IA que es inclusiva y desplegable.”

Con referencia al incidente de Galgotias, el profesor Kumar se muestra comedido sin nombrar a ninguna institución:

“Si algún instituto exagera sus afirmaciones, las medidas mitigadoras deberían ser proporcionales, educativas y correctivas. Las instituciones también deberían formar a sus equipos en ética, integridad de la investigación y comunicación responsable. Este enfoque es la manera más segura de proteger la reputación de los verdaderos innovadores de India”, dijo.

“También evita que posibles afirmaciones infladas creen una narrativa falsa. Pero no tengo dudas de que los institutos de educación superior de India están construyendo rápidamente capacidad en IA y creando soluciones inclusivas”, añadió.

Aun así, el punto del escéptico es difícil de ignorar: los casos de élite no definen la mediana. Un puñado de institutos superiores puede realmente construir y publicar.

Pero el sistema de educación superior de India es vasto y desigual. Si la mayoría de los campus no pueden ofrecer acceso real a computación, mentoría creíble y una cultura de investigación que prime la integridad, el estatus de “constructor” seguirá concentrado en la cúspide.

Aulas por encima de ceremonias

Y aun cuando India produce talento fuerte en IA, al país le cuesta retenerlo.

Resúmenes que citan las métricas de talento vinculadas al Stanford AI Index han destacado la puntuación neta de migración de talento en IA de India en -1,55, señalando una salida neta en esa medida.

Eso importa porque la fuga de cerebros no es solo un titular.

Es una pérdida que se acumula de mentores, fundadores y líderes de investigación, precisamente las personas necesarias para fortalecer la canalización doméstica.

En términos financieros, India está invirtiendo en la formación de talento pero no captura suficientes retornos a largo plazo.

Y cuando los retornos se filtran hacia fuera, las instituciones sienten aún más presión para rendir en rankings y relaciones públicas, porque el resultado más profundo, un ecosistema de investigación estable, sigue siendo difícil de mostrar rápidamente.

El Unitree Go2 (fuera el modelo que fuera) es, en última instancia, un utilería en una historia mayor.

India no carece de ambición. No le faltan estudiantes inteligentes. Le falta el tipo de arquitectura educativa y de investigación que convierta la ambición en tecnología propia.

El roboperro no fue el escándalo. Lo fue el sistema que lo hizo plausible.