Los umbrales de cómputo son la manera en que los reguladores intentaron decir «modelo de frontera» con un número: la cantidad total de operaciones de punto flotante (FLOP) usadas para entrenar un modelo (cómputo). La lógica viene de las leyes de escalamiento: si el desempeño mejora de manera predecible con el cómputo (Kaplan et al., 2020), el cómputo sirve como indicador, grueso pero medible antes del despliegue, de lo que un modelo podría hacer.
Dos cifras se volvieron jerga. La orden ejecutiva 14110 de los Estados Unidos (30 de octubre de 2023) obligaba a informar sobre todo modelo entrenado con más de 10²⁶ operaciones (10²³ si se entrenaba sobre todo con secuencias biológicas) y sobre clústeres capaces de 10²⁰ operaciones por segundo; fue revocada el 20 de enero de 2025. La Ley de IA de la Unión Europea presume que un modelo de propósito general tiene «riesgo sistémico» si su entrenamiento acumulado supera 10²⁵ FLOP (Reglamento (UE) 2024/1689, 2024, art. 51). California retomó los 10²⁶ en su ley SB 53 de 2025. Como escala: Epoch AI estima que GPT-4 requirió unos 2 × 10²⁵ FLOP, y a mediados de 2025 contaba más de treinta modelos por encima de 10²⁵.
La canción exagera y cambia de unidad: «One E thirty flops a second» (osmarks, s. f.), es decir, 10³⁰ operaciones por segundo, una velocidad y no un total (su autor aclara que no aludía a ninguna norma). La confusión es instructiva: FLOP (cantidad) y FLOP/s (ritmo) se mezclan todo el tiempo, incluso en la prensa especializada.
Las críticas: un umbral fijo envejece rápido, porque la eficiencia algorítmica permite lograr las mismas capacidades con menos cómputo, como mostró Chinchilla al superar a Gopher, cuatro veces más grande, con el mismo presupuesto de cómputo (Hoffmann et al., 2022) (ver también destilación). Además, el cómputo de entrenamiento ignora el cómputo en inferencia de los modelos de razonamiento. Sus defensores responden que es imperfecto pero verificable, algo raro en la regulación de la IA.