La red de tren de alta velocidad en España, inaugurada en 1992, ha sido durante mucho tiempo un orgullo nacional: con cifras de julio de 2026, hablamos de 3,973 km, la más grande de Europa y la segunda más grande del mundo después de China, un país con distancias y magnitudes en absoluto comparables a las de España. Pero plantear una gran red ferroviaria no es simplemente inaugurar tramos y cortar cintas: además, compromete recursos de manera constante durante décadas: conservación, inspecciones, personal y renovación tecnológica. Los recientes accidentes de Adamuz y Urda permiten examinar cómo se ha gestionado esa responsabilidad a medida que los componentes de la red original, desde las vías a los sistemas de monitorización, iban envejeciendo. La cuestión me toca, además, de cerca: justo el día anterior al accidente de Urda viajé por esa misma línea en un Iryo, volviendo de dos conferencias en Sevilla y Córdoba.

Partamos de la evidence de que no soy en experto en transportes ni en ferrocarriles. Sin embargo, un paper que publiqué con mi advisor de doctorado, Burt Swanson, en MISQ en el año 2000, «System life expectancy and the maintenance effort: exploring their equilibration«, puede tal vez aportar algunos detalles al problema: en él, estudiamos 758 sistemas de información de 54 organizaciones y encontramos evidencia compatible con una idea relevante: las expectativas de los gestores sobre cuánto tiempo seguirá utilizándose un sistema contribuyen a determinar el esfuerzo que dedican a mantenerlo. Cuando anticipan su retirada, pueden moderar ese esfuerzo.

La aplicación al ferrocarril es clara: prever una sustitución puede condicionar la atención al sistema existente. El mantenimiento suele entenderse como lo que permite prolongar la vida de un sistema. Nuestro trabajo examinaba también la relación inversa: la vida que esperamos obtener de él condiciona cuánto nos comprometemos a mantenerlo. Esa lógica puede justificar que se pospongan mejoras opcionales ante una sustitución inminente. Pero si la sustitución se retrasa, las necesidades del sistema existente tienen que reevaluarse. Su retirada puede estar prevista sobre el papel mientras su responsabilidad operativa permanece intacta.

El problema de la red ferroviaria española precede al gobierno actual. La serie ministerial de mantenimiento muestra una caída nominal por kilómetro entre 2011 y 2017 desde los 49,860 a los 45,150 euros, seguida de un aumento hasta los 67,640 en 2024. En el caso del accidente de Adamuz, las investigaciones apuntan a una cuestión muy concreta, un defecto de nivelación detectado en octubre de 2025 que pudo contribuir, según los peritos, a acelerar la fractura de una soldadura. A falta de conclusiones definitivas, las preguntas son evidentes: qué se detectó, cómo se evaluó y qué se hizo al respecto. Aumentar el presupuesto de mantenimiento sirve de poco si los defectos identificados no reciben la intervención necesaria antes de convertirse en una tragedia.

En el accidente de Urda, hablamos de un sistema de control que sigue trabajando mientras llega su sustituto. Si contrastamos el informe sobre el contrato de modernización con las recientes declaraciones del ministro de transportes, las preguntas son inmediatas: ¿se revisaron las necesidades de mantenimiento, de soporte y los riesgos al decidirse prolongar la utilización del sistema LZB, ya considerado en desuso, en la línea más antigua del trazado? Las interrupciones recurrentes justifican examinar también la capacidad de operar con seguridad en condiciones degradadas, aunque su número aislado no demuestra necesariamente un mantenimiento deficiente. Nuestro paper no demuestra que se descuidara: permite formular una hipótesis concreta que los registros de mantenimiento y las decisiones de gestión deberían esclarecer.

Cuando se tiene una red ferroviaria como la española, la responsabilidad no termina cuando inauguras una línea, sino que precisamente comienza ahí. Inaugurar es relativamente fácil, pero mantener, aunque no sea vistoso, es absolutamente fundamental. Son necesarios planes plurianuales, evaluaciones periódicas, registros de defectos y seguimiento detallado de las renovaciones. El Tribunal de Cuentas ya advertía de problemas de planificación y financiación anteriores a 2018. Ahora, la continuidad del problema obliga a investigar las decisiones tomadas en cada una de las distintas etapas: cada gobierno responde por las que adopta mientras la infraestructura permanece bajo su responsabilidad.

Veintiséis años después, recupero la pregunta de aquella investigación: cómo ajustan las organizaciones sus compromisos de mantenimiento a la vida que esperan de sus sistemas. En una infraestructura crítica, ese compromiso debe cubrir cada día de funcionamiento efectivo, incluidos todos los retrasos de su sustituto. La fecha decisiva es aquella en la que deja de transportar pasajeros. Hasta entonces, mantenerlo es gobernar.

La vida útil de una infraestructura no se prolonga por decreto, ni porque su sustituta todavía no esté lista. Se prolonga con mantenimiento, inspecciones y decisiones que tienen que ejecutarse a tiempo. Haber heredado un problema obliga a corregirlo, y gastar más obliga a comprobar que ese dinero resuelve las necesidades reales. Mientras sigamos vendiendo las inauguraciones como éxitos políticos y tratando el mantenimiento y la conservación como un gasto que puede esperar, estaremos confundiendo construir un país con mantenerlo en pie. Y lo pagaremos cada vez más caro.

Según un artículo en The Register, «Anthropic engineer declares the coding interview dead«, las entrevistas técnicas a candidatos a desarrolladores basadas en que lleven a cabo pruebas tradicionales de programación ya no tienen ningún sentido, dado que la inteligencia artificial es perfectamente capaz de hacerlo mejor que los propios candidatos en este tipo de pruebas. Como escribe el ingeniero de Anthropic, Felix Rieseberg, no ve correlación entre lo buenos que son sus ingenieros y lo bien o mal que funcionan en ese tipo de pruebas, por lo que han dejado de resultarle útiles para predecir quién trabajará bien en su equipo.

La decisión es algo que ha adoptado su equipo, no se corresponde (al menos todavía) con una decisión a nivel de toda la compañía, pero podría tener mucho sentido: ¿por qué utilizar un tipo de examen cuya relación con el futuro desempeño profesional de la persona prácticamente no existe? En un artículo escrito en su blog personal, Rieseberg explica que busca en los portfolios pequeños prototipos que revelen criterio, empatía y decisiones fundamentadas, y aconseja a los ingenieros identificar problemas relevantes para su compañía y construir demostraciones centradas en buenas ideas. Como ya defendían algunos hace años, el propósito de la contratación de ingenieros debería ser la creación de valor para la compañía, y la inteligencia artificial es capaz de hacer más visible esa distinción.

En junio de 2025, Canva comenzó a afirmar que esperaba que los candidatos que entrevistaba para puestos en la compañía utilizasen inteligencia artificial, y sustituyó los ejercicios clásicos por problemas más ambiguos y realistas. Con ello esperaba poder observar cómo los candidatos aclaraban requisitos, dividían tareas, revisaban resultados o corregían errores. Si lo pensamos, tiene sentido: no parece muy lógico examinar a los candidatos exigiéndoles que durante ese examen, prescindan precisamente de las herramientas que van a utilizar todos los días de manera habitual.

Esto no quiere decir que el rigor técnico ya no sea necesario: es importante mantener los fundamentos informáticos y la responsabilidad sobre todo el código que uno entrega, lo que convierte en recomendable pedir al candidato que nos explique sus decisiones, que detecte fallos o que demuestre que entiende lo que ha construido. De hecho, Rieseberg aclara que aún no tiene construida una metodología que sustituya a las pruebas tradicionales, y que aunque está experimentando con varias, no posee aún una receta universalmente validada.

Pero exigir criterio y capacidad de supervisión plantea otra cuestión: ¿cómo se desarrollan esas capacidades si desaparecen los puestos de entrada en los que tradicionalmente se aprendía el oficio? Un estudio de Stanford que ya he comentado hace tiempo viene a afirmar que los puestos para trabajadores de 22 a 25 años en las ocupaciones más expuestas a la inteligencia artificial presentan una brecha del 19% respecto a la trayectoria de las menos expuestas, que viene sobre todo de una menor contratación. Hablamos de resultados descriptivos, no de estimaciones causales. La pregunta, por tanto, es muy clara: ¿cómo van a adquirir experiencia personas que encuentran cada vez menos puertas de entrada a la profesión?

Me parece interesante conectar esto con lo que vemos en educación: un cambio en las herramientas debería obligarnos a plantear la revisión de lo que realmente estamos evaluando. ¿Cuántos procesos de selección y exámenes siguen premiando destrezas aisladas que no tienen correlación con nada, en lugar de comprobar el nivel de comprensión, la capacidad de verificación o la calidad de las decisiones del entrevistado o examinado? ¿No deberíamos plantearnos cambiar eso de manera prioritaria? ¿Hasta cuándo vamos a seguir pidiendo a alguien que demuestre que sabe trabajar prescindiendo precisamente de las herramientas con las que tendrá que hacerlo?

In English on Medium, «It’s time companies started testing candidates with the tools they’ll be using in their job»

En un memorando interno, Amazon ha pedido a sus empleados que dejen de utilizar el llamado tokenmaxxing para parecer más ocupados y productivos, y les ha explicado que, oh sorpresa, el nivel de uso no debe convertirse en el único objetivo. Simplemente, la compañía reconoce algo tan evidente como que convertir el consumo en objetivo es algo que incrementa brutalmente los costes y la complejidad, lo que termina de matar la supuesta legitimidad de la práctica como criterio de productividad.

En realidad, la métrica ya era completamente absurda antes de que empezasen a manipularla: más allá de la ley de Goodhart, se trata de entender que, en realidad, como ya comenté el pasado mayo, los tokens nunca midieron valor, únicamente medían consumo. Es como evaluar a los conductores por la gasolina que gastan: incentivarás comportamientos que poco tienen que ver con ser o no un buen conductor. Ahora, después de gastar seguramente un buen montón de dinero inútilmente, Amazon reconoce que ese tipo de indicadores están completamente desconectados de los criterios que realmente son importantes. La responsabilidad del error, en este caso, no proviene de los empleados que maximizaron su uso de tokens, sino de los idiotas que diseñaron el incentivo: los empleados simplemente aprendieron a responder a él.

Facilitar supuesta inteligencia bruta para mejorar la productividad o la capacidad de trabajo es algo que exige presupuestos, seguimiento y control continuo sobre los resultados obtenidos. A lo único que te puede llevar el simplismo del tokenmaxxing es a facturas absurdamente desmesuradas.

Amazon no es la única compañía que cayó en semejante «modernidad»: una investigación de Joseph Cox en 404 Media basada en audios internos de Accenture identificó un consumo muy elevado de tokens entre empleados no técnicos, que se dedicaban incluso a convertir pdfs en presentaciones: un mayor consumo no implica una mayor sofisticación, e incluso puede indicar lo contrario, porque a medida que aprenden a manejar mejor las nuevas herramientas, se suele desarrollar una cierta mentalidad de optimización. Salvo, claro está, que te paguen por gastar más. Hace ya algún tiempo, The Verge habló sobre la progresiva retirada de licencias de Claude Code en Microsoft: por supuesto, había un interés porque sus empleados utilizasen Copilot CLI, pero había también evidentes razones económicas.

Incluso Anthropic, en su guía sobre context engineering, recomienda seleccionar el mínimo contexto relevante, y reconoce que puede haber una pérdida de precisión cuando se opta por acumular información innecesaria sin sentido. La consecuencia es que premiar el volumen puede estar incentivando sistemas más caros y menos fiables. Obviamente, eso no quiere decir que usar menos tokens sea siempre mejor: el criterio es aprender a utilizar los tokens necesarios para resolver adecuadamente cada tarea.

Según Amazon, demostrar en dónde la inteligencia artificial todavía no ayuda supone un hallazgo y una muestra de buen juicio. Las métricas lógicas serán las que han sido siempre: calidad, número de errores, tiempo total empleado y coste por resultado útil. La rectificación de Amazon, en la práctica, supone el paso del entusiasmo desenfrenado y sin sentido a la gestión optimizada. Abandonar el uso de un incentivo estúpido permite empezar a evaluar más seriamente una tecnología valiosa.

In English on Medium, «Tokenmaxxing, or the law of unintended consequences (that surely could have been predicted»

Una tecnología puede transformar completamente la economía mientras sus inversores pierden auténticas fortunas. Según Reuters, el STAR50, el índice de referencia de las grandes compañías del mercado de innovación tecnológica de Shanghai, ha perdido nada menos que un 40% desde julio, lo que ha provocado que «se evaporasen» unos 480,000 millones de dólares de capitalización. Estamos hablando de compañías vinculadas al desarrollo de la inteligencia artificial y los semiconductores, una de las grandes apuestas estratégicas del país como motor de su economía. En China, a todos los efectos, la burbuja de la inteligencia artificial ya ha estallado.

Las razones de semejante caída parecen complejas: no se puede decir que haya un único detonante, sino que concurren circunstancias que van desde valoraciones excesivamente infladas, dudas más que razonables sobre la demanda futura y amenazas de posibles restricciones comerciales.

Lo dije hace ya algún tiempo, en abril de 2024: hay una gran diferencia entre que haya una burbuja financiera, que la hay y muy grande, y la permanencia o importancia de una tecnología. Las burbujas financieras son parte de la naturaleza humana: cuando se desarrolla una tecnología de propósito general, surge una fiebre intensamente contagiosa por intentar ordeñar sus resultados que da lugar este tipo de comportamiento, que obliga a tratar de diferenciar claramente entre inversión desproporcionada e innovación útil. Que de repente los mercados financieros se den la gran bofetada o que una serie de compañías dedicadas a la inteligencia artificial y temas relacionados quiebren y desaparezcan no supone automáticamente una prueba de que toda inversión anterior fuese absurda o de que toda corrección resulte beneficiosa. Si tienes más de cuarenta o cincuenta años y no has vivido dentro de una cueva, ya has visto esta historia antes.

Como comentó el pasado febrero el co-CEO de SMIC, Zhao Haijun, «a las empresas les encantaría construir en uno o dos años la capacidad de data centers equivalente a la que necesitarían para una década (…) pero aún no han terminado de definir qué harán exactamente con ellos». Es decir, que una necesidad real puede perfectamente traducirse en una inversión excesiva o claramente adelantada a la demanda.

Unitree es otro caso clarísimo: de ser la estrella absoluta de las salidas a bolsa en la bolsa de Shanghai, con una demanda minorista que excedía en más de 8,000 veces a la oferta de acciones disponible, ha pasado a una caída en barrena de sus acciones que supone la pérdida de la mitad del valor de la compañía desde el pasado agosto. Es, obviamente, un problema de expectativas y de especulación que recuerda mucho a la fiebre de las puntocom a principios de siglo: no se trata de que los robots de Unitree carezcan de utilidad, en absoluto, sino de que las expectativas bursátiles que habían generado eran simplemente demenciales. Es como aquella compañía de la que hablé no hace mucho: con tal de obtener datos para entrenar robots, está dispuesta a limpiar gratis miles de hogares con trabajadores humanos a los que obviamente hay que pagar y que, eso sí, tienen que llevar puesta una cámara en la frente.

Es una de las características más claras de una burbuja: las prisas absurdas y la financiación desmesurada y obtenida de maneras «pintorescas», con vehículos fuera de balance. Unos niveles de apalancamiento y unas concentraciones de riesgo que pueden, en cualquier momento, hacer mucho más grande y más virulenta una eventual corrección. En ese sentido, que estalle la burbuja en China no tiene por qué ser un calendario inevitable para los Estados Unidos… pero sí es una muy buena advertencia, sobre todo para los inversores que se juegan su dinero.

Al final, lo verdaderamente importante es separar adopción tecnológica de entusiasmo financiero. Exigir resultados medibles, costes sostenibles (no empeñarse en generar energía a precios demenciales, por ejemplo) y usos concretos. El pinchazo debería endurecer la evaluación de las inversiones, por supuesto, pero no necesariamente convertirse en coartada para dejar de aprender o experimentar. La burbuja no descalifica a la tecnología, que sigue siendo importantísima y que, como todas las de propósito general, no tiene vuelta atrás, pero sí pone en cuestión las expectativas, las valoraciones y la forma de financiar su despliegue. La utilidad de la inteligencia artificial no garantiza la rentabilidad de cualquier empresa, infraestructura o inversión que lleve su etiqueta.

In English on Medium, «China’s AI bubble has burst, but the technology is here to stay»

Lo que ha pasado en Brasil durante las últimas elecciones presidenciales debería servir para que dejásemos de una vez de considerar a Meta como una simple empresa tecnológica. Diversos medios brasileños han comprobado y publicado que la inteligencia artificial integrada en WhatsApp se negaba a generar imágenes electorales de Lula con el número 13 que identifica su candidatura, mientras aceptaba peticiones equivalentes para Flávio Bolsonaro con el número que identificaba la suya, el 22. Y lo más escandaloso es que la discriminación continuó incluso después de que Meta anunciase haber corregido el problema. ¿Un error técnico? Es posible, aunque en absoluto probable. ¿Una interferencia potencialmente gravísima en un proceso democrático? Eso, sin ningún género de duda.

Pero la cosa tampoco termina ahí: la campaña de Lula denunció ante la justicia electoral que sus publicaciones y anuncios en Instagram sufrían restricciones «inexplicables», mientras que los contenidos favorables a Bolsonaro obtenían, «casualmente», una difusión desproporcionada. Las denuncias llegaron incluso a observadores electorales internacionales, y el Tribunal Superior Electoral ordenó a Meta garantizar un tratamiento equitativo de ambas candidaturas, bajo amenaza de multas de medio millón de reales diarios. Algunos empleados de Meta señalaron este trato desigual en tiempo real y elevaron el asunto: posteriormente, la empresa ofreció diversas excusas técnicas que no coinciden con las fechas ni con el hecho de que la campaña de Bolsonaro siguiese utilizando las mismas herramientas a las que Lula no tenía acceso. El resultado, independientemente de cuáles fueran las intenciones de Meta, fue un tratamiento profundamente desigual de dos candidaturas presidenciales, algo que ninguna democracia debería aceptar en una plataforma con semejante capacidad de influencia.

¿Nos sorprende? Deberíamos recordar de qué basura de empresa estamos hablando: ¿Cambridge Analytica y sus 87 millones de perfiles obtenidos sin consentimiento y utilizados para propaganda política personalizada nos dice algo? O Myanmar, donde Amnistía Internacional documentó que los algoritmos de Facebook amplificaron discursos de odio contra la minoría rohinyá, contribuyendo a crear las condiciones para verdaderas atrocidades masivas. O incluso España, donde la Agencia Española de Protección de Datos tuvo que intervenir para impedir determinadas funcionalidades electorales que amenazaban la privacidad de los votantes.

Podríamos añadir, y no es sobre Meta, el caso de Rumanía, sobre el que ya escribí en diciembre de 2024, cuando la primera vuelta de unas elecciones presidenciales terminó anulada entre acusaciones de manipulación a través de TikTok. En aquel momento ya advertía del peligro de unas plataformas cuyos algoritmos podían convertir la propaganda y la desinformación en armas de manipulación electoral. Lo que vemos ahora en Brasil añade otra dimensión al problema: ya no se trata únicamente de lo que determinados actores políticos consigan hacer utilizando esas plataformas y pagando por sus servicios, sino también de cómo las propias plataformas deciden qué herramientas funcionan, para quién y en qué condiciones. ¿De verdad vamos a seguir dejando algo tan importante como la integridad de unas elecciones en manos de empresas privadas con espantosos antecedentes éticos y que además no rinden cuentas ante los ciudadanos ni ante nadie?

Todo esto encaja inquietantemente bien con el concepto de tecnofascismo: la convergencia entre concentración tecnológica, vigilancia, control algorítmico y tendencias políticas autoritarias. El fascismo contemporáneo no necesita necesariamente uniformes ni desfiles: puede avanzar mediante sistemas de recomendación opacos, manipulación de la atención y plataformas que deciden qué mensajes circulan, cuáles desaparecen y quién puede expresarse. Esto no es un «protesto si no ganan los míos», es una llamada a la integridad de la democracia y a evitar que un sinvergüenza carente de ética y de escrúpulos la manipule simplemente porque se cree por encima del resto de los humanos.

Y mientras tanto, Mark Zuckerberg va, elimina los verificadores independientes en Estados Unidos, y relaja las políticas de moderación, en una más que evidente aproximación política a Donald Trump. La empresa que controla buena parte de la conversación pública mundial modifica unilateralmente sus reglas, sin que los ciudadanos tengan la menor capacidad de opinar o de intervenir.

No hace falta demostrar que Meta haya decidido explícitamente instaurar el fascismo: basta con ver cómo sus incentivos económicos, su arquitectura tecnológica y sus decisiones políticas facilitan la expansión de movimientos autoritarios. Y eso debería resultar absolutamente intolerable desde cualquier punto de vista en una democracia razonablemente madura. El problema no es únicamente lo que Meta permite o no permite publicar, sino el poder que se ha arrogado para determinar las condiciones en las que se desarrolla la conversación democrática.

Meta, además de ser una compañía profundamente dañina para sus usuarios, se ha convertido en un auténtico cáncer para la democracia. No hablamos de censurar opiniones ni de prohibir tecnologías: hablamos de impedir que una corporación privada concentre un poder sobre los procesos democráticos que ningún gobierno debería poseer. El mínimo exigible ante precedentes como los que ya existen sería someterla a auditorías independientes, transparencia algorítmica, responsabilidades legales efectivas y separación estructural de sus plataformas. Pero lo que realmente habría que hacer es cerrarla.

Si una compañía demuestra reiteradamente que no puede operar sin poner en peligro los derechos fundamentales y la integridad de las elecciones democráticas, deberíamos plantearnos seriamente si debe seguir teniendo permiso para operar. Es una maldita vergüenza con la que cualquier ciudadano con unas convicciones democráticas mínimamente serias debería plantearse actuar. La democracia no puede depender de lo que Mark Zuckerberg considere más conveniente para su cuenta de resultados o para su asquerosa visión del mundo.

In English on Medium, «Meta is a cancer on democracy»

A lo largo de todo el año pasado y buena parte de este, por circunstancias que no vienen al caso, me vi obligado a utilizar televisores diferentes al que tengo en mi casa, y tuve la oportunidad de comprobar cómo su evolución me resultaba profundamente desagradable: aparatos que, bajo la supuesta idea de ser «smart», están cada vez más pensados no para que los enciendas y veas el canal que quieres, sino más bien para martirizarte con sus propios anuncios, adicionales a los de las cadenas, o para empeñarse en ofrecerte ramilletes de canales absurdos que funcionan como meros soportes publicitarios y que no tienes el menor interés en ver.

Básicamente, tratar al usuario no como dueño de su televisor, sino como alguien que está delante de algún tipo de valla publicitaria. Me pareció una auténtica basura, me generó no pocas reacciones de indignación profunda, y me llevó a escribir algún artículo al respecto, así como a decidir que mi próximo televisor no sería un televisor como tal, sino un simple monitor.

La idea brillante de fabricantes como LG y otros es convertir el televisor en eso: una valla publicitaria capaz de generarles ingresos después de haber sido vendido. Captación de datos, venta y gestión de publicidad como una vía de crecimiento para unas compañías que, por tratar de seguir ordeñando la vaca, son capaces de alienar al usuario hasta el punto de que abomine de la idea de tener un televisor supuestamente «inteligente».

Ahora, un artículo en The Verge, «People are vibe coding their way to better TVs«, empieza a devolverme la fe en la humanidad y en la tecnología: algunos desarrolladores están empezando a ofrecer soluciones en GitHub para «limpiar» sus televisores y recuperar el control sobre ellos. CleanYourTV, por ejemplo, utiliza la conexión de desarrollo de Android por WiFi para desactivar componentes publicitarios, telemetría y aplicaciones sobrantes, e instalar una pantalla de inicio inspirada en Apple TV, además de guardar información para poder revertir los cambios si algo no funciona como es debido. Una mejora basada fundamentalmente en quitar obstáculos y ofrecer acceso directo a las aplicaciones elegidas.

Una segunda solución consiste en «rejuvenecer» el televisor que tenemos: TV Detox ofrece conjuntos de instrucciones para Claude Code o Codex con una interfaz minimalista: aplicaciones, entradas HDMI y reloj. Además, desactiva el software sobrante y busca con ello mejorar la respuesta de televisores Android antiguos como se hacía con los smartphones, en los que buena parte de la sensación de obsolescencia procede en muchos casos del software acumulado. El repositorio documenta incompatibilidades y problemas de arranque en algunos equipos debido a la amplia diversidad de las implementaciones de Android de los fabricantes, pero puede ser una opción a considerar si estás en esa tesitura.

Una tercera idea tiene como objetivo reducir las comunicaciones indeseadas. DumbTV, orientado a televisores compatibles con Fire TV, desactiva componentes, sustituye la pantalla de inicio y añade filtrado DNS contra servidores de publicidad y telemetría, pero permite conservar funciones elegidas por el usuario. No es una garantía de privacidad total: bloquear destinos conocidos no demuestra que hayamos conseguido detener toda posible recogida de datos, pero es interesante.

La inteligencia artificial está facilitando modificaciones que ya eran técnicamente posibles, pero relativamente complejas. Ahora, aprovechan por lo general herramientas de desarrollo, sin sustituir el sistema operativo completo, con un alcance que depende del modelo de televisor y del sistema que utilice, en ocasiones, con propósito meramente lúdico. Sobre televisores de LG con webOS, uno de los casos de desprecio al usuario más sangrantes y recalcitrantes que me ha hecho jurar que jamás volveré a comprar nada de la marca surcoreana, no he visto aún muchas soluciones, como esta, que lleguen a atajar el problema. Pero llegarán. Y si no, puedes intentar «rootear» tu televisor, aunque eso supone un nivel totalmente distinto de hackeo y control del dispositivo.

Obviamente, la penetración de este tipo de soluciones va a ser anecdótica: el usuario medio no se baja un paquete de GitHub, no tiene ni la más ligera idea de cómo instalarlo, y no hackea su televisor. Pero que haya usuarios más avanzados que dedican tiempo y esfuerzo a retirar funcionalidades indeseadas impuestas por el fabricante es, en cualquier caso, muy positivo, envía una señal inequívoca de rechazo y marca una dirección de futuro: que el mercado aprenda a rechazar determinados productos. Además, el problema va más allá de la molestia o de la estética: hay documentados casos de reconocimiento de contenido y de claras violaciones de privacidad a través de un dispositivo como el televisor, que hasta hace no mucho era algo completamente inofensivo y no generaba especial desconfianza.

La idea parece impensable, y sobre todo, profundamente incorrecta: tener que «intervenir» un dispositivo recién comprado para que responda como tú quieras, y no como al fabricante le da la gana para exprimirte mejor. Claramente, debería ser ilegal. Pero mientras no lo sea, habrá que recurrir al hackeo.

In English on Medium, «You thought you’d bought a smart television, but they sold you an advertising machine. It’s time to fight back»

A lo largo de esta ya extensa serie de artículos sobre qué es (y sobre todo, qué debería ser) la inteligencia artificial corporativa, he intentado analizado conceptos como los agentes, el trabajo con ontologías y modelos del mundo que representan a la empresa, su integración con herramientas de gestión (como los ERP o los CRM) y, en definitiva, la optimización de una compañía hasta su máximo potencial.

Sin embargo, ahora que se plantea, como sostiene Mustafa Suleyman, que la inteligencia artificial podría hacer desaparecer la mayor parte de los trabajos de oficina en los próximos doce meses, resulta necesario aclarar en qué se transforma el liderazgo una vez que dicha maquinaria está operativa.

¿Cuál es, en mi opinión, el cambio fundamental? En las empresas optimizadas, el liderazgo dejará de consistir principalmente en tomar más decisiones que los demás: gran parte de las decisiones operativas pasarán a ser tomadas o sugeridas por sistemas capaces de comprender la ontología de la empresa, simular consecuencias mediante modelos del mundo y aprender a partir de la retroalimentación. En esencia, el papel del líder asciende a un nivel superior.

Liderazgo como establecimiento de objetivos, no como gestión directa de tareas.

Hoy en día, los ejecutivos dedican una enorme cantidad de tiempo a resolver disyuntivas, establecer prioridades, escalar decisiones y coordinar actividades. Sin embargo, en una empresa optimizable, gran parte de estas decisiones locales serán gestionadas por sistemas de aprendizaje. Por tanto, la labor del líder se convierte en definir los objetivos, las restricciones y las disyuntivas que dichos sistemas podrán optimizar.

Piénsalo de esta manera: cada métrica es, en último término, una decisión de gobernanza, ya que encierra una teoría sobre cuál es el propósito de la empresa. Actualmente, la estrategia suele expresarse a través de presentaciones, indicadores clave de desempeño (KPI), presupuestos, planes anuales, discursos de la dirección y entrevistas con analistas. En cambio, en una empresa optimizable, la estrategia se vuelve ejecutable: debe traducirse en objetivos, permisos, restricciones y reglas de escalado que las máquinas puedan procesar.

Se trata de una forma de liderazgo mucho más exigente y sofisticada, dado que la ambigüedad ya no puede ocultarse tras eslóganes o declaraciones vacías. Uno puede repetir incansablemente frases como «el cliente es lo primero», «debemos crecer de forma responsable» o «queremos crear valor a largo plazo», pero todo ello carecerá completamente de sentido y resultará insuficiente a menos que la organización defina y especifique qué significan realmente estas ideas cuando los objetivos entran en conflicto.

El líder se convierte en un diseñador de trade-offs

Al equilibrar factores como margen frente a crecimiento, eficiencia frente a resiliencia, personalización frente a privacidad o velocidad frente a calidad, un sistema de aprendizaje puede optimizarse de manera agresiva en función del objetivo que se le ha asignado. Los bucles que resultan racionales a nivel local pueden arrastrar a la empresa en direcciones incompatibles, a menos que los objetivos se mantengan coherentes en el conjunto de la organización. Por tanto, decidir qué sacrificios son aceptables será, probablemente, una responsabilidad profundamente humana y estratégica.

En cierto sentido, el liderazgo dejará de consistir en supervisar personas y pasará a convertirse en gobernar sistemas adaptativos. La gestión tradicional suele partir del supuesto de que los equipos humanos y los procesos son relativamente estables. Los bucles adaptativos, por el contrario, modifican su comportamiento de forma continua a medida que se utilizan. Por ello, los líderes no solo deberán preguntarse si un proceso funciona, sino también qué es lo que un sistema determinado está aprendiendo a hacer. Y este es un planteamiento de gestión fundamentalmente distinto.

Las jerarquías se volverán más planas, pero el liderazgo cobrará más importancia.

Cuando los agentes son capaces de coordinar el trabajo, detectar excepciones, preservar el contexto y optimizar los flujos de trabajo, muchas de las tareas de coordinación propias de la gestión intermedia se reducen. Sin embargo, esto no elimina el liderazgo, sino que lo concentra en torno a la legitimidad, las prioridades, el propósito, la cultura, la gobernanza y la asignación de facultades de decisión. En otras palabras: menos coordinación y más construcción de una especie de «Constitución».

El CEO empieza a parecerse a un diseñador constitucional: no toma decisiones en cada caso concreto, sino que define qué puede automatizarse, qué objetivos busca maximizar la organización, qué principios son inviolables, en qué situaciones los seres humanos conservan el derecho a veto, qué disyuntivas requieren una escalada a niveles superiores, etcétera. Y esto equivale, en gran medida, a redactar «la Constitución» de una organización inteligente.

La ventaja competitiva se convierte en acumulativa

Una vez que una empresa cuenta con una ontología, con bucles de retroalimentación y con un sistemas de aprendizaje que funcionan correctamente, cada nueva operación y transacción se traduce en experiencia adicional, lo que mejora el desempeño futuro. Piénsalo: cada interacción con un cliente, cada flujo de trabajo y cada decisión ayudan a que tu empresa supere a todos aquellos competidores que no están optimizando sus procesos de esta manera.

Siguiendo este razonamiento, los competidores no solo están rezagados en cuanto a la implementación de software; también lo estarán en cuanto al aprendizaje organizacional acumulado. Esta brecha puede crecer de forma exponencial, en lugar de lineal. Las acciones dejan huellas, estas se convierten en retroalimentación, los resultados se vuelven medibles y el sistema aprende qué acciones son eficaces.

Esto puede dar lugar a una dinámica en la que «el ganador se lleva la mayor parte» (o incluso «el ganador se lo lleva todo»): un potente efecto de refuerzo que genera un mejor modelo empresarial, decisiones más acertadas, resultados superiores, una retroalimentación más valiosa y, en definitiva, un modelo de empresa más sólido. Una vez que este ciclo comienza a potenciarse, quienes se incorporen tarde podrían encontrarse compitiendo no solo contra un mejor software, sino contra organizaciones que han acumulado y que poseen, no simplemente alquilan, años de experiencia propia y exclusiva.

El criterio humano no desaparece: se desplaza hacia la frontera

Las máquinas pueden optimizar en función de un objetivo definido, pero los seres humanos siguen siendo responsables de redefinir dicho objetivo cuando cambian las circunstancias. Esto incluye decisiones como entrar en un nuevo mercado, responder a un impacto social o político, abandonar una línea de productos, modificar el apetito por el riesgo o determinar que una métrica ya no refleja los valores de la empresa. El liderazgo se convierte, por tanto, en la capacidad de identificar cuándo el propio objetivo de optimización es erróneo.

El papel de la cultura cobra una importancia aún mayor: si el sistema aprende de lo que hace la organización, cada acción se transforma en datos de entrenamiento para la empresa del futuro. Una cultura disfuncional no solo genera malas decisiones hoy; también puede enseñar al sistema de aprendizaje a replicar esos mismos patrones mañana. Esto hace que la cultura sea, más que nunca, un elemento que está muy lejos de ser «blandito». En una organización que aprende, la cultura se convierte en parte del entorno de entrenamiento.

La empresa optimizada no elimina el liderazgo, sino que revela lo que el liderazgo siempre debió ser: decidir qué es lo importante, definir las contrapartidas y asumir la responsabilidad sobre la dirección del sistema. Los líderes dedicarán menos tiempo a decidir qué hacer y más tiempo a determinar qué es lo que la empresa debe optimizar.

¿Está tu liderazgo preparado para ello?

(This article was previously published on Fast Company) 

En una entrevista en CTO Magazine, titulada «Is AI optimization more important than bigger models?», Juan Morán, CEO y cofundador de TuringDream, plantea una pregunta que conviene hacer antes de encargarle a un modelo que redacte más rápido o resuma mejor: ¿cómo convertimos esa capacidad en mejores resultados para toda la compañía? Su respuesta es que la próxima frontera no está únicamente en aumentar la potencia de los modelos, sino en construir sistemas capaces de actuar, medir las consecuencias y aprender de ellas.

La distinción importa. Un modelo puede ser extraordinariamente inteligente en una tarea y, aun así, no saber si su respuesta ha mejorado la relación con un cliente, reducido un riesgo o perjudicado otro proceso. Las empresas no funcionan como una suma de tareas aisladas: sus decisiones se afectan unas a otras, y sus resultados dependen de objetivos, restricciones y consecuencias que aparecen con el tiempo. Como escribí en «El emperador está desnudo: los LLM nunca se diseñaron para dirigir una empresa«, la inteligencia local no se convierte automáticamente en inteligencia colectiva.

Hay datos recientes que apuntan a esa brecha. En su encuesta global de 2026, McKinsey encontró que el 80% de los encuestados percibe mejoras en su productividad individual gracias a la inteligencia artificial, pero solo el 37% es capaz de atribuir algún impacto en el EBITDA a su uso: la proporción de organizaciones que considera que obtiene un valor significativo sigue siendo muy pequeña. Es una encuesta, no una prueba causal, pero ayuda a entender por qué desplegar herramientas no equivale a transformar una empresa.

Lo que proponemos es conectar modelos de lenguaje con modelos del entorno, aprendizaje por refuerzo y una memoria operativa persistente. En términos sencillos: que el sistema represente cómo funciona el negocio, pueda actuar dentro de permisos definidos y use los resultados de sus acciones para mejorar decisiones futuras. No se trata de conceder autonomía sin límites. En la entrevista, Juan insiste en que las facultades de cada sistema deben ser específicas, auditables y ajustables por las personas responsables.

Ese planteamiento enlaza con dos ideas que he desarrollado previamente en Fast Company: la empresa optimizable necesita un modelo formal de sí misma, y su ventaja no dependerá solo del modelo elegido, sino del bucle de aprendizaje construido alrededor de los modelos. McKinsey también señala que las organizaciones que obtienen más valor tienden a rediseñar sus flujos de trabajo. Y una investigación de MIT Sloan muestra que escalar soluciones de inteligencia artificial requiere sostener la experimentación y la colaboración entre empleados, no limitarse a proporcionar tecnología.

¿Qué hacemos en TuringDream? Estamos construyendo Tau con esa ambición: que la inteligencia artificial no sea una capa de conversación añadida a los sistemas existentes, sino una plataforma para coordinar agentes y aprender de la actividad real de la organización. La llamamos Optimal AI: pasar de generar respuestas a perseguir objetivos medibles. La arquitectura incluye TSL, un lenguaje y entorno de ejecución propios, y una capa de aprendizaje que busca acumular conocimiento operativo con el uso.

Es una apuesta tecnológica, pero señala una pregunta útil para cualquier empresa que esté invirtiendo en inteligencia artificial: además de limitarse a preguntar qué modelo está usando, ¿está construyendo una arquitectura que le permita aprender de lo que hace y sea susceptible de ayudarle a generar una verdadera ventaja competitiva?

In English on Medium, «Enterprise AI doesn’t just need larger models, it needs to learn from the business itself«

La reciente fiebre por poner en el mercado asistentes personales de inteligencia artificial, con productos como Muse (Meta), Dots (OpenAI) o Claude Duet (Anthropic) podría ser parte de una estrategia compartida o una apuesta común de las big tech para reeditar la lógica de la publicidad hiper-segmentada, una transformación social bastante reciente que consiguió apropiarse de una enorme cantidad de valor hasta entonces en manos de los medios de comunicación a través de algo tan socialmente inaceptable hasta el momento como convertir cada vez más aspectos de la vida cotidiana de los consumidores en datos y calcular el valor que generan.

Shoshana Zuboff describe muy bien esa evolución cuando habla del concepto de surveillance capitalism: extracción de datos conductuales personales y su conversión en predicciones comercializables. A comienzos de este siglo, si a cualquiera le hubieran dicho que iba a tener toda una enorme plataforma siguiendo todas sus acciones, anotándolas, construyendo un detalladísimo perfil de sus preferencias y subastándolas al mejor postor, se habría escandalizado. Sin embargo, compañías como Google o Meta lograron crear ese entramado, esa maquinaria de espionaje colectivo, y se apropiaron de una enorme cantidad de valor a costa de robársela a los medios, de convertir en miserables las vidas de muchos usuarios, y de paso, de poner en peligro la mismísima democracia debido a sus intentos por generar mayor stickiness y atención por cualquier medio, incluyendo la fortísima polarización y las fake news.

La publicidad digital no solo encontró públicos más precisos: además, concentró poder y valor en manos de las plataformas que controlaban los datos, la segmentación y el acceso a las audiencias. Gracias a esa jugada, Google y Facebook se convirtieron en actores con una posición dominante en el mercado publicitario, lo que ha tenido efectos descomunales – y no precisamente positivos – en consumidores, anunciantes y editores.

Ahora, vivimos un cambio de época, de nuevo planteado para favorecer a los nuevos actores hegemónicos, las big tech: la publicidad personalizada infería gustos a partir de búsquedas, clics y navegación. Pero un agente conectado a nuestro correo, nuestro calendario, nuestras compras y nuestras aplicaciones puede conocer también planes, restricciones, prioridades e intenciones a un nivel de intimidad nunca visto anteriormente. OpenAI describe Dots como «agentes que aprenden preferencias y trabajan de forma continua«, Anthropic presenta Claude Duet revisando aplicaciones conectadas y actuando cuando el usuario no está. Son ejemplos del cambio de escala y contexto que prometen las propias empresas, y Meta no necesita definir nada, porque todos entendemos perfectamente a que se dedica… a lo que se ha dedicado siempre.

Muse, Dots y Duet no son solo chatbots más capaces: aspiran a ser la capa desde la que delegamos decisiones y tareas. Cuando un sistema pide acceso a información íntima, los detalles del producto importan, pero Meta, como siempre, no los cuida en absoluto: las conversaciones que habían decidido compartir mediante un enlace podían descubrirse fácilmente mediante búsquedas en DNS pasivo. Son, una vez más (y van mil y una) las cosas que están en juego cuando se delega tanto contexto a una empresa, y más con semejante historial. Y no olvidemos que más de diez millones de norteamericanos han acudido encantados a probar la propuesta de Meta, que pretende obtener ingresos de Muse reteniendo una parte de las transacciones.

Si el agente conoce lo que queremos comprar, cuánto podemos pagar y qué alternativas consideramos, ¿quién controla sus recomendaciones y quién captura el margen? El precedente de la publicidad hiper-segmentada hace razonable plantearlo: la idea de monetizar cada agente vendiendo las preferencias más íntimas del usuario fluye de manera inmediata. La preocupación central sería que la función de intermediación permita extraer valor y consolidar poder, aunque la factura llegue en forma de suscripción, comisión o prioridad comercial.

La privacidad es un derecho fundamental en la Unión Europea, pero la publicidad personalizada, sin embargo, no está prohibida en bloque como legítimamente debería. El Tribunal de Justicia ha limitado la agregación y el procesamiento indiscriminados de datos para publicidad dirigida, y el DSA prohíbe ciertos tipos de segmentación basada en datos sensibles, pero los efectos de esas prohibiciones, a la luz de lo que vemos actualmente, son más bien escasos o directamente nulos: los europeos estamos igual de acosados y espiados que otros ciudadanos en otras partes del mundo, lo que convierte en ridículos, si no directamente patéticos, los esfuerzos del regulador. La pregunta final es clara: ¿se aplicarán esos principios también a agentes que reúnen información de muchos ámbitos y median cada vez más decisiones? ¿O volveremos a permitir la reedición de la creación de sistemas de espionaje masivos para desviar todavía más valor a las arcas de las big tech?

In English on Medium, «Surveillance capitalism gets personal: Big Tech’s new focus is AI agents»

Un profesor de Cambridge, Chris Marquis, ha escrito un artículo en The New York Times, titulado «I teach at a business school. It’s time to shut them down«, en el que dibuja un panorama absolutamente lleno de tópicos y de generalizaciones que parece más escrito para provocar que para plantear algún tipo de reflexión mínimamente seria. Su argumento no se limita a criticar a algunos profesores: cuestiona qué ideas y comportamientos tiende, según él, a legitimar la institución. En una entrevista posterior, Marquis dijo que el titular lo eligió un editor del periódico, y que él en realidad habló de «rediseñar las escuelas», no de cerrarlas.

Marquis convierte en un supuesto enorme problema el hecho de que algunos casos empresariales privilegien a los ganadores, simplifiquen la realidad y dejen fuera fracasos, alternativas y voces disidentes. No sé si ha escrito muchos casos en su vida, pero yo, francamente, sí lo he hecho, y si bien para obtener la aprobación de la compañía tienes que dejarla quedar razonablemente bien, hay infinidad de formas de dirigir la discusión hacia lo realmente relevante, empezando por la misma teaching note que acompaña al caso. Convertir una tendencia institucional o una necesidad editorial en una descripción uniforme de lo que enseñan todos los profesores y aprenden todos los alumnos me parece, de nuevo, una barbaridad, y más cuando cada vez más profesores construimos nuestros casos con noticias que extraemos de los medios de comunicación más recientes, para así dotar de más relevancia a las discusiones en clase.

En mis más de 35 años de experiencia en IE Business School he conocido profesores con trayectorias y posiciones muy distintas: algunos ultraliberales, sí, pero también socialistas, progresistas y de otras corrientes. Seguro que no todas las escuelas son iguales, e indudablemente, una escuela como IE Business School puede ser un caso relativamente excepcional: el Financial Times nos sitúa en el número uno en enseñanza ESG y net zero en 2024, 2025 y 2026, en diversidad sectorial de los alumnos pasamos del sexto puesto en 2024 al tercero en 2025 y 2026, y la ficha de 2026 registra un 84% de faculty internacional y un 97% de alumnos internacionales. Posiblemente pueda representar un entorno menos «uniforme» que otras escuelas, pero por mi experiencia en universidades como UCLA, Harvard y Oxford diría que no es una diferencia abismal: de ninguna manera me parece que se pueda describir la docencia en estos centros como una doctrina única o monolítica. El retrato que pinta Marquis puede tal vez ser una generalización sobre la experiencia que ha vivido él mismo en Cornell, Harvard y Cambridge, pero nada más.

Precisamente es importante entender que las clases en una escuela de negocios no se parecen en nada a lo que la mayor parte de quienes no conocen ese entorno esperarían: no hay «apuntes», no hay demasiadas «lecciones magistrales», lo que predomina son las discusiones, con muchísima aportación bidireccional. En muchas ocasiones hay que luchar para conseguir que los alumnos dejen de hablar, justo lo contrario a lo que ocurre en la mayoría de los entornos académicos convencionales en los que predomina el monólogo. En ese contexto, en mis sesiones no se esquivan las tensiones entre beneficio, responsabilidad empresarial, desigualdad y límites ecológicos: todo lo contrario, se plantean precisamente para que los alumnos las discutan y formen criterio. Es completamente ridículo suponer que todos mis alumnos salen convertidos en Chicago boys.

De hecho, a los profesores nos preguntan específicamente cada año cuántas sesiones de nuestro programa incluyen contenido relacionado con ESG o con sostenibilidad. En mi última evaluación, había contenidos sobre ESG en 14 de las 15 sesiones de mi programa, y de emergencia climática y soluciones potenciales en 6 de 15. Eso son debates, casos, decisiones o alternativas que tienen lugar de una u otra manera en prácticamente todas las sesiones, en un curso de innovación como el mío, pero en temáticas tan alejadas como operaciones o finanzas también lo he visto. El Financial Times incorpora una categoría de enseñanza sobre ESG en su ranking, y El País explica que el ranking la evalúa y plantea la diferencia entre presencia curricular y transformación real

Mis posturas, además, tienen una trayectoria pública con artículos que utilizo en clase. Si lees algunos de los artículos que he escrito a lo largo del tiempo y que forman parte de mis temarios, te costará mucho reconocer algún tipo de matiz de capitalismo ultraliberal como el que critica Marquis, y sí verás, en cambio, infinidad de ataques directos al capitalismo de vigilancia, a las big tech, a la irresponsabilidad climática, al greenwashing o a la competencia monopolística predatoria. Y viendo las fechas se entiende perfectamente que no es una postura que haya adoptado para responder haciendo cherry-picking, sino que llevo años sosteniéndola. Y como no podía ser de otra manera, porque no doy clase con una careta ni tengo doble personalidad, llevándola también al aula.

Una escuela de negocios debe someterse a examen, precisamente porque sus decisiones importan. Pero para discutir qué debe cambiar, hay que distinguir entre incentivos institucionales, diversidad de docentes, prácticas de aula y resultados de los alumnos. La cuestión no es si las escuelas son perfectas: es qué enseñan, qué silencian y qué espacio dejan para cuestionar el modelo económico dominante. Y sobre todo, hay que tener mucho cuidado con las enmiendas a la totalidad: pueden servir para abrir una discusión, pero no sustituyen el análisis de los incentivos, de las aulas y de la muy necesaria diversidad de las escuelas.

In English on Medium, «Sorry, but it’s a myth that all business schools are temples of neoliberalism«