La decisión de la administración Trump de impedir la autorización de nuevos robots humanoides y cuadrúpedos fabricados fuera de Estados Unidos se presenta, como tantas otras restricciones tecnológicas de los últimos años, envuelta en el lenguaje solemne de la seguridad nacional. La Federal Communications Commission sostiene que esos dispositivos podrían ser utilizados para vigilar, recopilar datos o ser controlados remotamente por actores hostiles. Junto a ellos ha incluido también los inversores conectados, componentes esenciales en instalaciones solares, baterías, centros de datos y redes eléctricas.

De acuerdo en que no es completamente absurdo preocuparse por la seguridad de una máquina equipada con cámaras, micrófonos, sensores, conectividad y capacidad de movimiento: se han documentado vulnerabilidades preocupantes en robots chinos, y Axios recuerda investigaciones sobre una puerta trasera en dispositivos de Unitree. Un robot conectado debe auditarse, someterse a requisitos estrictos de ciberseguridad y ofrecer garantías sobre dónde envía sus datos. Exactamente igual que uno estadounidense o japonés.

Pero eso no es lo que hace la prohibición. La norma no establece un estándar técnico exigente que todos los fabricantes deban superar. No obliga a publicar el software, eliminar conexiones innecesarias, mantener los datos localmente o superar auditorías independientes. El procedimiento para obtener una excepción ni siquiera exige mejorar la seguridad: pide, sobre todo, explicar cómo se trasladará la fabricación a Estados Unidos. La supuesta defensa contra el espionaje termina siendo una política industrial disfrazada.

La magnitud de la debilidad queda clara en las cifras. China controla aproximadamente el 85% del mercado mundial de humanoides. En 2025 se enviaron unos 15,000 robots de este tipo: Unitree y AgiBot superaron cada una las 5,000 unidades, mientras Tesla y Figure AI fabricaron unos pocos cientos o menos, según los datos recogidos por Associated Press. China no solo investiga: fabrica, despliega, aprende y reduce costes. Estados Unidos, mientras tanto, presenta demostraciones, acumula valoraciones astronómicas y escucha a Elon Musk prometer que Optimus será «el mayor producto jamás creado».

En ese contexto, excluir a los competidores chinos tiene un beneficiario evidente. No hace falta imaginar una orden redactada personalmente para proteger a Musk: basta con observar sus efectos. Tesla intenta convertir Optimus en el relato que justifique una parte creciente de su valoración, pero debe competir con fabricantes capaces de producir mucho más, aprender de miles de unidades desplegadas y bajar los precios con una velocidad imposible de igualar desde una fábrica protegida. Prohibir esos robots evita la comparación más incómoda: la que se produce en el mercado.

La cuestión no se limita a los humanoides. Estados Unidos ha levantado barreras contra Huawei, TikTok, drones DJI, vehículos eléctricos, baterías, paneles solares, semiconductores y ahora inversores y robots. Cada producto chino que alcanza una posición competitiva termina reinterpretado como una amenaza existencial. A veces existen riesgos reales, pero la respuesta es siempre la misma: bloquear, sancionar o gravar, en lugar de competir.

Esa estrategia puede ganar tiempo, pero también destruye incentivos. Un mercado protegido permite vender productos más caros, avanzar más lentamente y confundir patriotismo con innovación. Además, priva a investigadores y empresas estadounidenses de plataformas económicas con las que experimentar. La propia Nvidia presentó recientemente un diseño de referencia para humanoides basado en un chasis de Unitree, una colaboración que ahora queda comprometida. La industria estadounidense no solo pierde competidores: pierde herramientas, proveedores y oportunidades de aprendizaje.

Las restricciones tampoco detienen necesariamente a China. Con frecuencia la hacen más autónoma y eficiente. El caso de DeepSeek mostró cómo la escasez de chips avanzados estimuló nuevas técnicas para utilizar mejor los recursos disponibles. Un análisis de Brookings advertía que intentar conservar el liderazgo haciendo tropezar al rival puede producir exactamente el efecto contrario. La historia tecnológica está llena de prohibiciones que sustituyeron una dependencia temporal por un competidor permanente.

La seguridad nacional exige seleccionar cuidadosamente qué tecnologías son críticas, definir riesgos verificables y construir estándares aplicables a todos. Convertir cualquier producto extranjero competitivo en una amenaza es otra cosa: es proteccionismo defensivo y, sobre todo, una señal de miedo.

Una potencia segura de su capacidad abre el mercado, examina los productos, exige garantías y compite. Una potencia que teme perder levanta un muro y afirma que lo hace para proteger a sus ciudadanos. La prohibición de los robots chinos no demuestra que Estados Unidos sea más fuerte. Demuestra que ha empezado a sospechar que, si permite competir a los demás, puede descubrir que ya no lo es.

This article is also available in English on my Medium page, «Washington’s humanoid robot ban Is about competition, not security»

Mi columna de esta semana en Invertia se titula «El imperio de las cajas negras descubre el miedo al código abierto» (pdf), y trata sobre la creciente inquietud con la que las grandes compañías estadounidenses de inteligencia artificial contemplan el avance de los modelos chinos abiertos, más baratos y desarrollados mediante una innovación metodológica que cuestiona la supuesta inevitabilidad de sus gigantescas inversiones en infraestructura.

La cuestión ha provocado una división muy significativa en Silicon Valley. Por un lado, OpenAI y Anthropic intentan convencer a la Administración estadounidense de que determinados modelos chinos deben someterse a restricciones, controles de seguridad o incluso sanciones, con el argumento de que pueden haber sido entrenados mediante procesos ilícitos de destilación. Por otro, compañías como Microsoft, Nvidia, Meta, IBM o Hugging Face han firmado una carta en defensa de los modelos de pesos abiertos, junto con numerosas startups que temen que cualquier prohibición termine consolidando el oligopolio de quienes ya controlan los modelos propietarios.

No estamos ante una discusión entre partidarios ingenuos de la apertura y responsables guardianes de la seguridad. Estamos ante empresas con intereses económicos muy diferentes. OpenAI y Anthropic necesitan preservar como sea la escasez de unos modelos extraordinariamente caros. Nvidia, en cambio, quiere que se ejecuten tantos modelos como sea posible sobre sus procesadores. Microsoft lo mismo,. porque vende la infraestructura necesaria para alojarlos. Meta intenta evitar que la capa de inteligencia de sus productos quede en manos de sus competidores. Hugging Face vive de que los desarrolladores puedan acceder a modelos, modificarlos y desplegarlos libremente. Cada uno tiene su agenda… pero obviamente, no todas las agendas son igual de respetables.

Mientras tanto, China ha convertido la apertura en una estrategia industrial. Modelos como DeepSeek, Qwen, GLM o el reciente Kimi K3 no pretenden simplemente alcanzar una posición destacada en un benchmark, sino conseguir que empresas, universidades y desarrolladores de todo el mundo construyan sobre ellos. Kimi K3, con 2.8 billones de parámetros, una ventana de contexto de un millón de tokens y una arquitectura diseñada para mejorar la eficiencia, se presenta explícitamente como «inteligencia de frontera abierta». Su recepción ha sido tan intensa que Moonshot tuvo que suspender temporalmente nuevas suscripciones por falta de capacidad.

Pero atribuir el avance chino únicamente al código abierto sería un error. Lo verdaderamente relevante es la innovación en estadística, matemáticas y arquitectura. DeepSeek ha popularizado técnicas como GRPO, un método de aprendizaje por refuerzo que permite mejorar el razonamiento comparando grupos de respuestas sin recurrir a un modelo crítico equivalente. A ello se añaden la mezcla de expertos, la atención latente, la predicción de múltiples tokens, la cuantización y una optimización cada vez más sofisticada de memoria, entrenamiento e inferencia.

Moonshot siguió una trayectoria similar con Kimi K2, cuya arquitectura utilizaba mayor dispersión en la mezcla de expertos y un optimizador propio para obtener más rendimiento por token. Kimi K3 profundiza en esa lógica: no se trata simplemente de utilizar menos procesadores, sino de reformular matemáticamente cómo se entrena y ejecuta un modelo.

Las restricciones estadounidenses a la exportación de chips pretendían frenar a China, pero con ello la obligaron a innovar. Cuando una compañía puede solucionar sus problemas comprando decenas de miles de procesadores adicionales, la fuerza que la empuja a replantearse sus métodos es relativamente escasa. Cuando ese hardware no está disponible, la eficiencia deja de ser una virtud y se convierte en una necesidad. En ese sentido, Estados Unidos puede haber creado involuntariamente el entorno que convirtió a China en un laboratorio extraordinariamente fértil de innovación metodológica.

La reacción de algunos laboratorios estadounidenses consiste ahora en intentar trasladar la competición desde el mercado hacia el regulador. La destilación obtenida mediante presunto fraude, incumplimiento contractual o accesos encubiertos debe investigarse, pero resulta difícil ignorar la contradicción de una industria que consideró legítimo entrenar sus modelos con cantidades masivas de textos, imágenes y código ajenos, y que ahora pretende convertir el aprendizaje a partir de los resultados de otros modelos en una presunta forma de espionaje industrial.

Los modelos chinos ya están ganando usuarios entre empresas y desarrolladores estadounidenses, no necesariamente porque sean siempre los mejores, sino porque son suficientemente buenos, baratos, modificables y capaces de ejecutarse sin quedar sometidos permanentemente a una API ajena. En una economía de agentes que trabajan continuamente y consumen millones de tokens, el coste deja de ser un detalle para convertirse en una decisión de arquitectura.

Estados Unidos construyó buena parte de su hegemonía tecnológica sobre internet, Unix, Linux y el conocimiento compartido. Resulta profundamente paradójico que ahora, cuando China ha aprendido a utilizar esa lógica como instrumento de influencia global, Silicon Valley pretenda presentarla como una amenaza. Cerrar el código puede proteger temporalmente los márgenes de algunos grandes laboratorios, pero difícilmente protegerá el liderazgo de un país cuya mayor ventaja histórica fue precisamente la capacidad de crear ecosistemas abiertos.

This article is also available in English on my Medium page, «Why Big AI wants to ban what it once championed»

Durante décadas, que una compañía tecnológica china aspirase a cotizar en bolsa significaba casi automáticamente mirar hacia Nueva York. El Nasdaq y el New York Stock Exchange ofrecían algo difícil de reproducir: capital abundante, liquidez, analistas especializados, inversores institucionales globales y, sobre todo, la legitimidad simbólica de haber sido admitida en el corazón financiero de los Estados Unidos. Compañías chinas como Alibaba, Baidu, JD.com o Pinduoduo siguieron ese camino. Hoy, en cambio, algunas de las compañías que encarnan la nueva frontera tecnológica china parecen estar mirando en la dirección opuesta.

Unitree, convertida en uno de los nombres de referencia de la robótica humanoide, presentó en marzo su solicitud para cotizar en el STAR Market de Shanghái y captar 4,202 millones de yuanes. La compañía ha vendido ya más de 5,500 robots humanoides en 2025, aunque el 74% de sus ventas sigue teniendo como destino universidades, centros de investigación y desarrolladores: el mercado está financiando una frontera tecnológica, no una industria madura. Moonshot AI, creadora de Kimi K3, prepara también una salida a bolsa, aunque en su caso el destino previsto es otra bolsa china, Hong Kong, no Shanghai. Y DeepSeek estudia una colocación en Shanghai para 2027.

No estamos, por tanto, ante un movimiento uniforme hacia una única bolsa, sino ante algo más interesante: la reconstrucción de un sistema chino de financiación tecnológica articulado entre Shanghai, Shenzhen y Hong Kong, y progresivamente menos dependiente de Wall Street. Hong Kong proporciona acceso al capital internacional y un marco jurídico familiar para muchos inversores; Shanghai y Shenzhen movilizan el enorme ahorro doméstico de la sociedad china y permiten al gobierno orientar ese capital hacia las industrias que considera estratégicas.

La tendencia ya aparece reflejada en los datos. Según Reuters, casi cincuenta compañías chinas de semiconductores, robótica e inteligencia artificial han solicitado salir a bolsa en Shanghai o en Shenzhen, con planes para captar el equivalente a unos 18,700 millones de dólares. Las tecnológicas habían recaudado hasta mediados de junio más de cinco veces lo obtenido un año antes. Beijing, además, está modificando las reglas del STAR Market para facilitar la llegada de compañías de modelos fundacionales y otras tecnologías consideradas estratégicas, incluso cuando todavía no presentan beneficios.

Esto no es simplemente una decisión financiera: es política industrial. Como ya comentaba hace pocos días al analizar Kimi K3, China ya no cuenta como una excepción aislada, sino como un ecosistema capaz de convertir restricciones, eficiencia, apertura y escala de fabricación en ventajas competitivas. Si el país pretende construir autonomía en inteligencia artificial, semiconductores y robótica, resulta completamente lógico y previsible que intente controlar también el circuito que transforma esas innovaciones en capital.

Financiar en Nueva York una compañía considerada estratégica implica someterla a supervisión estadounidense, recurrir en muchos casos a complejas estructuras offshore y aceptar que cualquier deterioro geopolítico pueda convertirse en una amenaza existencial. La Holding Foreign Companies Accountable Act llegó a plantear precisamente ese riesgo: si las autoridades estadounidenses no podían inspeccionar adecuadamente las auditorías, una empresa podía terminar expulsada de los mercados norteamericanos. El posterior acceso de la PCAOB a las auditoras chinas redujo el peligro inmediato, pero no eliminó la lección. Para una compañía china, cotizar en los Estados Unidos ya no es una decisión puramente económica.

Ahora bien, pretender que Shanghai pueda compararse con Wall Street sería absurdo. Según la World Federation of Exchanges, la capitalización doméstica de Shanghai rondaba en junio los diez billones de dólares, frente a 43.6 billones del Nasdaq y 33.3 billones del New York Stock Exchange. Pero mucho más revelador: Shanghai contabilizaba 2,314 compañías domésticas y ninguna extranjera, mientras el Nasdaq albergaba 1,093 empresas extranjeras y el New York Stock Exchange, 562. Shanghai es un mercado gigantesco, pero todavía no es para nada un mercado internacional.

La diferencia no está únicamente en el tamaño: está en factores como la convertibilidad de la moneda, la libertad de movimiento del capital, la previsibilidad regulatoria, la protección del accionista, la transparencia y la posibilidad de entrar y salir sin que la política industrial altere las reglas. China ha creado programas para inversores extranjeros y certificados de depósito que conectan Shanghai con otras bolsas internacionales, pero eso sigue siendo una puerta administrada, no una plaza completamente abierta.

¿Podría cambiar? Por supuesto. Hace veinte años también parecía improbable que empresas chinas pudieran competir en vehículos eléctricos, drones, telecomunicaciones, baterías o inteligencia artificial. El error habitual consiste en confundir una limitación actual con una imposibilidad estructural. Si China liberaliza gradualmente su cuenta de capital, refuerza la independencia y credibilidad de sus instituciones financieras y consigue que el renminbi adquiera un papel internacional mucho mayor, Shanghai podría convertirse en un destino atractivo para empresas extranjeras que quisieran captar ahorro chino, mejorar su visibilidad local o financiar su expansión en Asia.

Ese escenario, en cualquier caso y salvo que ocurriera un desastre de proporciones trumpianas, no adoptaría la forma de una sustitución. No cabe esperar que las compañías internacionales abandonen Nueva York para mudarse en bloque a Shanghai. Lo más plausible sería un mundo de cotizaciones múltiples, certificados de depósito y mercados conectados, en el que una empresa eligiese dónde captar capital según sus clientes, su cadena de suministro y su exposición geopolítica. Hong Kong previsiblemente actuaría como interfaz, Shanghai, como gran reserva de ahorro doméstico, y Nueva York seguiría siendo el mercado global más profundo.

La idea de que Shanghai pueda desafiar algún día a Wall Street no es, de todas formas, ninguna locura. La locura sería creer que basta con acumular capitalización bursátil. Una bolsa global no se construye únicamente con dinero y empresas espectaculares, sino con confianza, reglas estables y libertad de acceso. China ya está creando las compañías que podrían atraer al mundo. Lo que todavía debe decidir es si está dispuesta a crear también el mercado en el que el mundo quiera invertir. Espera que no se lo propongan…

This article is also available in English on my Medium page, «Shanghai may not be Wall Street yet, but China is playing a longer game»

Hay imágenes que resumen una época. Durante décadas, una de ellas ha sido la parte trasera de un armario de centro de datos: una maraña de cables de colores, cuidadosamente etiquetados en el mejor de los casos, cruzándose entre servidores, conmutadores, fuentes de alimentación y sistemas de almacenamiento. Para el visitante ocasional puede resultar incluso pintoresca. Para quien tiene que instalar, mantener o reparar esos equipos, es la representación física de una pesadilla: miles de conexiones, recorridos difíciles de seguir y demasiadas oportunidades para que algo salga mal.

La nueva plataforma Vera Rubin de Nvidia introduce una idea aparentemente modesta, pero con implicaciones enormes: una bandeja de computación prácticamente sin cables. El diseño anterior podía necesitar entre cincuenta y sesenta cables internos; el nuevo conserva únicamente dos conexiones externas visibles, una de alimentación y otra de red. El resto se sustituye por un conector central, o midplane, que integra la comunicación entre componentes. El cambio reduce un montaje de dos o tres horas a unos cinco minutos y eleva radicalmente la probabilidad de que el sistema funcione correctamente a la primera.

Lo interesante, claro, no es que el equipo quede más bonito. Lo interesante es que Nvidia ha entendido que, cuando la computación se desplaza desde la escala del servidor a la escala del rack, el cable deja de ser un accesorio y se convierte en una limitación arquitectónica. Cada conexión añade pasos de montaje, mano de obra, espacio, peso, resistencia eléctrica, calor y un posible punto de fallo. Multiplicado por miles de armarios y decenas de miles de aceleradores, aquello que parecía un detalle termina condicionando la economía completa del centro de datos.

Nvidia afirma que el diseño modular sin cables de Vera Rubin permite acelerar hasta dieciocho veces el montaje y el mantenimiento frente a Blackwell. Esa cifra debe leerse como una afirmación del fabricante, pero la lógica que la sostiene es difícil de discutir: lo que no hay que enchufar tampoco puede enchufarse mal, aflojarse, dañarse, confundirse o bloquear el acceso a otro componente. En un sector en el que el Uptime Institute estima que el error humano interviene de alguna forma en alrededor de dos tercios de las interrupciones, simplificar físicamente el sistema no es una cuestión de comodidad, sino de fiabilidad.

Los cables también interfieren con la refrigeración. En los centros de datos refrigerados por aire, cualquier obstáculo altera los flujos, genera zonas calientes y obliga a mover más aire para extraer la misma cantidad de calor. Datacenter Dynamics lleva años señalando que la gestión del cableado influye en la eficiencia de la refrigeración y, por tanto, en el PUE, la métrica que compara la energía total consumida por una instalación con la utilizada realmente por sus equipos informáticos. No todos los cables provocan por sí solos un desastre térmico, pero una infraestructura congestionada dificulta conseguir flujos predecibles precisamente cuando la densidad energética está creciendo de manera extraordinaria.

Aquí aparece la auténtica clave de la arquitectura Vera Rubin: la eliminación de cables es posible porque Nvidia ha eliminado también los ventiladores de la bandeja y ha pasado a refrigeración líquida. Liberado el espacio que antes necesitaban el aire y sus conductos, la compañía pudo introducir el conector central. Una innovación habilita la siguiente. El resultado muestra por qué el futuro de la computación no puede diseñarse optimizando piezas por separado: procesadores, interconexión, alimentación, refrigeración, fabricación y mantenimiento tienen que concebirse como un único sistema.

Ese mismo principio está llevando la luz cada vez más cerca de los chips. El Open Compute Project explica que las interconexiones ópticas de corto alcance buscan ofrecer comunicaciones de mayor velocidad y menor consumo entre computación, memoria y almacenamiento. Nvidia, por su parte, incorpora óptica coempaquetada en sus sistemas Spectrum-X y sostiene que puede obtener cinco veces más eficiencia energética y mucha mayor disponibilidad que con métodos tradicionales. El cobre seguirá siendo útil en conexiones cortas y económicas, pero, a medida que aumentan la velocidad y la distancia, necesita más energía para mantener la integridad de la señal. La fotónica no elimina los cables: transforma su naturaleza, reduce electrónica intermedia y acerca la conversión óptica al lugar donde se generan los datos.

Conviene, por tanto, no confundir una bandeja «sin cables» con un centro de datos inalámbrico. Los grandes complejos de inteligencia artificial seguirán conteniendo enormes cantidades de fibra, alimentación y tuberías de refrigeración, pero la dirección es inequívoca: menos conexiones discretas, más integración, módulos intercambiables, barras de distribución, backplanes, óptica integrada y arquitecturas diseñadas para ensamblarse y repararse casi como bloques.

Durante años hemos evaluado los avances informáticos contando transistores, operaciones por segundo o parámetros de modelos. Quizá deberíamos empezar también a contar conectores. La inteligencia artificial exige infraestructuras cada vez más grandes, pero hacerlas más grandes sin hacerlas inmanejables requiere reducir su complejidad física. El cable, humilde, ubicuo y aparentemente inevitable, puede haberse convertido en uno de los principales enemigos de la escalabilidad.

La mejor tecnología no siempre es la que añade algo. A veces es la que consigue que algo que parecía imprescindible, como los cables, dejen de estar ahí dando la lata y se puedan hacer las cosas más sencillas.

This article is also available in English on my Medium page, «The most revolutionary part of Nvidia’s new AI platform isn’t the GPU«

Meta ha decidido finalmente que Instagram retirará de sus redes los vídeos grabados con sus gafas inteligentes cuando se utilicen para acosar a desconocidos, gastar bromas humillantes a trabajadores de servicios o abordar a mujeres que ni siquiera saben que están siendo filmadas. Adam Mosseri, responsable de Instagram, afirma que la compañía no quiere que nadie grabe subrepticiamente a otras personas, las acose y después publique el resultado en su plataforma. La frase suena razonable. El problema es que llega después de que Meta haya diseñado, fabricado, promocionado y distribuido masivamente el instrumento perfecto para hacer exactamente eso.

No estamos ante una desviación extravagante ni ante un uso imposible de prever. Estamos ante la consecuencia lógica del producto. Unas gafas de aspecto completamente normal, con una cámara integrada, grabación en manos libres, conexión directa con las redes sociales y un diminuto indicador luminoso que puede pasar inadvertido a plena luz del día reducen radicalmente el coste de convertir a cualquier desconocido en contenido. Si además la plataforma recompensa la sorpresa, la provocación, la humillación y la reacción espontánea mediante visualizaciones, seguidores y dinero… sorpresa! El resultado no requiere demasiada imaginación.

En septiembre de 2021, cuando Facebook lanzó las primeras Ray-Ban Stories, escribí que poner una cámara prácticamente invisible en unas gafas normales era una irresponsabilidad, especialmente viniendo de la compañía con peor historial imaginable en materia de privacidad. El LED ya era entonces una solución cosmética: no avisaba de forma comprensible, simplemente permitía a la empresa afirmar que había avisado. En junio de 2025 volví a describir estas gafas como el último caballo de Troya de la vigilancia ubicua: un intento de normalizar la captura permanente del entorno presentándola como comodidad, inteligencia artificial y diseño atractivo.

Ahora, Business Insider documenta la proliferación de bromistas que importunan a dependientes y de supuestos seductores que graban sus aproximaciones a mujeres sin que ellas lo sepan. The Verge resume perfectamente la paradoja: Meta ha creado un producto que facilita conductas tan repulsivas que después se ve obligada a prohibir en su propia plataforma los vídeos que genera. No es una política de prevención: es una operación de control de daños para impedir que las ya conocidas como «pervert glasses» arruinen una categoría de producto en la que la compañía ha invertido enormes cantidades de dinero. ¿Quieres probar unas gafas inteligentes? Tú mismo, pero ya sabes cómo te van a percibir los que te rodean. No es de extrañar que Apple haya retrasado el lanzamiento de las suyas…

Las conductas, además, no aparecieron ayer. Ya en marzo, Business Insider había comprobado que una parte significativa del contenido grabado con estas gafas consistía en trolear a trabajadores, incomodar a desconocidos o abordar a mujeres. Los afectados no mostraban la reacción típica de quien sabe que tiene delante una cámara porque, sencillamente, no lo sabían. Esa naturalidad involuntaria es precisamente el valor del producto para el acosador: no documenta una interacción, sino que explota la ignorancia de una de las partes para monetizarla.

Meta insiste en que las gafas tienen un indicador luminoso y acaba de anunciar que desactivará la cámara si detecta que ese LED ha sido manipulado. Pero ese argumento confunde deliberadamente señalización con consentimiento. Una lucecita minúscula cuyo significado la mayoría de la población desconoce no equivale a preguntar a alguien si acepta ser grabado, convertido en personaje involuntario de una broma y expuesto ante millones de personas. Tampoco resuelve el problema de quien no ve la luz, no sabe interpretarla o descubre la grabación cuando ya ha sido publicada, copiada y redistribuida.

La propia Meta asegura ahora, en una página de preguntas y respuestas cuidadosamente redactada, que la privacidad de quienes rodean al usuario constituye una prioridad y que ningún otro fabricante ha hecho tanto para impedir la manipulación del indicador. Es la clásica defensa basada en comparar el producto con cámaras convencionales, ignorando que una cámara convencional suele ser visible, reconocible y socialmente interpretable. Las gafas, en cambio, están diseñadas precisamente para borrar esas señales y hacer que grabar parezca indistinguible de mirar.

La Electronic Frontier Foundation lleva años advirtiendo que unas gafas con cámara, micrófonos e inteligencia artificial convierten el espacio público en una zona de vigilancia potencialmente permanente. En 2026 aconsejó directamente pensárselo dos veces antes de comprar unas Ray-Ban de Meta, y denunció además la aparición de código de reconocimiento facial en la aplicación asociada a las gafas, retirado únicamente después de que la investigación se hiciera pública. La secuencia es demasiado familiar: diseñar primero, negar o minimizar después y corregir únicamente cuando llega el escándalo.

La cuestión esencial no es si Meta puede redactar una norma que distinga una grabación inocente de un acoso, ni si sus sistemas serán capaces de identificar automáticamente qué vídeo se obtuvo con unas gafas. El problema es que la compañía pretende externalizar la moral que decidió no incorporar al producto. Fabrica una herramienta orientada a capturar y compartir sin fricción, la inserta en una plataforma que monetiza la atención y espera que sus usuarios desarrollen espontáneamente las restricciones éticas que ella misma se negó a imponer.

Una compañía con brújula moral habría partido del principio contrario: la persona grabada debe saberlo de manera inequívoca, comprenderlo y poder negarse, la publicación de desconocidos identificables debería exigir garantías adicionales, y el diseño tendría que dificultar, no facilitar, la grabación encubierta. Meta hizo exactamente lo contrario porque cualquier fricción reduce el uso, el contenido y, por tanto, el negocio.

Cuando una empresa construye sus productos alrededor de la extracción de datos, la maximización de la interacción y la eliminación de fricciones, el acoso no aparece como una anomalía: aparece como una oportunidad de engagement. Después llegan Mosseri, las políticas y los comunicados sobre privacidad responsable. Pero la ética no se instala mediante una actualización cuando el escándalo amenaza las ventas. Se incorpora en el diseño antes de lanzar el producto.

Meta no está descubriendo ahora que algunas personas son imbéciles. Está descubriendo que, cuando una compañía sin brújula moral entrega a millones de usuarios una cámara disimulada y les ofrece recompensas por explotar a los demás, algunos hacen exactamente lo que el sistema les invita a hacer. Lo sorprendente no es que haya ocurrido. Lo sorprendente es que Meta pretenda todavía presentarse como parte de la solución.

This article is also available in English on my Medium page, «Meta’s moral blind spot comes into focus»

Durante años, ASML ha sido presentada como el ejemplo perfecto de soberanía tecnológica europea: una empresa neerlandesa capaz de fabricar la máquina más compleja del mundo, imprescindible para producir los chips más avanzados y, por tanto, situada en uno de los escasos cuellos de botella verdaderamente estratégicos de la economía global. Pero un cuello de botella solo conserva su valor mientras nadie aprende a rodearlo. Y todo indica que China está dedicando cantidades enormes de dinero, talento y paciencia precisamente a eso.

La información más reciente no demuestra que China posea ya una máquina de litografía ultravioleta extrema comparable a las de ASML. Demuestra algo quizá más importante: que ha dejado de considerar esa dependencia como permanente. Según The Economist, el país habría avanzado en un prototipo capaz de generar luz EUV, mientras otras investigaciones describen un programa coordinado, casi de escala nacional, que combina centros públicos, empresas vinculadas a Huawei, antiguos empleados de ASML y una política agresiva de captación de especialistas.

Tener una fuente de luz no equivale a fabricar chips: faltan ópticas de precisión, máscaras, metrología, control de vibraciones, software y, sobre todo, la capacidad de hacer que más de cien mil componentes funcionen juntos con fiabilidad industrial. Pero el tabú ya se ha roto.

Mientras tanto, China ya ha sido capaz de fabricar chips por debajo de 8 nanómetros sin EUV. SMIC produjo procesadores de clase 7 nm usando máquinas más antiguas basadas en DUV de ASML y mediante exposiciones múltiples, y el análisis del Kirin 9030 realizado por TechInsights muestra un proceso N+3 que se aproxima a la categoría de 5 nm, aunque con menor densidad, rendimiento y eficiencia que los procesos equivalentes de TSMC o Samsung. El Financial Times ha explicado además que SMIC está probando equipos DUV desarrollados en China y que algunas de esas máquinas podrían entrar en producción hacia 2027. Por tanto, la pregunta no es si China será capaz de fabricar chips inferiores a 8 nm: ya lo hace. La pregunta no es si se puede hacer, sino cuándo podrá hacerlo a gran escala, con buenos rendimientos y sin depender de equipos occidentales.

Mi estimación es que China puede consolidar una producción doméstica razonable de 7 nm y derivados durante los próximos dos o tres años, y alcanzar procesos comparables a 5 nm mediante DUV, diseño conjunto y empaquetado avanzado, aunque a un coste elevado. Una EUV china realmente competitiva parece más probable hacia 2029 o comienzos de la década siguiente que en 2027 o 2028. El prototipo puede llegar antes, pero la producción masiva, estable y económicamente viable es otra historia. ASML tardó décadas en construir su ecosistema, y su ventaja no reside únicamente en una patente o en una pieza, sino en miles de proveedores, conocimientos acumulados y ciclos de aprendizaje imposibles de copiar de golpe.

Sin embargo, las sanciones han convertido esa dificultad en una prioridad existencial. El estudio del CSIS sobre los controles de exportación muestra que han retrasado a China y alterado sus compras, pero también han concentrado recursos en la sustitución nacional. Este es el problema clásico de las guerras tecnológicas: funcionan durante un tiempo, pero enseñan al adversario exactamente de qué debe independizarse. Estados Unidos ha utilizado a ASML como instrumento de su estrategia, y Europa ha aceptado sacrificar su mercado, autonomía política y relaciones comerciales para preservar una ventaja cuya erosión era, precisamente por esa presión, cada vez más inevitable. Obviamente, para los Estados Unidos es muy fácil jugar con las cuentas de resultados de compañías que no influyen en su PIB.

¿Sería malo para Europa que China consiguiera fabricar su propia EUV? Para ASML, indudablemente supondría perder parte de un mercado gigantesco (al que, en cualquier caso, no puede tener acceso por culpa del bloqueo impuesto por los Estados Unidos) y, a largo plazo, enfrentarse a un competidor subsidiado. Para Europa, sería también la demostración de que haber cedido el control de uno de sus mayores activos estratégicos a Washington fue un error monumental. Pero para el mundo, el balance es más ambiguo. Una segunda fuente de maquinaria avanzada reduciría un monopolio extremadamente frágil, diversificaría cadenas de suministro y disminuiría la dependencia de Taiwán. También abarataría tecnología y aceleraría la difusión de capacidad de computación.

El riesgo, naturalmente, es que esa capacidad alimente aplicaciones militares, vigilancia y una carrera armamentística tecnológica. Pero fingir que el monopolio occidental evita esos riesgos resulta cada vez menos convincente. La proliferación puede gestionarse mediante acuerdos, controles multilaterales y reglas verificables; intentar congelar indefinidamente la evolución tecnológica de una potencia como China solo garantiza más secretismo, más nacionalismo industrial y menos cooperación.

Europa debería aprender la lección antes de que sea demasiado tarde. Su ventaja no consiste en conservar eternamente una máquina que nadie más pueda fabricar, sino en seguir innovando más deprisa que quienes intentan alcanzarla. ASML, de hecho, no está esperando inmóvil: ya ha comenzado la transición hacia la litografía EUV High-NA, una nueva generación de máquinas que eleva la apertura numérica de 0.33 a 0.55 y permite imprimir estructuras aproximadamente 1.7 veces más pequeñas, con una densidad potencial casi tres veces mayor. Son equipos extraordinariamente caros y complejos, cuya adopción industrial será gradual, pero que vuelven a desplazar la frontera tecnológica. China, por tanto, no intenta alcanzar un objetivo estático: trata de reproducir la EUV convencional mientras ASML avanza hacia su siguiente generación.

La paradoja es evidente: al intentar impedir que China obtuviera la máquina más importante del mundo, Occidente puede haber conseguido que China decidiera construirla. Y cuando lo logre, el verdadero perdedor no será quien llegó tarde, sino quien creyó que podía detener el tiempo.

This article is also available in English on my Medium page, «The West may have created ASML’s biggest competitor»

Los titulares no podían ser más tentadores: una inteligencia artificial de OpenAI «se volvió rebelde«, escapó de su entorno de pruebas y hackeó Hugging Face. La formulación evoca voluntad propia, desobediencia y un primer ensayo de Skynet. Pero lo ocurrido es, a la vez, menos cinematográfico y bastante más importante: no hay evidencia de una máquina consciente que decidiera atacar a nadie, sino de un sistema extremadamente competente que persiguió un objetivo mal delimitado dentro de una infraestructura insuficientemente aislada.

Según la explicación conjunta de OpenAI y Hugging Face, dos modelos avanzados estaban siendo evaluados en ExploitGym, un entorno diseñado para medir capacidades de explotación informática. Para estimar su máximo rendimiento, OpenAI había reducido algunas salvaguardas y colocado los modelos en un supuesto sandbox. Sin embargo, ese recinto conservaba acceso a un servicio interno utilizado para instalar paquetes. El modelo encontró una vulnerabilidad desconocida, salió a internet, escaló privilegios y concluyó que Hugging Face podía contener información útil para superar la prueba. Después combinó credenciales comprometidas y varias vulnerabilidades hasta acceder a sistemas reales.

Eso es lo que significa aquí going rogue: no una rebelión, sino una divergencia entre la intención humana y la estrategia elegida por el agente. El sistema no abandonó su objetivo; lo cumplió con excesiva literalidad. Se le pidió resolver un desafío de intrusión y descubrió que robar las respuestas era más eficaz que resolverlo. Es un caso del llamado reward hacking o specification gaming: optimizar la métrica utilizada para representar una tarea, aunque el resultado contradiga el propósito de esa tarea.

La distinción es fundamental. Hablar de una inteligencia artificial «fuera de control» permite presentar el episodio como un misterio inherente a la máquina. Pero aquí hay, como mínimo, tres fallos superpuestos. Un fallo de producto, porque el objetivo no incorporaba adecuadamente sus límites. Un fallo de infraestructura, porque el supuesto aislamiento contenía una vía de salida. Y un fallo de gobernanza, porque un agente especializado en descubrir vulnerabilidades pudo ejecutar miles de acciones contra infraestructura real sin que una política determinista interrumpiera la secuencia. Algunos expertos han insistido precisamente en ese componente humano: un sandbox conectado indirectamente a internet no era tan aislado como sus operadores creían.

Conviene mantener también una saludable dosis de escepticismo frente al relato corporativo. OpenAI tiene incentivos evidentes para presentar el incidente como prueba de capacidades extraordinarias: un modelo tan poderoso que incluso sus creadores tienen dificultades para contenerlo. Esa narrativa alimenta simultáneamente el temor, la fascinación y la idea de que solo unas pocas grandes compañías pueden desarrollar estos sistemas con seguridad. Pero la cuestión verdaderamente incómoda no es si la máquina «quiso escapar», sino por qué se ejecutó una evaluación ofensiva con salvaguardas reducidas y con una conexión explotable hacia infraestructura real.

El episodio anticipa un cambio mucho más profundo en el mercado. Durante los últimos años, la conversación se ha centrado casi exclusivamente en qué modelo era más inteligente, razonaba mejor o encabezaba determinado benchmark. Pero cuando un modelo deja de limitarse a responder y empieza a utilizar herramientas, consultar bases de datos, modificar software, mover información o delegar tareas, la inteligencia deja de ser la única variable relevante. Importa sobre todo qué puede tocar, qué puede cambiar, a quién puede pedir nuevas credenciales, cuándo debe detenerse y cómo puede reconstruirse lo que hizo.

En el futuro de la inteligencia artificial corporativa, como ya he escrito en múltiples ocasiones, el modelo será una pieza intercambiable dentro de un sistema mucho más amplio. El verdadero valor no reside únicamente en disponer del modelo más capaz, sino en construir un entorno que traduzca la organización en algo ejecutable: objetivos explícitos, perímetros de actuación, memoria auditable, permisos, condiciones de parada, intervención humana y capacidad de recuperación. Los próximos grandes fallos de la inteligencia artificial probablemente no procederán de respuestas absurdas, sino de bucles muy eficaces que optimicen el indicador equivocado durante demasiado tiempo.

Las barreras diseñadas para un chatbot son claramente insuficientes para un agente. Un filtro que evita que una conversación produzca instrucciones peligrosas sirve de poco cuando el sistema puede encadenar miles de acciones, adaptar su estrategia tras cada fallo y descubrir rutas que ningún desarrollador había anticipado. La seguridad tiene que abandonar la lógica de «pregunta y respuesta» y adoptar la de ejecución continua: identidad verificable para cada agente, privilegios mínimos, políticas aplicadas antes de cada acción, registros resistentes a manipulaciones y mecanismos capaces de detener, revertir y atribuir responsabilidades. La nueva iniciativa de estándares para agentes del NIST se orienta precisamente hacia problemas como autenticación, identidad, interoperabilidad, evaluación y seguridad de agentes.

Esto también debería modificar los criterios de compra de las empresas. Comparar proveedores exclusivamente por sus resultados en exámenes artificiales empieza a tener tan poco sentido como elegir un automóvil atendiendo únicamente a su velocidad máxima. Una organización debería preguntar por la granularidad de los permisos, la trazabilidad de cada acción, la separación entre entornos, la recuperación tras fallos, el control de credenciales y la posibilidad de imponer políticas que el propio modelo no pueda modificar. Un agente más inteligente pero opaco, irreproducible e imposible de detener puede ser económicamente mucho menos valioso que otro algo menos capaz, pero predecible y gobernable.

El incidente acelerará previsiblemente la demanda de herramientas de observabilidad, seguridad y gobierno específicamente diseñadas para agentes. También puede desplazar parte del valor económico desde el acceso al modelo hacia la infraestructura que lo rodea: sistemas de autorización, motores de políticas, registros verificables, simuladores, supervisión de bucles y capas de recuperación. La próxima gran ventaja competitiva podría no ser simplemente una inteligencia superior, sino la capacidad de convertirla en acción controlada.

La explicación de Hugging Face añade una paradoja especialmente interesante: algunas herramientas comerciales se negaron inicialmente a ayudar a analizar el ataque porque sus salvaguardas confundían la investigación defensiva con actividad ofensiva. Hugging Face terminó recurriendo localmente a un modelo abierto y menos restringido. Esto no demuestra que los modelos abiertos sean intrínsecamente más seguros, pero sí que los defensores necesitan herramientas suficientemente potentes y controlables para no quedar en desventaja frente a atacantes que, obviamente, no respetarán ninguna limitación comercial.

La conclusión razonable no es anunciar el nacimiento de una voluntad artificial hostil: es reconocer que los agentes deben tratarse como actores capaces de producir efectos reales. Las empresas no los desplegarán masivamente simplemente porque sean más inteligentes, sino cuando el sistema que los rodea pueda demostrar fiabilidad, responsabilidad y valor económico. La inteligencia artificial, por mucho que en OpenAI quieran hacerse fantasías con «oh, dios mío, es que es tan potente que no podemos controlarla», no se rebeló: encontró una puerta que habían dejado abierta, y simplemente siguió optimizando, mientras en OpenAI la dejaban irresponsablemente actuar durante varios días. El problema no fue que dejara de obedecer. Fue que obedeció a un objetivo sin comprender todo lo que nosotros creíamos haber incluido en él.

This article is also available in English on my Medium page, «OpenAI and Hugging Face’s «rogue AI» wasn’t the story. Agent security is.»

Durante las últimas semanas, la conversación sobre inteligencia artificial ha empezado a desplazarse de los prompts a los bucles.

Es un cambio importante. Un prompt pide una respuesta. Un bucle crea comportamiento. Observa, actúa, comprueba, reintenta, aprende y repite. Por eso el reciente interés en la “ingeniería de bucles (loop engineering)” importa: señala que la unidad de valor de la inteligencia artificial ya no es la respuesta aislada, sino el sistema que mejora mediante la iteración.

En un artículo anterior, comenté que esto convierte los bucles de aprendizaje corporativos en un problema de gobernanza. ¿Un bucle puede equivocarse y desaparecer? No, ese era el viejo mundo de los prompts. Un bucle puede equivocarse y acumular efectos. Puede optimizar una métrica, remodelar un proceso, crear incentivos y enseñar lentamente a la organización a comportarse de otra manera.

Pero ese argumento deja abierta una pregunta más profunda: si los bucles necesitan ser gobernados, ¿qué los gobierna exactamente? La respuesta no puede ser simplemente “los humanos”. Los humanos importan, pero una persona que aprueba outputs aislados no puede gobernar un sistema que aprende continuamente a velocidad de máquina. Tampoco puede ser simplemente “las políticas”. Las políticas escritas en documentos no constriñen automáticamente el comportamiento adaptativo. Ni puede ser “los cuadros de mando”, porque los cuadros de mando suelen mostrar lo que ya ha ocurrido, mientras los bucles están cambiando constantemente lo que ocurrirá a continuación.

Para gobernar bucles de aprendizaje, una empresa necesita algo más fundamental: un modelo de sí misma, lo que conocemos como un «modelo del mundo» o «world model«.

Los bucles necesitan un mapa

Todo bucle optimiza dentro de alguna comprensión del mundo. En un entorno de programación, ese mundo puede ser el repositorio, los tests, el sistema de compilación, la documentación y el gestor de incidencias. El bucle escribe código, comprueba si los tests pasan, pide a otro agente que revise los cambios y continúa hasta completar la tarea.

Eso es útil. Pero una empresa no es un repositorio. Una empresa es un sistema de clientes, productos, contratos, empleados, proveedores, políticas, permisos, incentivos, procesos, excepciones, riesgos, obligaciones y resultados. Si un bucle de inteligencia artificial opera dentro de ese entorno sin entender su estructura, no se convierte en inteligencia corporativa. Se convierte en optimización local automatizada. Y la optimización local suele ser enemiga de la inteligencia organizativa.

Un bucle de ventas puede optimizar la conversión mientras deteriora la confianza a largo plazo. Un bucle de soporte puede optimizar el tiempo de resolución mientras aumenta la rotación de clientes. Un bucle de compras puede optimizar el precio mientras debilita la resiliencia. Un bucle de contratación puede optimizar la retención mientras reduce la diversidad de pensamiento. Un bucle de cumplimiento puede optimizar la reducción del riesgo mientras paraliza la innovación. Cada bucle puede parecer exitoso según su propia métrica. La empresa, en conjunto, puede empeorar.

Por eso gobernar bucles exige un mapa del terreno en el que operan. No un organigrama estático. No un modelo operativo en PowerPoint. No una lista de aplicaciones. Un modelo vivo de la empresa.

La memoria no basta

Gran parte de la conversación actual sobre inteligencia artificial utiliza la palabra “memoria” de una forma demasiado laxa. La memoria importa. Un sistema que lo olvida todo no puede gobernar nada. Pero la memoria, por sí sola, no es un modelo. Una memoria puede decirte qué ocurrió. Un modelo te dice qué puede ocurrir, qué debería ocurrir, qué está permitido que ocurra y cuáles pueden ser las consecuencias.

Esta distinción es central. Un modelo del mundo corporativo debe representar mucho más que interacciones pasadas. Debe representar las entidades sobre las que actúa la empresa, los estados que esas entidades pueden ocupar, las relaciones entre ellas, los permisos que constriñen la acción, los procesos que transforman estados, las métricas que definen el éxito y las dependencias que hacen que una acción afecte a otra.

Un cliente no es simplemente un fragmento de texto en una nota de CRM. Un contrato no es simplemente un documento. Un reembolso no es simplemente un evento. Un umbral de riesgo no es simplemente una frase en un manual de políticas. Un workflow no es simplemente una secuencia de tareas. Son objetos estructurados dentro de la realidad de la empresa.

Por eso el paso de la ingeniería de prompts a la ingeniería de contexto es significativo. El equipo de ingeniería de Anthropic ha defendido que el reto ya no consiste solo en formular instrucciones, sino en gestionar el contexto que rodea al modelo: herramientas, datos externos, historial de mensajes, instrucciones y entorno. Es un paso útil. Pero para la inteligencia artificial empresarial, el contexto debe ir todavía más lejos. Debe convertirse en un modelo estructurado de la realidad organizativa.

Sin eso, cada bucle tiene que reconstruir la empresa a partir de fragmentos. Y cuando cada bucle reconstruye la empresa por separado, la gobernanza se vuelve imposible.

El modelo del mundo es la capa de gobernanza

La gobernanza de la inteligencia artificial se escribe hoy, en su mayor parte, como si las organizaciones estuvieran gobernando herramientas: se evalúa un modelo, se aprueba un caso de uso, se asigna un nivel de riesgo, se documenta un proceso de cumplimiento y el sistema entra en producción. Ese enfoque ya tiene dificultades con los agentes. Pero con los bucles de aprendizaje, se vuelve ya completamente insuficiente.

El AI Risk Management Framework del NIST se organiza en torno a gobernar, mapear, medir y gestionar riesgos de inteligencia artificial. El Reglamento Europeo de inteligencia artificial exige monitorización posterior a la comercialización para sistemas de inteligencia artificial de alto riesgo, incluyendo la recopilación y análisis de datos de rendimiento durante toda su vida útil. La norma ISO/IEC 42001 define requisitos para establecer, mantener y mejorar continuamente un sistema de gestión de inteligencia artificial.

La dirección está clara: la gobernanza de la inteligencia artificial tiene que volverse continua. Pero la gobernanza continua no puede ocurrir en abstracto. Para gobernar, hay que saber sobre qué está actuando el sistema, qué estado está cambiando, qué restricciones se aplican, qué objetivo persigue y cómo esa acción afecta a otras partes de la organización.

Eso es precisamente para lo que sirve un modelo del mundo corporativo. No es un gemelo digital en el sentido industrial estrecho, aunque comparte la misma intuición: un modelo de un sistema que permite entenderlo, simularlo y mejorarlo. No es solo un grafo de conocimiento, aunque las relaciones importan. No es un lago de datos, aunque los datos son esenciales. No es un cuadro de mando, aunque la medición es necesaria.

Es la representación estructurada que permite a la empresa preguntar: ¿qué cree estar optimizando este bucle, dónde puede actuar, qué sabe, qué ha cambiado y qué más se verá afectado? En ese sentido, el modelo del mundo corporativo se convierte en la capa de gobernanza de los sistemas adaptativos.

El problema es la coherencia

El viejo problema del software empresarial era la integración: conseguir que los sistemas intercambiaran datos. El nuevo problema de la inteligencia artificial empresarial es la coherencia: lograr que los sistemas de aprendizaje persigan objetivos compatibles. Y eso es mucho, muchísimo más difícil.

Dos sistemas pueden estar integrados y aun así trabajar uno contra otro. Un CRM puede hablar con un ERP. Una plataforma de soporte puede sincronizarse con una plataforma de facturación. Un sistema de marketing puede alimentar un almacén de datos. Pero nada de eso garantiza que la organización esté optimizando lo correcto.

Los bucles de aprendizaje hacen este problema más agudo porque no se limitan a ejecutar instrucciones. Se adaptan. Si un bucle aprende a reducir costes de soporte acortando interacciones, otro bucle puede descubrir más tarde que la retención está cayendo precisamente entre los clientes que fueron atendidos de manera “eficiente”. Si un bucle aprende a aumentar la conversión mediante descuentos agresivos, otro puede descubrir que la calidad del margen se está deteriorando. Si un bucle aprende a contratar para maximizar la productividad inmediata, otro puede descubrir que la empresa está perdiendo capacidad de adaptación.

Ningún bucle individual ve el conjunto. Esa es precisamente la cuestión. Una empresa no puede gobernarse como una colección de fragmentos inteligentes. Necesita un modelo del sistema completo: no porque cada decisión deba centralizarse, sino porque el aprendizaje local debe seguir siendo compatible con la intención global.

Los modelos del mundo van más allá de la física

La expresión “modelo del mundo” suele asociarse con robótica, conducción autónoma o inteligencia artificial física: sistemas que necesitan una representación interna del entorno para anticipar consecuencias y actuar de forma inteligente. Tiene sentido. Un robot que se mueve por el mundo físico necesita saber algo sobre objetos, espacio, causalidad y tiempo.

Pero las empresas también son mundos. No son mundos físicos en el mismo sentido, pero son mundos operativos: parcialmente observables, en cambio constante, llenos de agentes, restricciones, dependencias, incentivos y consecuencias retardadas. Un sistema de inteligencia artificial que actúa dentro de una empresa sin un modelo de ese mundo es como un robot moviéndose por un almacén sin conciencia espacial.

Puede ser potente. Pero no es seguro. Por eso el éxito del aprendizaje por refuerzo en sistemas como AlphaZero y MuZero es importante más allá de los juegos. La lección no es que las empresas sean juegos, que obviamente no lo son: la lección es que la inteligencia se vuelve mucho más poderosa cuando las acciones se conectan con resultados mediante retroalimentación y cuando el sistema puede aprender qué acciones mejoran su posición con el tiempo.

La inteligencia artificial empresarial necesita el mismo principio, pero aplicado a la realidad organizativa. No solo: ¿qué respuesta debería generar el modelo? , sino: ¿qué acción debería tomar la empresa, mediante qué proceso, bajo qué restricciones, hacia qué objetivo y con qué efecto esperado sobre el resto del sistema?

Eso exige un modelo del mundo corporativo.

La empresa necesita saber qué es

La parte más difícil de esta transición quizá sea cultural, no técnica. La mayoría de las empresas no tienen realmente un modelo formal de sí mismas. Tienen organigramas, diagramas de procesos, configuraciones ERP, registros CRM, documentos de políticas, almacenes de datos, cuadros de mando, canales de Slack, archivos de correo electrónico y miles de hábitos implícitos sostenidos por personas que saben cómo funcionan realmente las cosas. Eso no es un modelo del mundo. Es un yacimiento arqueológico.

Los humanos compensan esa carencia porque llevan el contexto en la cabeza. Un buen directivo sabe qué política importa, qué excepción es segura, qué relación con un cliente es frágil, qué proceso es oficial pero se ignora, qué métrica está siendo manipulada, qué equipo está sobrecargado y qué aparente éxito está escondiendo daños futuros. Pero los bucles de inteligencia artificial no saben nada de eso a menos que la organización lo haga explícito.

Por eso tantos despliegues de inteligencia artificial empresarial siguen necesitando consultores, integradores e ingenieros desplegados en cliente. Alguien tiene que reconstruir la empresa para el sistema de inteligencia artificial: qué importa, qué está conectado, qué está permitido, qué cuenta como éxito y dónde están las restricciones ocultas.

Esa reconstrucción manual es la señal de que falta una capa de plataforma. Un modelo del mundo corporativo haría que esa reconstrucción fuera persistente, gobernada y reutilizable. Cada bucle no tendría que redescubrir la empresa. Cada nuevo agente no tendría que ser informado individualmente de la realidad organizativa. Cada workflow no tendría que reconstruir contexto desde cero. La empresa se volvería, por fin, legible para sus propios sistemas de inteligencia artificial.

De documentos de gobernanza a inteligencia gobernada

La siguiente etapa de la inteligencia artificial empresarial no estará definida por el número de agentes que despliegue una empresa. Estará definida por si esos agentes y bucles operan dentro de un modelo coherente de la compañía.

Ese modelo debe incluir memoria, pero no quedarse en la memoria. Debe incluir datos, pero no reducir la empresa a datos. Debe incluir reglas, pero no confundir reglas con gobernanza. Debe incluir objetivos, pero también entender los conflictos entre objetivos. Debe incluir humanos, pero no tratar “human in the loop” como una frase mágica.

El objetivo no es eliminar el juicio humano. El objetivo es hacer que el juicio humano gobierne los sistemas adaptativos en el nivel adecuado. Los humanos deben definir objetivos, restricciones, derechos de apelación, vías de escalado, trade-offs aceptables y prioridades estratégicas. Los bucles deben operar dentro de ese perímetro. El modelo del mundo corporativo debe hacer que ese perímetro sea explícito, observable y revisable.

Así es como la gobernanza se vuelve ejecutable. No una política en PDF fuera del sistema. No un cuadro de mando a posteriori. No un humano estampando un sello al final de una cadena. Sino un modelo estructurado de lo que la empresa es, lo que valora, lo que permite, lo que intenta llegar a ser y cómo sus sistemas de aprendizaje pueden moverla en esa dirección.

El verdadero riesgo no es que los bucles fallen

El miedo obvio es que los bucles de inteligencia artificial fallen, y eso va a ocurrir. Algunos generarán malos outputs. Algunos cometerán errores. Algunos alucinarán, clasificarán mal, se extralimitarán o se romperán. Son riesgos reales. Pero el riesgo más profundo es que los bucles tengan éxito localmente mientras empeoran la empresa globalmente.

Optimizarán exactamente aquello que se les pidió optimizar. Mejorarán la métrica. Reducirán el coste, aumentarán la conversión, acortarán el ciclo, elevarán la puntuación. Y solo más tarde la empresa descubrirá que la optimización dañó algo que el bucle no podía ver.

Por eso la gobernanza no puede detenerse en el bucle. Un bucle necesita un objetivo. Un bucle gobernado necesita un contexto. Un sistema de bucles necesita un modelo del mundo. El futuro de la inteligencia artificial empresarial no será una colección de agentes ingeniosos funcionando por todas partes. Eso no es inteligencia. Es entropía con interfaz de usuario.

El futuro pertenecerá a las empresas capaces de hacerse legibles para las máquinas sin entregar el juicio a las máquinas: empresas capaces de representar sus procesos, restricciones, objetivos y memoria institucional en una forma sobre la que la inteligencia artificial pueda actuar, de la que pueda aprender y ante la que pueda rendir cuentas.

En otras palabras, empresas capaces de construir un modelo de sí mismas. Porque no puedes gobernar lo que no puedes representar. Y no puedes optimizar aquello que no entiendes.

(This article was previously published on Fast Company)

Mi columna de esta semana en Invertia se titula «China no quiere conquistar el mundo: quiere que el mundo elija depender de China» (pdf), y trata sobre el discurso pronunciado por Xi Jinping en la Conferencia Mundial de Inteligencia Artificial de Shanghai, en el que presentó a su país como defensor de una inteligencia artificial abierta, multilateral, accesible y orientada al beneficio de toda la humanidad.

El momento elegido no podría ser más significativo. Mientras Estados Unidos plantea la inteligencia artificial como una carrera que debe ganar y diseña una estrategia para exportar al resto del mundo paquetes tecnológicos completos (chips, centros de datos, modelos, aplicaciones y estándares controlados por compañías norteamericanas), Xi habla de cooperación, código abierto, transferencia de capacidades y ayuda al Sur Global. Frente al claramente suicida, simplista y estúpido «America First», China propone aparentemente una gran sinfonía internacional.

No es difícil comprender por qué ese mensaje puede resultar atractivo. Para muchos países, la oferta estadounidense consiste básicamente en utilizar modelos cerrados, pagar por capacidad de computación ajena, depender de infraestructuras situadas en otras jurisdicciones y aceptar que Washington pueda modificar en cualquier momento las condiciones de acceso. La propuesta china, en cambio, ofrece modelos más baratos y abiertos que pueden descargarse, adaptarse a idiomas locales y ejecutarse con una autonomía mucho mayor.

Los últimos avances de compañías como DeepSeek, Zhipu o Moonshot muestran que esto no es simplemente propaganda. El lanzamiento de Kimi K3, capaz de competir con algunos de los mejores modelos estadounidenses y distribuido abiertamente, confirma que China ha convertido el código abierto en un instrumento formidable de difusión tecnológica. Más que intentar vender una licencia a cada usuario, pretende conseguir que desarrolladores, empresas y gobiernos construyan sobre sus modelos.

Esa estrategia puede democratizar realmente el acceso a la inteligencia artificial. Puede reducir costes, debilitar el oligopolio de las compañías estadounidenses y permitir que países que nunca podrían financiar un modelo de frontera desarrollen aplicaciones propias. China está pasando de ser considerada una imitadora a convertirse en un enorme laboratorio de adopción masiva, capaz de integrar la inteligencia artificial en la industria, la educación, la sanidad, la administración y prácticamente cualquier actividad económica.

Pero confundir esa utilidad con altruismo sería de una ingenuidad extraordinaria. China no ofrece tecnología abierta porque haya descubierto una vocación filantrópica, sino porque la apertura crea ecosistemas, establece estándares y genera dependencias. Un país puede descargar libremente un modelo y, sin embargo, terminar dependiendo de chips, nubes, herramientas de desarrollo, actualizaciones, sistemas de seguridad o infraestructuras de comunicaciones controladas por proveedores chinos.

La dependencia más eficaz no es la que se impone, sino la que parece racional. China no necesita conquistar países ni obligarlos a adoptar su tecnología: le basta con convertirse en la opción más barata, accesible y funcional. Cuando la alternativa norteamericana exige pagar más, renunciar a más autonomía y aceptar condicionantes políticos, la decisión se toma prácticamente sola.

Xi prometió miles de plazas de formación, centros internacionales de cooperación y herramientas basadas en inteligencia artificial para países en desarrollo. También presentó la nueva organización mundial promovida desde Shanghai como una alternativa a un orden tecnológico dominado por unas pocas potencias y compañías. La iniciativa pretende situar a China como interlocutor natural del Sur Global y como garante de que la inteligencia artificial no se convierta en un nuevo mecanismo de exclusión. La cobertura internacional de su discurso deja muy clara esa ambición, y es además completamente coherente con su visión expresada en 2022, «China no puede desarrollarse sin el mundo, y el mundo también necesita a China».

¿Significa eso que China es un socio fiable? No necesariamente. El mismo país que habla de una inteligencia artificial «para el bien y para la humanidad» mantiene uno de los sistemas de censura y vigilancia digital más sofisticados del mundo. El gobierno chino está utilizando la inteligencia artificial para hacer más eficientes e intrusivos sus mecanismos de control social, y sus modelos deben respetar restricciones políticas muy precisas sobre asuntos como Tiananmen, Taiwán, Xinjiang o el liderazgo del Partido Comunista.

La insistencia de Xi en que la inteligencia artificial debe permanecer «segura y controlable» puede parecer razonable, pero en el contexto chino significa también «subordinada al Estado». La apertura del código no implica necesariamente apertura política, neutralidad ideológica ni ausencia de mecanismos de censura. Un modelo puede ser técnicamente modificable y continuar incorporando sesgos, restricciones o prioridades derivadas del entorno en el que fue creado.

Tampoco Estados Unidos puede presentarse convincentemente como el guardián de una tecnología libre. Sus compañías concentran modelos, datos, chips y capacidad de computación, mientras su gobierno utiliza sanciones, controles de exportación y jurisdicción extraterritorial para preservar su ventaja. Su propuesta de libertad suele significar, en la práctica, libertad para contratar servicios de empresas estadounidenses en las condiciones que ellas establezcan.

Por eso, la verdadera pregunta no es si el mundo estará mejor si China gana. Sustituir una hegemonía tecnológica por otra difícilmente puede considerarse una victoria. El escenario deseable es uno en el que la competencia china rompa oligopolios, reduzca precios y abra posibilidades para que Europa, India, América Latina, África y el sudeste asiático construyan capacidades propias, combinen tecnologías de distintos orígenes y puedan cambiar de proveedor cuando lo consideren conveniente.

China puede contribuir decisivamente a ese mundo más multipolar. Pero aprovechar su oferta exige abandonar cualquier fantasía paternalista. Pekín no pretende ayudarnos porque sea bueno, del mismo modo que Washington nunca extendió su tecnología por generosidad. Ambos buscan influencia, mercados y capacidad para definir las reglas.

La gran habilidad de China consiste en haber comprendido que, cuando la potencia dominante empieza a cerrar puertas y a comportarse como un guardián celoso de sus privilegios, no hace falta presentarse como conquistador. Basta con ofrecer cooperación. El desafío para el resto del mundo es aceptar esa cooperación sin confundirla con benevolencia y, sobre todo, sin cambiar una dependencia por otra.

This article is also available in English on my Medium page, «The future of AI may belong to whoever gives it away»

Durante décadas, la defensa más eficaz de las compañías petroleras frente a la emergencia climática consistió en una frase aparentemente razonable: nadie puede demostrar que un huracán, una inundación, una ola de calor o un incendio concreto haya sido causado por sus emisiones. El clima era global, las catástrofes eran locales y, entre ambos extremos, se abría un espacio de incertidumbre suficientemente amplio como para que la responsabilidad se evaporase.

Ese espacio está empezando a cerrarse. Y precisamente por eso algunos están intentando impedir que la ciencia llegue a los tribunales.

A finales de 2025, el Federal Judicial Center, la institución encargada de formar y proporcionar materiales de referencia a los jueces federales estadounidenses, publicó junto con las Academias Nacionales de Ciencias, de Ingeniería y de Medicina una nueva edición de su prestigioso «Reference Manual on Scientific Evidence«. Por primera vez, el manual incluía un capítulo dedicado a la ciencia climática y, en particular, a la llamada ciencia de la atribución: el conjunto de métodos que permiten calcular hasta qué punto el calentamiento provocado por el ser humano ha aumentado la probabilidad o la intensidad de un fenómeno meteorológico extremo.

El capítulo había pasado por varias rondas de revisión científica y judicial. Sin embargo, tras las quejas de varios fiscales generales republicanos, el Federal Judicial Center decidió retirarlo. En él no aparecía ninguna nueva evidencia que invalidase su contenido ni se descubrió ningún error metodológico decisivo: simplemente, la ciencia que describía podía resultar incómoda en los numerosos litigios climáticos que había ya abiertos contra las compañías de combustibles fósiles.

La acusación utilizada para justificar la retirada fue la supuesta falta de neutralidad de sus autores, vinculados a instituciones que han trabajado en litigios climáticos. El ex-fiscal general William Barr, cuyo bufete casualmente representa a múltiples clientes del sector energético, escribió un artículo en The Washington Post en el que afirmaba que el capítulo inclinaba la balanza en favor de los demandantes. Las National Academies, por el contrario, defendieron el proceso de revisión y mantuvieron el documento disponible. El episodio revela una estrategia conocida: cuando resulta imposible rebatir la evidencia, se cuestiona la legitimidad de quien la presenta.

La ciencia de la atribución no afirma que el cambio climático sea la única causa de una catástrofe. Distingue entre peligro, exposición y vulnerabilidad, y reconoce que una tormenta se convierte en desastre también por la mala planificación urbana, la pobreza, la ausencia de infraestructuras o la incompetencia política. Tampoco ofrece el mismo grado de certeza para todos los fenómenos. La atribución es especialmente sólida en las olas de calor, razonablemente robusta en lluvias extremas y más compleja en sequías, incendios o ciclones, donde intervienen numerosas variables.

Pero esas limitaciones no invalidan la disciplina: son precisamente lo que la convierte en ciencia. Un nuevo análisis de las National Academies concluye que la atribución climática está madurando rápidamente, aunque todavía debe mejorar sus modelos, explicitar mejor sus incertidumbres y evitar extrapolaciones excesivas. La conclusión no es que no podamos saber nada, sino que ya podemos saber mucho más de lo que las petroleras desearían.

En 2016, las propias National Academies publicaron uno de los primeros grandes informes sobre atribución de fenómenos extremos, estableciendo una metodología basada en comparar el mundo real con un mundo contrafactual sin emisiones antropogénicas. Desde entonces, la capacidad computacional, los modelos climáticos, los registros históricos y las técnicas estadísticas han mejorado enormemente. Hoy es posible afirmar, por ejemplo, que determinadas olas de calor habrían sido prácticamente imposibles sin el calentamiento global, o calcular cuántos grados adicionales y qué incremento de probabilidad pueden atribuirse a las emisiones humanas.

La implicación jurídica es evidente. Si puede establecerse que una empresa generó una proporción determinada de las emisiones históricas, y que esas emisiones aumentaron de manera cuantificable la probabilidad o la intensidad de un daño, la distancia entre contaminación y responsabilidad empieza a ser jurídicamente transitable. No hablamos de una causalidad perfecta e individual, sino de probabilidades, contribuciones y riesgos, conceptos con los que los tribunales trabajan continuamente en casos de toxicidad, medicamentos, tabaco o negligencia industrial.

En diciembre de 2024 ya escribí sobre las leyes de Nueva York y Vermont que pretenden obligar a los grandes productores de combustibles fósiles a financiar los costes de adaptación climática. Antes, en 2022, ya planteé que los daños climáticos no son una externalidad abstracta, sino una gigantesca deuda acumulada que alguien tendrá que pagar. La atribución científica puede ser el instrumento que permita asignar esa factura con criterios racionales.

Por eso resulta tan importante retirar un capítulo de un manual para jueces: no se trata de una disputa académica, sino de controlar qué conocimientos llegan a quienes deberán decidir sobre miles de millones en indemnizaciones. El gobierno de Donald Trump ha ido mucho más lejos al revocar el «endangerment finding» de 2009, fundamento legal de la regulación federal de los gases de efecto invernadero, una decisión que ya ha provocado demandas de organizaciones médicas, ambientales y de numerosos estados.

Este tipo de cuestiones relacionadas con la formación de los jueces son extraordinariamente importantes: en junio de 2005, un juez que era además lector habitual de mi página logró que me invitasen a dar una conferencia para un curso de verano para jueces, hablando sobre propiedad intelectual: recuerdo que aquella conferencia me salió especialmente didáctica y transgresora, defendiendo redefiniciones radicales de la propiedad intelectual tras la llegada y popularización de internet, ante la horrorizada mirada de un abogado de la SGAE que había en la sala que llegó incluso a interrumpirme en varias ocasiones. La formación de los jueces es fundamental para obtener una justicia adecuada, y puede llegar a tener una fuerte influencia en sus decisiones en casos relacionados.

Durante años, las petroleras financiaron la duda porque la duda retrasaba la regulación. Ahora necesitan financiar otra cosa: la idea de que ninguna ciencia es suficientemente precisa para atribuir responsabilidades. Pero la incertidumbre no equivale a ignorancia, y mucho menos a inocencia.

El futuro de la litigación climática dependerá en buena medida de si los tribunales entienden esa diferencia. La ciencia no necesita prometer certeza absoluta. Le basta con seguir reduciendo, fenómeno a fenómeno, empresa a empresa y tonelada a tonelada, el espacio en el que durante décadas se escondieron quienes sabían perfectamente lo que estaban haciendo.

This article is also available in English on my Medium page, «Erasing the evidence: how a climate science chapter vanished from a judges’ manual»