Mi columna de esta semana en Invertia se titula «Centros de datos, contenidos y electricidad: la inteligencia artificial que subvencionamos todos» (pdf), y trata sobre una de esas cuestiones que el marketing tecnológico intenta mantener cuidadosamente fuera del encuadre: la inteligencia artificial no es inmaterial, no vive en una nube etérea, no aparece por generación espontánea y, sobre todo, no es gratis. Tiene costes muy concretos, muy físicos y muy medibles: contenidos, electricidad, agua, suelo, red, permisos administrativos, infraestructuras y, por supuesto, dinero público o cuasi público en forma de incentivos, facilidades, prioridad regulatoria o trato preferente.

Durante años hemos hablado de “la nube” como si fuese una abstracción, una especie de espacio limpio, invisible y carente de fricción. Pero basta con mirar la evolución del negocio de los centros de datos para entender que la nube tiene geografía, consume energía, requiere subestaciones, compite por capacidad eléctrica, necesita refrigeración y genera conflictos territoriales. La Agencia Internacional de la Energía lo plantea con bastante claridad en su informe sobre energía e inteligencia artificial: la demanda eléctrica de los centros de datos está creciendo con mucha rapidez y podría duplicarse de aquí a 2030. Y en su resumen ejecutivo lo dice de forma aún más directa: no hay inteligencia artificial sin energía.

El problema no es que la inteligencia artificial consuma energía. Toda tecnología relevante la consume. El problema es que estamos aceptando sin demasiadas preguntas una narrativa según la cual cualquier infraestructura vinculada a la inteligencia artificial debe ser recibida con alfombra roja, titulares grandilocuentes y promesas de transformación económica. Países, regiones y municipios compiten por atraer centros de datos como si estuviesen atrayendo fábricas del siglo XX, con miles de empleos directos, tejido industrial local y aprendizaje productivo. Pero un centro de datos no es eso. Un centro de datos, una vez construido, genera comparativamente muy poco empleo permanente, importa buena parte de su tecnología, concentra el valor en la compañía propietaria y deja en el territorio una factura muy tangible en forma de demanda energética, consumo de agua, presión sobre la red y coste de oportunidad.

La cuestión, por tanto, no es si queremos centros de datos o no. Sería absurdo plantearlo así. La cuestión es si estamos haciendo un buen negocio. Y la respuesta, en muchos casos, es que probablemente no. Cuando una administración ofrece suelo, permisos rápidos, acceso prioritario a electricidad, infraestructuras, incentivos fiscales o una narrativa política complaciente para atraer a un hyperscaler porque suena «muy moderno», conviene preguntarse qué recibe realmente a cambio. Brookings lo ha analizado en el contexto estadounidense: los centros de datos suelen prometer muchos más efectos económicos indirectos que empleos permanentes reales, mientras capturan exenciones fiscales muy relevantes. Good Jobs First añade otro elemento incómodo: la opacidad de muchos de esos incentivos es enorme, y en demasiados casos los ciudadanos ni siquiera saben qué compañías reciben ayudas, cuánto cuestan o qué compromisos concretos asumen.

España está entrando de lleno en esa competición. Según Cinco Días, la inversión en centros de datos en nuestro país podría rondar los 66.900 millones de euros hasta 2030 con el avance de la inteligencia artificial. Es una cifra impresionante, de esas que gustan mucho en las presentaciones institucionales. Pero precisamente por eso hay que analizarla con cuidado: ¿qué parte de esa inversión queda realmente en el territorio? ¿Qué empleos genera? ¿Qué capacidad eléctrica reserva? ¿Qué compromisos ambientales exige? ¿Qué ocurre si esa electricidad renovable que podría descarbonizar industria, transporte o hogares termina capturada por infraestructuras destinadas a alimentar modelos propietarios de compañías extranjeras?

Aragón se ha convertido en un buen ejemplo de esa tensión. Por un lado, aparece en el discurso oficial como un territorio privilegiado para la nueva economía de los datos. Por otro, empiezan a aparecer preguntas muy razonables sobre agua, energía y planificación territorial. El País cuenta que Amazon solicitó un 48% más de agua para sus centros de datos en Aragón. Data Center Dynamics ha documentado también proyectos de enorme escala, como el campus de DayOne en Escatrón, con 300 MW de capacidad prevista. Y el propio debate ha llegado ya a los tribunales, con la admisión de una demanda contra proyectos vinculados a AWS en Aragón, también recogida por Data Center Dynamics. No estamos, por tanto, ante una discusión teórica. Estamos ante política industrial, energética y territorial en estado puro.

A esa factura física hay que añadir otra, menos visible pero igualmente importante: la factura cognitiva. Las mismas compañías que ahora piden suelo, electricidad, agua y permisos son las que durante años han absorbido contenidos creados por millones de personas, medios, universidades, programadores, investigadores, artistas y comunidades enteras. Cloudflare ha empezado a poner orden en esa relación con sus nuevas opciones para controlar el tráfico de inteligencia artificial, explicadas en «Your site, your rules«, y con su propuesta de pay per crawl, que plantea algo tan elemental como que los propietarios de contenidos puedan cobrar a los crawlers de inteligencia artificial. Es decir, que la materia prima de la inteligencia artificial deje de ser tratada como si no tuviese dueño, coste ni derechos.

La idea conecta directamente con lo que escribí hace unos días sobre el 5% de Altman: después de apropiarse de cantidades ingentes de conocimiento acumulado durante décadas, algunas compañías pretenden zanjar la discusión con una especie de propina cuidadosamente presentada como generosidad. Primero toman los contenidos, después los encapsulan en modelos propietarios, más tarde reducen el tráfico hacia las fuentes originales y finalmente sugieren algún mecanismo simbólico de compensación. No es innovación limpia: es extracción. Y una extracción particularmente sofisticada, porque convierte bienes comunes cognitivos en activos privados y, al mismo tiempo, exige que los territorios financien o faciliten la infraestructura física necesaria para explotarlos.

Europa, al menos sobre el papel, parece haber entendido que los centros de datos deben estar sometidos a reglas de eficiencia y transparencia. La Comisión Europea tiene una página específica sobre el rendimiento energético de los centros de datos, vinculada a la Directiva de Eficiencia Energética. Pero no basta con medir. Hace falta condicionar. Hace falta que los proyectos paguen su coste real, que no se disfracen de “soberanía digital” simples operaciones inmobiliarias y energéticas, y que los gobiernos no confundan atraer logos de grandes tecnológicas con construir una estrategia industrial.

La inteligencia artificial puede ser una tecnología extraordinariamente útil. Pero precisamente por eso no deberíamos permitir que se despliegue bajo una lógica extractiva, opaca y subvencionada por todos. Si una compañía quiere entrenar modelos con nuestros contenidos, debe pagar por ellos. Si quiere instalar centros de datos en nuestro territorio, debe asumir sus costes completos. Si quiere consumir agua, electricidad y capacidad de red, debe demostrar que el retorno social justifica ese uso. Y si pretende vendernos todo eso como progreso inevitable, conviene recordar que el progreso no consiste en regalar recursos públicos y bienes comunes a quienes ya concentran una parte desproporcionada del poder económico y tecnológico.

This article is also available in English on my Medium page, «Are data centers a good deal for the places that host them? (Spoiler alert)»

Durante tres décadas, la web funcionó sobre un pacto relativamente simple: tú publicabas algo, otros podían enlazarte, indexarte o recomendarte, y a cambio recibías tráfico. Google rastreaba tus páginas porque después enviaba visitantes. Facebook distribuía tus contenidos porque, al menos en teoría, podía traer audiencia. El editor, el autor, el blogger o la empresa aceptaban formar parte de ese ecosistema porque había una contraprestación clara: visibilidad, lectores, conversación, ingresos publicitarios, suscriptores o clientes.

Ese pacto se está rompiendo. La inteligencia artificial ya no organiza la web para que la visitemos: la consume para responder por nosotros. Ya no muestra necesariamente una lista de enlaces, sino una síntesis. Ya no invita al usuario a ir a la fuente, sino que intenta resolver su intención en la propia interfaz. La unidad económica de la web deja de ser la página visitada y empieza a ser la respuesta generada. Y cuando eso ocurre, todo lo demás cambia: SEO, publicidad, comercio electrónico, medios, marcas, reputación, derechos de autor y hasta la idea misma de publicar.

El movimiento de Cloudflare con su propuesta de pay per crawl es, en ese sentido, mucho más que una herramienta técnica. Es la primera señal seria de que la web empieza a defenderse frente a una nueva forma de extracción. Cloudflare plantea que los propietarios de contenidos puedan permitir, bloquear o cobrar a los rastreadores de inteligencia artificial, incluso rescatando el viejo código HTTP 402, “Payment Required”, para que un crawler que quiera acceder a una página pueda encontrarse con un precio definido. En su documentación para desarrolladores explica incluso cómo un crawler puede recibir un “402 Payment Required” con un precio por acceso y volver con los headers necesarios para pagar. Es decir: el contenido deja de ser una barra libre por defecto.

La razón es evidente. Si un buscador tradicional te indexaba y te enviaba tráfico, la relación podía ser asimétrica, pero tenía cierta lógica. Si un sistema de inteligencia artificial rastrea tu contenido, lo resume, lo utiliza para responder al usuario y no te envía a nadie, esa lógica desaparece. Lo que queda es pura apropiación: yo tomo tu trabajo, lo transformo en una respuesta dentro de mi producto, monetizo la atención o la relación con el usuario, y tú te quedas sin visita, sin dato, sin ingreso y, muchas veces, sin reconocimiento alguno.

Los datos empiezan a confirmar esa intuición. Un análisis del Pew Research Center mostró que los usuarios de Google que encontraban un resumen generado por inteligencia artificial hacían clic en resultados tradicionales en el 8% de las visitas, frente al 15% cuando no aparecía ese resumen; los enlaces dentro del propio resumen recibían clics tan solo en el 1% de los casos. Otro estudio sobre Google AI Overviews y Wikipedia estimó una reducción aproximada del 15% en el tráfico diario a artículos expuestos a esos resúmenes. Y un trabajo más reciente sobre AI Overviews observó que estas respuestas se activaban con mucha más frecuencia en consultas formuladas como preguntas, precisamente aquellas en las que el usuario puede quedar satisfecho sin visitar ninguna fuente.

El problema no se limita a Google: la tendencia apunta hacia una web cada vez más intermediada por agentes. OpenAI presentó ChatGPT agent como un sistema capaz de actuar en la web, usar navegadores, conectores y herramientas para completar tareas. Antes había presentado Operator, un agente con su propio navegador capaz de hacer clic, escribir y desplazarse por páginas. Si el usuario deja de navegar y empieza a delegar en un agente, el sitio web deja de recibir una persona y empieza a recibir una máquina que extrae información, compara opciones o ejecuta una acción. Para muchas páginas, ese visitante ya no será un lector, sino un intermediario algorítmico.

Los editores ya lo están sintiendo. El Reuters Institute advierte de que los buscadores se están convirtiendo en motores de respuesta, con contenidos servidos en ventanas de chat y el riesgo evidente de que el tráfico de referencia se seque. The Guardian explica cómo los cambios de Meta y Google están obligando a editores digitales a reinventar modelos que dependían de plataformas externas, con caídas muy fuertes en ingresos indirectos y estrategias de “Google Zero” orientadas a construir relaciones directas con la audiencia.

La conclusión es incómoda, pero inevitable: si las plataformas dejan de enviar tráfico, pierden buena parte de la legitimidad que tenían para acceder gratis al contenido. Durante años, los editores aceptaron una dependencia peligrosa porque había retorno. Ahora, si ese retorno desaparece, el contrato debe renegociarse. No basta con citar fuentes de manera decorativa, ni con ofrecer migajas de tráfico, ni con prometer exposición en una respuesta que satisface al usuario antes de llegar al enlace.

Probablemente yo sea uno de los menos afectados por todo esto: nunca he dependido de la publicidad ni del tráfico, soy un privilegiado que escribe sobre lo que quiere, sin dar explicaciones a nadie y sin depender de si lo que publica se lee mucho o poco. Simplemente escribo para mí, para preparar temas para mis alumnos y para investigar, sin más agenda que esa. Vuestros comentarios me enriquecen y me aportan, por supuesto, me ayudan a entender las debilidades en mis argumentos, las reacciones que genera lo que escribo, me sirven para prepararme para las discusiones que vendrán… pero no vivo de ellos, ni de mi tráfico.

Pero para la inmensa mayoría de quienes publican, la web se está convirtiendo en alimentar gratis a sistemas propietarios que después sustituyen a la propia web. Lo que parece insinuarse cada vez con más claridad es que, si los agentes y los motores de respuesta quieren usar contenidos, van a tener que pagar por ellos. Si quieren resumirlos, van a tener que compensar a quienes los producen. Y si no quieren hacerlo, los editores deberán empezar a bloquearlos. La web no puede sobrevivir si se convierte en una inmensa plantación de materia prima para modelos ajenos.

This article is also available in English on my Medium page, «The web’s broken bargain: how AI ended the deal between publishers and platforms«

Durante décadas, hemos imaginado la guerra tecnológica como una cuestión de superioridad industrial: aviones cada vez más caros, carros de combate más sofisticados, misiles más precisos y sistemas de mando cada vez más centralizados. Ucrania ha demostrado que esa visión no era completamente falsa, pero sí profundamente incompleta. La guerra del futuro no se está escribiendo únicamente con plataformas de cientos de millones, sino con dispositivos baratos, reemplazables, actualizados en ciclos de semanas y operados por soldados que, en muchos casos, se parecen más a pilotos de videojuegos que a combatientes tradicionales. Como ya apuntaba hace un año, la clave no está solo en el dron, sino en la combinación de bajo coste, escala, inteligencia, producción distribuida y aprendizaje acelerado.

Corea del Sur acaba de dar un paso que debería estudiarse con mucha atención: quiere entrenar a sus aproximadamente 500,000 militares para que el manejo de drones sea tan normal como el de un arma personal. No se trata de crear una unidad de élite, sino de convertir el dron en una capacidad universal, distribuida por ejército, marina, fuerza aérea e infantería de marina. El plan incluye unos 11,000 drones de entrenamiento en 2026, alrededor de 60,000 para 2029, más de 20,000 drones baratos y prescindibles, municiones merodeadoras y sistemas antidron basados en láseres y microondas.

La decisión surcoreana no puede entenderse sin dos factores. El primero es Corea del Norte, que observa el conflicto ucraniano no como un conflicto lejano, sino como un laboratorio al que ha enviado soldados, instructores y posiblemente doctrina. El segundo es la demografía: el ejército surcoreano se ha reducido un 20% en seis años, hasta unos 450,000 efectivos, mientras la población masculina en edad de reclutamiento cae rápidamente en el país con una de las tasas de fertilidad más bajas del mundo. Cuando faltan soldados, la tentación de sustituir masa humana por automatización deja de ser una fantasía futurista y se convierte en política pública.

Pero cuidado: entrenar a 500,000 personas no equivale a tener 500,000 operadores útiles. El cuello de botella no está únicamente en comprar drones, sino en disponer de instructores, suboficiales, componentes no chinos, cadenas de suministro fiables y una doctrina capaz de absorber una tecnología que cambia más deprisa que los procesos de adquisición militar. Ucrania ha podido hacerlo porque está en guerra, porque existe una movilización social extraordinaria y porque el aprendizaje vuelve del frente en cuestión de días. Corea del Sur, como cualquier democracia en paz, tiene leyes, ministerios, certificaciones, presupuestos y burocracia.

Lo verdaderamente nuevo no es que haya drones en el campo de batalla. Lo nuevo es que están reescribiendo sus reglas físicas. En Ucrania, la llamada kill zone, esa franja en la que moverse equivale prácticamente a ser inmediatamente detectado y atacado, ha pasado de unos pocos kilómetros a quince, veinte o incluso más. La concentración de sensores, drones FPV, municiones merodeadoras, guerra electrónica y enlaces por fibra óptica ha convertido la movilidad, tradicionalmente una ventaja, en un riesgo. El frente no se mueve porque todo lo que se mueve puede ser visto.

Eso altera la economía de la guerra. Un dron barato puede destruir un tanque, inutilizar una pieza de artillería, perseguir a un soldado o forzar a un convoy a detenerse. El prestigio del sistema caro se enfrenta a la brutal aritmética de la saturación. Un misil antiaéreo de millones contra un dron de unos cientos o miles de dólares es una ecuación perdedora si se repite suficientes veces. La defensa ya no consiste solo en blindaje, sino en sensores, interferencias, redes, camuflaje, redundancia, producción masiva y capacidad de iterar antes que el enemigo. El concepto se resume con una idea incómoda: los drones ganan batallas, pero los componentes ganan guerras.

Taiwán lo ha entendido también. Frente a China, no puede competir simétricamente en número de barcos, aviones o misiles, pero sí puede intentar construir una defensa distribuida, barata, autónoma y difícil de neutralizar. Su apuesta por fabricar drones propios, reducir dependencia de China y convertirse incluso en proveedor para Estados Unidos muestra que el dron ya no es solo un arma: es política industrial, soberanía tecnológica y estrategia geopolítica condensadas en una hélice, una cámara y una batería.

El problema más inquietante aparece cuando el operador humano empieza a desaparecer del bucle. Informaciones recientes describen pruebas ucranianas con drones completamente autónomos capaces de atacar sin enlace de vídeo ni decisión humana inmediata. Aunque siguen siendo casos relativamente excepcionales, marcan una frontera moral y jurídica enormemente peligrosa. El Comité Internacional de la Cruz Roja lleva tiempo advirtiendo que los sistemas autónomos pueden erosionar el control humano significativo, la distinción entre combatientes y civiles, la proporcionalidad y la rendición de cuentas.

La guerra mediante drones democratiza ciertas capacidades, pero no democratiza necesariamente la responsabilidad. ¿Quién responde por un ataque autónomo equivocado? ¿El operador que fijó la zona? ¿El programador? ¿El comandante? ¿El proveedor del modelo de visión artificial? ¿El Estado? En la guerra clásica, las reglas ya eran difíciles de aplicar. En la guerra algorítmica, pueden convertirse directamente en inútiles.

Los ejércitos del futuro se parecerán menos a organizaciones basadas en plataformas y más a ecosistemas de software, hardware barato, talleres, datos, operadores, instructores y ciclos de aprendizaje. La superioridad no vendrá solo de tener mejores armas, sino de actualizar más deprisa, producir más cerca, perder menos tiempo en adquisiciones absurdas y entender que cada soldado puede ser completamente multifuncional: nodo sensor, piloto, analista y objetivo.

La gran pregunta no es si los drones cambiarán la guerra: ya lo han hecho, y la prueba está ahí, a las puertas de Europa. La pregunta es si nuestras instituciones, nuestros tratados, nuestras doctrinas militares y nuestras democracias serán capaces de cambiar a la misma velocidad, o si debemos repensar completamente el diseño de nuestros ejércitos. Porque si no lo hacen, las reglas de la guerra no las escribirán los parlamentos ni los convenios internacionales, sino los algoritmos, los talleres improvisados y el zumbido de miles de máquinas baratas sobre el frente de batalla.

This article is also available in English on my Medium page, «South Korea is training half a million drone warriors. Here’s why that matters»

La noticia de que los agentes de inteligencia artificial pronto podrán igualar a los traders humanos no debería sorprender a nadie. Vlad Tenev, consejero delegado de Robinhood, lo ha dicho con claridad: la idea del trading agéntico es que cualquier capacidad disponible para un humano termine estando disponible para un agente de inteligencia artificial, y buena parte de la operativa institucional ya estaba automatizada mucho antes de que llamásemos a todo esto inteligencia artificial. La novedad no es que las máquinas entren en los mercados. La novedad es que el pequeño inversor pueda acceder a una versión empaquetada de herramientas que durante décadas estuvieron reservadas a quienes podían pagar ordenadores, modelos, datos y latencias imposibles.

Pero conviene desmontar antes el mito. La actividad del trader ha vivido rodeada de una épica completamente desproporcionada. Pantallas, adrenalina, llamadas, jerga y una cierta teatralidad de casino sofisticado. En realidad, su promesa era muy simple: “yo veo algo que los demás no ven”. El problema es que, cuando esa promesa se somete a verificación empírica, se deshace con una facilidad totalmente obscena.

La vieja historia del mono con los ojos vendados lanzando dardos a una pared para escoger acciones, popularizada a principios de siglo por The Wall Street Journal, sigue siendo una de las mejores metáforas sobre Wall Street. No porque los monos sepan invertir, sino porque muchos profesionales tampoco parecen saber hacerlo mejor de manera consistente. En aquel experimento, el simio volvía a dejar en evidencia a competidores humanos, profesionales y aficionados. La gracia no estaba en el mono, sino en la industria que necesitaba explicar por qué cobraba tanto por producir tan poco valor diferencial.

Eugene Fama, Nobel de Economía en 2013 junto con Lars Peter Hansen y Robert Shiller por su análisis empírico de los precios de los activos, lo formuló desde la hipótesis de los mercados eficientes: si los precios reflejan la información disponible, nadie puede batir de forma consistente a un índice sencillo. Naturalmente, los mercados no son perfectos. Tienen burbujas, pánicos, narrativas absurdas, información asimétrica, sesgos, manipulación, modas y errores colectivos. Precisamente por eso son fascinantes. Pero de ahí no se deduce que exista una casta de traders “buenos” capaz de explotarlos siempre. Se deduce que el mercado es un sistema complejo en el que distinguir talento de suerte resulta extraordinariamente difícil.

La evidencia acumulada es demoledora. El scorecard SPIVA de S&P Dow Jones Indices muestra una y otra vez que la mayoría de los gestores activos queda por debajo de sus índices de referencia, incluso antes de hablar del problema de identificar por adelantado a los pocos que sí lo harán bien. En 2025, el 79% de los fondos activos estadounidenses de gran capitalización no superó al S&P 500. Si una industria entera, con miles de analistas, terminales, modelos y comités de inversión, falla así de manera recurrente, quizá el problema no sea la falta de talento individual, sino la premisa misma. Cuando tu banco te llama para ofrecerte unas acciones o unos fondos, lo que en realidad te está diciendo es «déjame sacarte unas cuantas comisiones para poder mantener este chiringuito abierto y seguir pagando las nóminas de mis empleados a fin de mes».

La inteligencia artificial, por tanto, no va a matar al trader porque sea una profesión inútil, sino porque gran parte de lo que hacía era automatizable, repetitivo, emocionalmente contaminado y estadísticamente poco defendible. La inteligencia artificial leerá más documentos, reaccionará antes, detectará correlaciones más rápido y no se enamorará de una tesis porque la haya defendido en una reunión. Pero eso no significa que vaya a hacer los mercados perfectos. Al contrario: como advertía el FMI en su Global Financial Stability Report, la inteligencia artificial puede aumentar la opacidad, la concentración, la velocidad de las reacciones y el riesgo de comportamientos de rebaño algorítmico. Sustituir humanos impredecibles por máquinas entrenadas con datos parecidos no elimina el riesgo sistémico: puede hacerlo menos visible y más rápido.

Por eso mi conclusión como inversor es profundamente aburrida, y precisamente por eso funciona. Hace ya muchos años decidí poner mi dinero en Indexa Capital, una compañía española que invierte en carteras diversificadas de fondos indexados y que ha construido su propuesta sobre algo tan aparentemente poco glamouroso como reducir comisiones al mínimo imprescindible. No intenta venderme clarividencia, ni llamadas privilegiadas, ni la fantasía de que alguien sabe qué acción subirá mañana. Me ofrece exposición diversificada, disciplina, costes bajos y una idea fundamental: en inversión, muchas veces, ganar consiste simplemente en no pagar a alguien para que pierda por ti.

La sustitución del trader por la inteligencia artificial será presentada como una revolución. En realidad, será una ceremonia de sinceridad. Durante décadas llamamos talento a lo que muchas veces era azar, confundimos movimiento con valor, y aceptamos que unos intermediarios se apropiaran de una parte sustancial de la rentabilidad a cambio de una promesa estadísticamente endeble. El algoritmo no hará magia. Simplemente dejará al descubierto que, en los mercados, la inteligencia más rentable casi nunca fue operar más veces, sino asumir humildemente que uno no sabe más que el mercado, diversificar, reducir costes y esperar.

This article is also available in English on my Medium page (no paywall), «If 79% of experts can’t beat index-based trading, why would AI be any different?»

La propuesta de OpenAI de entregar un 5% de su capital al gobierno estadounidense, presentada como una manera de que los ciudadanos participen en los beneficios de la inteligencia artificial, es una de esas maniobras que revelan mucho más de lo que pretenden ocultar. No es un gesto generoso, sino una oferta de saldo: una propina para intentar legitimar una apropiación masiva de valor construida sobre libros, artículos, conversaciones, código, imágenes, ciencia, trabajo académico, periodismo, creatividad y datos producidos por millones de personas que jamás fueron consultadas, reconocidas ni compensadas.

El contexto es importante: OpenAI estaría explorando ceder ese 5% en un vehículo inspirado en fondos como el Alaska Permanent Fund, mientras Sam Altman habla con la administración Trump y con Bernie Sanders. Sanders, por su parte, no habla de un 5%, sino de un 50% en acciones para un fondo soberano público, con voto y control democrático sobre decisiones críticas. Y Sanders tiene toda la razón: si la materia prima fue colectiva, el excedente no puede privatizarse casi por completo, al 95%, y resolverse con una migaja cuidadosamente diseñada para desactivar la presión política.

La inteligencia artificial generativa no apareció por generación espontánea en la cabeza de Altman, de Musk, de Zuckerberg o de cualquier otro aspirante a emperador tecnológico. Fue posible gracias a décadas de investigación pública, universidades, infraestructuras financiadas por contribuyentes, comunidades de software libre, internet abierto y una acumulación cultural que pertenece a todos y a nadie. En mis artículos anteriores sobre si la inteligencia artificial debería tener accionistas ciudadanos y sobre de quién es realmente la inteligencia artificial, planteaba precisamente esa anomalía: estamos permitiendo que una infraestructura cognitiva de propósito general sea convertida en una cartera de activos privados.

Lo obsceno del 5% no es solo su pequeñez, sino su función política. Es la clásica estrategia de captura: aceptar el principio de que la sociedad debe participar, pero reducirlo a una cifra irrelevante y administrable por quienes se beneficiaron de la apropiación. Peor aún, hacerlo en conversaciones con un gobierno concreto, no mediante una arquitectura internacional, transparente y democrática. John Foley lo formulaba muy bien en Financial Times al analizar otra propuesta de Altman sobre gobernanza global: bajo la apariencia de seguridad, un orden liderado por Estados Unidos podría consolidar un oligopolio estadounidense y convertir la regulación en barrera de entrada.

La comparación con el petróleo no es perfecta, pero es útil. Noruega y Alaska entendieron que ciertos recursos estratégicos no podían convertirse simplemente en fortunas privadas. La diferencia es que el petróleo estaba bajo el suelo; la inteligencia artificial está construida sobre el conocimiento humano. Y si el FMI advierte que la IA puede aumentar la desigualdad al elevar los retornos del capital, y Acemoglu sostiene que puede ensanchar la brecha entre renta del capital y renta del trabajo, entonces el debate no es ideológico: es estructural.

Por supuesto que un 50% plantea enormes problemas jurídicos, de gobernanza, de valoración y de implementación. Pero esos problemas no invalidan el principio: obligan a diseñarlo bien. Un fondo soberano público no debería ser una caja opaca en manos del gobierno de turno, ni una forma de nacionalizar laboratorios, ni un mecanismo para premiar amigos. Debería ser una institución independiente, auditada, con mandatos claros, representación social, límites al intervencionismo político y capacidad real para impedir daños sistémicos. La pregunta no es si el Estado debe “dirigir” OpenAI. La pregunta es si una docena de directivos y fondos de capital riesgo deben decidir solos el futuro del trabajo, la educación, la ciencia, la cultura y la democracia.

Lo más interesante es que incluso OpenAI y Anthropic ya han reconocido, en sus propios documentos de política económica, que harán falta fondos públicos o soberanos para repartir mejor los beneficios de la inteligencia artificial. El desacuerdo, por tanto, no está en el principio, sino en la cuantía y en el poder. Ellos quieren participación simbólica sin control efectivo. Sanders propone propiedad significativa porque entiende que sin derechos políticos sobre esas acciones, todo será cosmética.

La inteligencia artificial puede ser una tecnología emancipadora, pero solo si dejamos de aceptar que quienes extrajeron lo común sin permiso compren indulgencias con un 5%. Esa cifra no repara nada. No devuelve control. No reconoce la magnitud de lo apropiado. No crea una verdadera ciudadanía económica en la era de la inteligencia. Es, simplemente, el precio que Silicon Valley cree que puede pagar para seguir llamando innovación a lo que, en cualquier otro contexto, llamaríamos extracción.

La discusión no debería empezar en el 5%. Debería empezar mucho más cerca del 50%, y bajar solo si alguien demuestra, con argumentos y no con relaciones públicas, que por alguna razón presuntamente justificada, la sociedad no merece recuperar una parte sustancial de lo que ya era suyo.

This article is also available in English on my Medium page (no paywall), «Symbolic stakes vs real power: the problem with Sam Altman’s 5%«

La noticia de que SpaceX habría mostrado a inversores un prototipo de dispositivo de inteligencia artificial, más fino que un iPhone, con sistema operativo propio y tecnología de xAI, que TechCrunch interpretó como «algo muy parecido a un teléfono«, debe leerse con cautela: Elon Musk lo ha negado como “utterly false”. Pero lo importante, considerando la nula confiabilidad del personaje, no es si ese prototipo existe, sino la dirección que revela: los grandes actores de la inteligencia artificial parecen haber llegado a la misma conclusión. La inteligencia artificial no va a vivir eternamente en una pestaña del navegador, en una app móvil o en una ventana de chat. Necesita su propio objeto.

Cuando OpenAI incorporó al equipo a Jony Ive, no compró simplemente diseño: compró una hipótesis. El ordenador fue el dispositivo del escritorio. El smartphone fue el de la ubicuidad. La inteligencia artificial quiere ser el dispositivo de la asistencia: algo que nos acompaña, interpreta el contexto y actúa.

El smartphone no cambió la sociedad porque fuese un teléfono mejor, sino porque reorganizó nuestra vida alrededor de un gesto: sacar un rectángulo del bolsillo, mirarlo, tocarlo y esperar que todo estuviese ahí. Banca, movilidad, fotografía, conversación, comercio, identidad y ansiedad pasaron a orbitar alrededor de ese gesto. Pew Research Center muestra cómo su adopción pasó de minoritaria a prácticamente universal en muchos segmentos, y el informe The Mobile Economy 2025 de la GSMA explica cómo el móvil se convirtió en infraestructura social.

La pregunta ahora es si la inteligencia artificial va a cambiar de nuevo el gesto dominante. Si pasaremos de mirar, tocar y navegar por menús a hablar, escuchar, mostrar, delegar y recibir respuestas contextuales. Esa transición no es una mejora de interfaz: es un cambio en quién media entre nosotros y el mundo.

Por eso interesa la integración vertical que rodea a SpaceX. Si una compañía combina conectividad vía Starlink, inteligencia artificial vía xAI, una base social manipulable en X, capacidades industriales y narrativa propia, el dispositivo deja de ser un simple gadget, y se convierte en terminal de ecosistema. La adquisición de xAI por SpaceX apunta a esa convergencia: comunicaciones, modelos, identidad, datos y servicios unidos por una misma arquitectura. No se trata de fabricar “un teléfono con inteligencia artificial”, sino de decidir quién se queda con la interfaz cotidiana.

La prudencia es obligatoria. La primera oleada de dispositivos de inteligencia artificial ha sido torpe. Humane terminó vendiendo sus activos a HP y cerrando el AI Pin, una demostración de que el diseño visionario no compensa una utilidad poco clara, una mala autonomía o un precio absurdo. El Rabbit R1 fue recibido como un producto inacabado, más promesa que herramienta. Pero esos fracasos no invalidan la categoría: la preparan. Antes del iPhone estuvo la Palm, la BlackBerry, el Nokia Communicator y Windows Mobile. La historia tecnológica está llena de intentos fallidos que llegan demasiado pronto o mal.

Las gafas inteligentes son, por ahora, el experimento más serio. Atacan el punto esencial: la inteligencia artificial necesita contexto, y el contexto está en lo que vemos, oímos y hacemos. Las Ray-Ban Meta crecieron más de un 200% en ventas en la primera mitad de 2025 a pesar de ser una máquina de espionaje al servicio de una de las empresas más siniestras que existen, y trabajos como VisionClaw: Always-On AI Agents through Smart Glasses exploran agentes siempre activos capaces de combinar visión, voz y ejecución. Ver un cartel y crear un evento. Mirar un documento y resumirlo. Escuchar una conversación y preparar notas. Traducir en tiempo real. Todo eso, en un smartphone, exige sacarlo del bolsillo. En un artefacto más contextual, puede ocurrir casi de forma ambiental.

Ahí está la frontera real: la inteligencia artificial será cotidiana no cuando responda mejor, sino cuando deje de esperar a que le preguntemos. Y ahí aparece el problema. Un dispositivo dedicado no es solo un aparato: es un testigo. Mira, escucha, recuerda, interpreta y actúa. Puede reducir fricción, mejorar accesibilidad y liberarnos de la pantalla. Pero también puede multiplicar la vigilancia, la dependencia y la concentración de poder en quien controle modelo, sistema operativo, conectividad, datos y servicios. Nos puede poner completamente en manos de los mismos irresponsables peligrosos que ya nos explotaron con las redes sociales.

Por eso el sistema operativo propietario importa tanto. Un dispositivo propio es una forma de escapar del dominio de Apple y Google. Hoy, quien quiera llegar al bolsillo del usuario tiene que pasar por iOS o por Android, por sus reglas, sus APIs, sus comisiones y sus restricciones. El hardware vuelve a importar porque define quién está presente cuando el usuario formula una intención. Google dominó la búsqueda; Amazon, las compras; Apple y Google, las aplicaciones; Meta, la intención social. La inteligencia artificial aspira a algo más amplio: la intención, incluso antes de convertirse en acción.

No creo que el smartphone desaparezca pronto. La pantalla sigue siendo eficiente para leer, comparar, editar o verificar. Pero puede perder centralidad, como el ordenador personal la perdió frente al smartphone. La nueva interfaz podría ser una constelación de gafas, auriculares, objetos de bolsillo y dispositivos ambientales. Lo decisivo no será la forma, sino la capa: sensores, contexto, modelo, conectividad y capacidad de acción.

La oportunidad es enorme, pero también el riesgo. Un dispositivo de inteligencia artificial bien diseñado podría hacer la tecnología menos absorbente, más accesible y más humana. Uno mal diseñado podría sustituir la adicción a la pantalla por una vigilancia y monitorización continua y una delegación cognitiva completamente opaca en manos de personajes peligrosísimos. Yo mismo, un profesor de innovación acostumbrado a probarlo todo, no uso WhatsApp o Threads ni de lejos, no he llegado a tocar ninguno de los dispositivos recientes que he mencionado en el artículo, y todo aquel al que veo con las gafitas de Meta me parece, por definición, un idiota que merece todo lo que le pueda pasar. Entre querer entender la innovación y ser una maldita fashion victim, con gran énfasis en lo de victim, hay una distancia enorme.

La próxima revolución de la interfaz no consistirá en dejar las pantallas, sino en que dejen de ser el centro. Y entonces la pregunta no será qué dispositivo llevamos encima, sino qué compañía, qué modelo y qué arquitectura de poder llevamos, literalmente, pegadas al cuerpo.

This article is also available in English on my Medium page (no paywall), «AI: new app, or new device?»

Hay una forma especialmente torpe de adoptar la inteligencia artificial: sentar a alguien ante un organigrama, enseñarle una demo brillante y pedirle que señale nombres. “Lo que hace este lo puede hacer una inteligencia artificial, lo que hace este también, este otro de aquí sobra”. Es la vieja reducción de costes de siempre, envuelta en terminología futurista. No es transformación digital: es idiotez directiva con coartada tecnológica.

El caso de Ford es un recordatorio magnífico. Tras confiar demasiado en sistemas automatizados para resolver problemas de calidad, la compañía ha tenido que volver a contratar a cientos de ingenieros veteranos, los famosos “gray beard engineers”, porque la inteligencia artificial no alcanzaba donde sí llega la experiencia acumulada.

Ford no abandona la inteligencia artificial: entiende que necesita conocimiento experto, buenos datos y personas capaces de detectar problemas antes de que se conviertan en defectos caros. Charles Poon, vicepresidente de ingeniería de hardware, lo resume perfectamente: la inteligencia artificial es una herramienta fantástica, pero solo es tan buena como la información con la que se la entrena. El problema no era la inteligencia artificial. Era creer que podía sustituir sin más a quienes sabían interpretar la realidad.

No es un caso aislado. Además de Ford, si tenemos en cuenta al Commonwealth Bank of Australia, a IBM y una serie de datos de Robert Half, resulta que un 32% de hiring managers estadounidenses que eliminaron puestos principalmente por la disponibilidad de inteligencia artificial acabaron recontratando personas para el mismo puesto o para uno similar. También podemos citar un informe de Orgvue: el 39% de líderes empresariales hizo despidos vinculados al despliegue de inteligencia artificial, y entre ellos, el 55% admite haber tomado decisiones equivocadas. Primero se despide, después se descubre que faltaban capacidades, y finalmente se intenta recomprar a toda prisa el conocimiento que había salido por la puerta.

El caso de Commonwealth Bank es aún más revelador: el banco despidió a decenas de empleados de atención al cliente tras introducir un voice bot, pero tuvo que revertir la decisión cuando aumentaron las llamadas y el sistema no fue capaz de absorber la complejidad real del trabajo. La entidad terminó reconociendo que no había considerado adecuadamente todos los factores relevantes antes de declarar redundantes esos puestos. Muchas tareas parecen simples cuando se miran desde lejos, pero contienen contexto, excepciones, criterio, memoria institucional y responsabilidad. Un puesto de trabajo pocas veces se reduce a una lista plana de tareas automatizables.

La pregunta sensata no es “¿a quién puedo despedir con esta herramienta?”, sino “si diseñáramos hoy este proceso desde cero, con inteligencia artificial disponible, ¿cómo lo haríamos?”. Esa diferencia lo cambia todo. Automatizar el statu quo sólo acelera sus defectos. Transformar exige rediseñar flujos de trabajo, datos, incentivos, responsabilidades y métricas. Bain lo explica con claridad: las compañías que crean valor con inteligencia artificial no son las que simplemente añaden herramientas a procesos existentes, sino las que rediseñan cómo se trabaja y cómo se toman decisiones. McKinsey llega a una conclusión parecida: el impacto real aparece cuando las organizaciones rediseñan workflows, gobiernan bien los sistemas y miden resultados con indicadores claros.

Ahí está el elemento que muchas empresas olvidan: los bucles de retroalimentación. Una inteligencia artificial no debe limitarse a producir respuestas, resúmenes, recomendaciones o decisiones parciales. Debe estar conectada con lo que ocurre después. ¿Funcionó la recomendación? ¿El cliente quedó satisfecho? ¿Se evitó el defecto? ¿La respuesta fue correcta? Sin ese feedback loop, la inteligencia artificial se convierte en una demo vistosa o en una herramienta individual de productividad, pero no en un sistema organizativo que aprende.

Por eso tantos proyectos fracasan. El informe “The GenAI Divide” del MIT NANDA señala que, pese a inversiones enormes, el 95% de las organizaciones analizadas no obtiene retorno medible de la inteligencia artificial generativa. La causa no está simplemente en los modelos, sino en la mala integración con los procesos, la falta de aprendizaje contextual y la incapacidad para rediseñar operaciones. BCG insiste en la misma idea: apenas una pequeña proporción de empresas obtiene ganancias financieras sustanciales, y el valor procede sobre todo de repensar el componente humano, no de comprar más tecnología.

La inteligencia artificial no sustituye personas: sustituye, acelera o transforma tareas. Y precisamente por eso obliga a pensar más, no menos. Obliga a mapear procesos, distinguir entre automatización y responsabilidad, preservar conocimiento experto, formar a quienes deben supervisar los sistemas y crear mecanismos para aprender de cada interacción. El NIST insiste en que la inteligencia artificial debe gestionarse con gobernanza, medición, gestión de riesgos y adaptación al contexto. No es burocracia: es simple sentido común.

La próxima vez que alguien diga “esto ya lo puede hacer una inteligencia artificial”, habría que responder: “¿dentro de qué proceso rediseñado, con qué datos, con qué supervisión, con qué métricas, con qué mecanismo de aprendizaje y con qué responsabilidad?”. Si no hay respuesta, no estamos ante una estrategia de inteligencia artificial. Estamos ante una hoja de cálculo en manos de un idiota que busca víctimas. La inteligencia artificial no elimina la necesidad de personas: elimina, más bien, muchas excusas, desde procesos mal diseñados a datos abandonados, pasando por directivos idiotas que no saben medir y por organizaciones que nunca aprendieron a aprender.

This article is also available in English with no paywall on my Medium page, «The great AI rehiring: what Ford, Commonwealth Bank and IBM got wrong»

Mi columna de esta semana en Invertia se titula «La próxima nómina será una factura de tokens» (pdf), y trata sobre una de esas transiciones que, como tantas otras en tecnología, tienden a malinterpretarse por completo en sus primeras fases: la evolución del desarrollo de software en la era de la inteligencia artificial generativa, y la manera en que el coste de programar empieza a desplazarse desde la nómina de los desarrolladores hacia la factura de tokens.

La idea parte de una predicción de Gartner que me pareció especialmente significativa: en 2028, el coste mensual de las herramientas de programación con inteligencia artificial podría superar el salario medio global de un desarrollador, algo que InfoWorld comentaba también en un artículo sobre cómo los costes de tokens en programación van camino de rivalizar con las nóminas humanas. La cuestión no es, como tantos titulares simplistas pretenden, que los programadores vayan a desaparecer, sino que el balance económico del desarrollo de software está cambiando de manera mucho más profunda: una parte creciente de lo que antes se contabilizaba como horas de trabajo humano pasa ahora a expresarse como consumo computacional, iteraciones, contexto, agentes y llamadas a modelos.

Llevo tiempo dándole vueltas a este tema, y de ahí que la columna conecte con varias entradas anteriores que he publicado sobre la transformación del papel del desarrollador. En «¿Despedidos o millonarios? La nueva fractura invisible entre desarrolladores» hablaba de esa división creciente entre quienes entienden la inteligencia artificial como una amenaza y quienes la convierten en una extensión de sus capacidades. En «El programador que dejó de programar: anatomía de una transformación» analizaba precisamente esa mutación del trabajo: menos teclear código y más diseñar, revisar, interpretar, decidir y asumir responsabilidad sobre sistemas que generan código. En «La nueva realidad de la programación y de la educación: inteligencia artificial, de trampa a requisito» planteaba la necesidad de dejar de tratar estas herramientas como una forma de hacer trampas y empezar a entenderlas como una competencia básica. Y en «Una factura de quinientos millones de dólares en tokens» abordaba ya el problema del coste oculto de esa supuesta magia, o de la estupidez que supone incentivar incondicionalmente el consumo de tokens.

El desplazamiento es interesante porque obliga a replantear la naturaleza misma de la productividad. Durante años, muchas empresas han medido la productividad del desarrollo de software con métricas tan cómodas como engañosas: líneas de código, historias cerradas, tickets resueltos o velocidad de entrega. Con la inteligencia artificial, esas métricas se vuelven todavía más peligrosas. Generar código es cada vez más barato, rápido y abundante. El problema es que generar más código no equivale necesariamente a generar más valor. De hecho, puede equivaler a generar más deuda técnica, más superficie de ataque, más dependencia de proveedores y más complejidad que alguien tendrá que entender, auditar y mantener.

Ahí está, en mi opinión, el cambio fundamental: el cuello de botella deja de estar en la escritura y pasa a estar en la validación. El desarrollador valioso ya no es simplemente quien sabe producir código correcto, sino quien sabe formular bien el problema, elegir qué debe automatizarse y qué no, limitar el contexto, evaluar el resultado, detectar errores plausibles y decidir cuándo una solución aparentemente brillante es en realidad una bomba de relojería. El código se abarata, el criterio se encarece.

Esa idea aparece también en otros trabajos recientes. La encuesta de Stack Overflow sobre inteligencia artificial muestra cómo los desarrolladores adoptan estas herramientas, pero también cómo mantienen reservas importantes sobre su precisión y fiabilidad. El informe DORA de Google Cloud insiste en que la productividad del software no puede entenderse simplemente como velocidad, sino como un equilibrio entre entrega, calidad, fiabilidad y cultura organizativa. McKinsey ha analizado el potencial de la inteligencia artificial generativa para aumentar la productividad de los desarrolladores, pero sus propios resultados apuntan a algo que conviene no olvidar: el impacto depende mucho del tipo de tarea, del contexto y de la capacidad de la organización para rediseñar procesos, no simplemente de enchufar una herramienta y esperar milagros.

También me pareció relevante un estudio de GitLab sobre organizaciones que generan código con inteligencia artificial más deprisa de lo que son capaces de controlarlo. Esa frase resume muy bien el riesgo: empresas encantadas con la velocidad de generación, pero incapaces de construir los mecanismos de revisión, seguridad, gobernanza y trazabilidad que esa velocidad exige. La inteligencia artificial puede convertir a un buen equipo en uno extraordinariamente productivo, pero también puede convertir a una organización mediocre en una fábrica de pasivos ocultos.

La comparación con los directivos me parece inevitable. Microsoft ha hablado del auge de los agentes y de cómo las organizaciones tendrán que rediseñar la relación entre personas y sistemas autónomos, mientras McKinsey ha señalado el papel de los mandos intermedios en la adopción de la inteligencia artificial generativa. En el fondo, desarrolladores y directivos se enfrentan a una evolución parecida: ambos pasan de hacer determinadas tareas directamente a dirigir sistemas que las hacen. La diferencia entre unos y otros no estará en quién usa más inteligencia artificial, sino en quién sabe gobernarla mejor.

Por eso me interesa tanto esta transición. No estamos ante una simple sustitución de humanos por máquinas, sino ante una redistribución de costes, responsabilidades y competencias. El que piense que basta con despedir desarrolladores y pagar tokens no ha entendido nada, y se va a llevar un suspenso como la copa de un pino… pero no se lo pondré yo, se lo pondrá la vida. Igual que pensar que basta con mantener a todos los desarrolladores haciendo exactamente lo mismo de siempre. La empresa que entienda esta transición aprenderá a gestionar los tokens como un recurso escaso, a medir valor en lugar de actividad, a formar a sus equipos para trabajar con agentes y a distinguir entre automatización sensata y entusiasmo irresponsable.

La programación no se acaba. Se vuelve más abstracta, más estratégica y, paradójicamente, más humana en aquello que realmente importa: criterio, responsabilidad, arquitectura, comprensión del problema y capacidad para decir que no. Lo que se acaba, probablemente, es una determinada idea del programador como simple productor de líneas de código. Y lo que empieza es una etapa bastante más interesante, en la que el verdadero diferencial no será quién genera más software, sino quién sabe qué software merece la pena generar.

This article is also available in English with no paywall on my Medium page, «The scale is tipping: human hours vs. machine tokens»

La idea más importante sobre inteligencia artificial en estos momentos puede que no provenga de un artículo científico, del lanzamiento de un nuevo modelo o de un benchmark. Puede que provenga de un breve ensayo publicado en X por el CEO de Microsoft, Satya Nadella.

En él, Nadella sostiene que el futuro de la empresa dependerá de la interacción entre lo que denomina capital humano y capital de tokens: por un lado, el conocimiento, el criterio, las relaciones y el ingenio de las personas; por otro, la capacidad de inteligencia artificial que las organizaciones sean capaces de construir y poseer.

La terminología es nueva. La observación de fondo no. Durante los últimos meses, en una serie de artículos que comenzó con la idea de que los LLMs nunca fueron diseñados para dirigir empresas, continuó con el argumento de que la inteligencia artificial empresarial debía pasar de las respuestas a los resultados y terminó concluyendo que la inteligencia artificial empresarial sigue esperando a su equivalente de la World Wide Web, he venido defendiendo una idea relacionada: el desafío central de la inteligencia artificial empresarial no es la inteligencia en sí misma: es la arquitectura.

Lo interesante del ensayo de Nadella es que llega a muchas de las mismas conclusiones desde un camino completamente distinto.

Porque, si se sigue cuidadosamente su razonamiento, conduce a una conclusión que buena parte de la industria de la inteligencia artificial empresarial sigue resistiéndose a aceptar: el futuro de la inteligencia artificial empresarial no está en el modelo. Está en el bucle de aprendizaje.

El paso de la inteligencia a la inteligencia que se acumula

Quizá la frase más reveladora del ensayo de Nadella sea esta:

La verdadera oportunidad no consiste en elegir el mejor modelo, sino en construir un bucle de aprendizaje sobre los modelos donde el capital humano y el capital de tokens se potencien mutuamente.

Es una afirmación sutil y profundamente importante. Durante los dos últimos años, las conversaciones sobre inteligencia artificial empresarial han girado casi exclusivamente alrededor de la capacidad de los modelos. ¿Qué modelo razona mejor? ¿Cuál escribe mejor código? ¿Cuál tiene la mayor ventana de contexto? ¿Cuál lidera los benchmarks?

Todas esas preguntas importan, pero parten de una suposición implícita: que la inteligencia es el recurso escaso. Y cada vez lo es menos. Los modelos de frontera desarrollados por OpenAI, Anthropic, Google, Meta, xAI y otros siguen mejorando a un ritmo extraordinario. Cada pocos meses, capacidades que parecían extraordinarias pasan a ser algo cotidiano.

La capa de inteligencia está convirtiéndose en un recurso abundante. Y cuando un recurso se vuelve abundante, la atención se desplaza hacia el sistema que lo organiza. La electricidad se convirtió en infraestructura. La computación se convirtió en infraestructura. Las redes se convirtieron en infraestructura. Todo indica que lo mismo está empezando a ocurrir con la inteligencia.

Como defendía recientemente, la pregunta importante está dejando de ser cuál es el modelo más inteligente para convertirse en cómo se organiza, despliega, gobierna, mide y mejora continuamente la inteligencia dentro de la empresa.

Es una pregunta completamente distinta.

El problema del «veterano de la empresa»

Hay otra idea en el ensayo de Nadella que merece especial atención: afirma que una organización debería poder sustituir un modelo de propósito general sin perder el conocimiento acumulado dentro de sus sistemas. La expresión que utiliza es memorable: la empresa debe conservar la experiencia de su «veterano corporativo«.

De nuevo, parece obvio. Pero resulta sorprendentemente raro, o directamente inexistente, en las arquitecturas actuales de inteligencia artificial.

La mayoría de las iniciativas de inteligencia artificial empresarial siguen dependiendo enormemente de capacidades que residen dentro del propio modelo. Si el modelo mejora, mejora el sistema. Si te da por sustituir el modelo, corres el riesgo de perder comportamiento, adaptación y aprendizaje acumulado.

Nadella está apuntando hacia una arquitectura diferente: una en la que el activo duradero no es el modelo, sino el sistema de aprendizaje que lo rodea. Eso es extraordinariamente parecido a lo que ocurrió en anteriores transiciones tecnológicas: las empresas no reconstruyen su ERP cada vez que mejoran las bases de datos, no rediseñan su estrategia CRM cada vez que aparecen procesadores más rápidos. El activo duradero vive por encima de la infraestructura.

Todo indica que la inteligencia artificial avanza en la misma dirección: el modelo mejora, el bucle de aprendizaje permanece.

El regreso de la retroalimentación

Quizá la parte más llamativa del ensayo de Nadella sea que recupera discretamente un concepto que ha estado sorprendentemente ausente de buena parte de la conversación sobre inteligencia artificial:

• La retroalimentación.
• Las evaluaciones privadas.
• Los entornos privados de aprendizaje por refuerzo.
• La mejora basada en resultados de negocio, y no en puntuaciones de benchmarks.

Todas estas ideas comparten un mismo hilo conductor: son mecanismos que conectan la acción con el resultado. Y precisamente ahí es donde siguen fallando muchos sistemas de inteligencia artificial empresarial.

En «Después de la ilusión: en qué debe convertirse la inteligencia artificial empresarial«, escrito a finales del pasado abril, ya defendía que la industria había optimizado la inteligencia artificial para responder preguntas cuando, en realidad, las empresas necesitan sistemas que cambien resultados.

La diferencia parece semántica hasta que uno comprende que los outputs pueden generarse sin saber jamás si han servido para algo. Los resultados, no. En el momento en que un sistema empieza a medir si sus acciones acercan realmente a la organización a sus objetivos, ocurre algo importante: el sistema deja de ser simplemente generativo, y se vuelve adaptativo. Y la adaptación genera acumulación.

Eso no es una idea nueva dentro de la informática: sistemas como AlphaGo o AlphaZero de DeepMind demostraron hace años que los bucles de retroalimentación pueden producir capacidades extraordinarias cuando la inteligencia se conecta directamente con objetivos y no únicamente con predicciones.

Lo novedoso es la posibilidad de aplicar esos mismos principios a las empresas.

La cuestión del ecosistema

La última parte del ensayo de Nadella quizá sea la más importante: sostiene que un mundo donde todo el valor acaba concentrado en un pequeño grupo de modelos fundacionales no es económicamente ni políticamente estable. Y tiene toda la razón.

Todas las grandes etapas de la informática acabaron generando ecosistemas: el PC creó empresas de software, la web creó negocios digitales, la nube creó industrias enteras. La plataforma adquirió valor porque el valor empezó a acumularse sobre ella, no porque permaneciera encerrado dentro de ella.

Este argumento coincide estrechamente con el que desarrollé en «La inteligencia artificial empresarial está en 1991. ¿Dónde está su web?»: Internet ya funcionaba antes de la web. Existía el TCP/IP, el correo electrónico y el FTP. Lo que faltaba era la capa que hiciera consumibles esas tecnologías para organizaciones normales.

La inteligencia artificial empresarial actual resulta extraordinariamente parecida: la infraestructura existe, las capacidades existen… pero la capa que permite construir valor duradero sobre esa infraestructura sigue siendo incompleta.

Las empresas que acaben definiendo la siguiente etapa de la inteligencia artificial empresarial quizá no sean las que construyan los modelos más potentes. Quizá sean las que construyan los sistemas que permitan a cualquier organización convertir inteligencia en conocimiento institucional que aprende, mejora y se acumula.

La siguiente pregunta

Por eso creo que el ensayo de Nadella es importante: no porque ofrezca respuestas, sino porque formula la pregunta correcta. Si la inteligencia se está convirtiendo en un recurso abundante, ¿de dónde procederá la ventaja competitiva sostenible y duradera?

Su respuesta es: del bucle de aprendizaje. Y creo que tiene toda la razón.

El próximo capítulo de la inteligencia artificial empresarial no estará definido por qué modelo gane, estará definido por qué arquitecturas permitan convertir el conocimiento humano en sistemas que aprendan, mejoren y acumulen capacidades con el tiempo.

Las empresas que descubran cómo hacerlo no se limitarán a utilizar inteligencia artificial: estarán construyendo una nueva forma de capital organizativo. Y puede que ese termine siendo el activo más importante de toda la era de la inteligencia artificial.

(This article was previously published on Fast Company)

El gran apagón ibérico de abril de 2025 nos dejó muchas imágenes: trenes parados, semáforos muertos, comercios incapaces de cobrar, ascensores detenidos, gente haciendo colas en cajeros o supermercados, y ciudades que de repente parecían haber retrocedido varias décadas.

Pero, para muchos, lo más desconcertante no fue quedarse sin luz. Fue mirar el móvil, ese objeto que hemos convertido en brújula, radio, cartera, agenda, llave y cordón umbilical con el mundo, y descubrir que tampoco servía para nada. Sin señal, sin datos, sin llamadas, sin posibilidad de saber qué estaba pasando. El apagón no fue solo eléctrico: fue informativo, psicológico y social.

Por eso tiene todo el sentido que el gobierno quiera obligar a los operadores a mantener la cobertura móvil durante al menos cuatro horas en caso de caída de la red eléctrica. La medida, anunciada por el Ministerio para la Transformación Digital, prevé baterías y mecanismos de redundancia para garantizar cobertura al 50% de la población en el primer año, al 65% en el segundo y al 75% en el tercero, además de exigir doce horas de autonomía a centros de gestión intermedios y veinticuatro a los centros de control críticos. No estamos hablando de un capricho regulatorio ni de una ocurrencia intervencionista, sino de algo tan elemental como asumir que las redes de telecomunicaciones son ya infraestructura crítica, exactamente igual que la electricidad, el agua o el transporte.

Durante años hemos vendido la digitalización como una especie de magia ubicua: todo conectado, todo disponible, todo en la nube, todo inmediato. Pero esa narrativa ocultaba una dependencia obvia: la nube no flota, los datos no viajan por el aire por arte de magia y las antenas no funcionan con buenas intenciones. Funcionan con energía, con baterías, con generadores, con mantenimiento, con redundancia y con una planificación que normalmente solo se aprecia cuando falla.

El informe final de ENTSO-E sobre el apagón identificó una combinación de factores técnicos, oscilaciones, problemas de control de tensión y desconexiones en cascada, y recordó que se trató del incidente más grave en el sistema eléctrico europeo en más de dos décadas. Y conviene decirlo sin ambigüedades: el apagón no lo provocaron las energías renovables, sino una cadena de fallos de gestión, control de tensión y resiliencia de la red que algunos han intentado convertir interesadamente en una estúpida y primaria guerra cultural contra la transición energética. Pero la lección no termina en la red eléctrica: termina en todas las infraestructuras que dependen de ella.

La cobertura móvil en una emergencia no es un servicio premium. Es la posibilidad de llamar al 112, de recibir alertas públicas, de localizar a familiares, de coordinar servicios, de evitar rumores, de reducir el pánico. Cuando la información desaparece, la incertidumbre ocupa su lugar, y la incertidumbre es un amplificador formidable de cualquier crisis. En el apagón de 2025, muchos ciudadanos no sabían si estaban ante un fallo técnico, un ciberataque, un accidente o algo peor. Esa ausencia de contexto convierte cada conversación de bar, cada mensaje recibido antes de perder la señal y cada teoría improvisada en una fuente potencial de desinformación.

Los operadores, obviamente, dirán que esto cuesta dinero. Claro que cuesta dinero. También cuesta dinero enterrar cables, desplegar fibra, mantener centros de datos, securizar redes o cumplir obligaciones de servicio universal. La pregunta no es si cuesta, sino cuánto cuesta no hacerlo. Un país que exige a sus ciudadanos gestionar buena parte de su vida mediante canales digitales no puede permitir que, en cuanto falla la electricidad, esos canales se evaporen. La resiliencia no puede ser una promesa publicitaria de los anuncios de 5G: tiene que ser una obligación verificable, auditada y sancionable.

España no está sola en esta discusión. Ofcom, el regulador británico, lleva tiempo analizando la resiliencia energética de las redes móviles y ha señalado explícitamente la creciente interdependencia entre telecomunicaciones y energía, así como la necesidad de sistemas de respaldo en la red de acceso radio. El gobierno británico, además, recomienda a los ciudadanos prever disrupciones de teléfono y banda ancha, tener radios a pilas y comprobar si sus servicios de voz digital funcionarán durante cortes de suministro. La diferencia es que esa preparación individual no puede sustituir a la responsabilidad estructural de quienes operan la infraestructura.

Cuatro horas no solucionan todos los problemas. En un apagón prolongado, cuatro horas pueden quedarse cortas. En zonas rurales, con menos densidad de antenas y menos solapamiento entre operadores, la resiliencia será más difícil y probablemente más cara. Pero precisamente por eso la medida debe verse como un mínimo, no como una meta. Un punto de partida para rediseñar una red pensada no solo para maximizar tráfico, vender gigas o presumir de velocidad, sino para seguir funcionando cuando más falta hace.

La digitalización madura empieza cuando dejamos de confundir disponibilidad con resiliencia. Que algo funcione todos los días no significa que esté preparado para funcionar el peor día. El apagón nos enseñó que una sociedad hiperconectada puede quedarse sorprendentemente muda en cuestión de minutos. Obligar a que las antenas tengan respaldo no es castigar a los operadores: es recordarles que su negocio se ha convertido en un servicio esencial. Y que en una emergencia, una raya de cobertura puede valer mucho más que cualquier campaña de marketing.

This article is also available in English on my Medium page, «The day our phones went dark»