Mi columna de esta semana en Invertia se titula «Cuando el talento ya no necesita a Silicon Valley» (pdf), y trata sobre una transformación que me parece particularmente interesante: qué ocurre cuando el talento tecnológico deja de estar inevitablemente asociado a un lugar concreto, y cuando el ecosistema que durante décadas funcionó como la gran aspiradora mundial de ingenieros, emprendedores e inversores empieza a comprobar que esa capacidad de atracción ya no puede darse por supuesta.

La excusa para hablar de ello es un estudio reciente de CBRE que muestra cómo, entre 2022 y 2025, el área de Nueva York alcanzó los 394,300 trabajadores tecnológicos, frente a los 375,730 del área de la Bahía de San Francisco. Obviamente, esto no significa que Silicon Valley haya dejado de ser el ecosistema tecnológico más importante del mundo: CBRE sigue situándolo como el principal mercado tecnológico, y continúa concentrando cantidades enormes de capital, compañías, laboratorios y talento. Pero sí sugiere que la relación entre talento y territorio está empezando a cambiar de una manera que merece la pena observar.

Durante décadas, la ventaja de Silicon Valley se construyó alrededor de una combinación extraordinariamente poderosa de universidades como Stanford y Berkeley, profesores que empujaban a sus alumnos a crear compañías, inversores dispuestos a financiarlas, empleados que podían pasar fácilmente de una empresa a otra y una cultura que convertía el emprendimiento tecnológico en la opción más natural del mundo. Un estudio de Stanford calculó que las compañías fundadas por antiguos alumnos y profesores de la universidad generaban unos 2,7 billones de dólares anuales y millones de puestos de trabajo, mientras que distintos trabajos académicos han descrito precisamente a Stanford y Berkeley como auténticos motores del ecosistema de innovación de Silicon Valley. El resultado fue un efecto de concentración brutal: estudiabas allí, conocías allí a tus posibles cofundadores, encontrabas allí a tus primeros empleados, conseguías allí el dinero y, naturalmente, terminabas creando allí tu compañía.

La inteligencia artificial está empezando a alterar esa lógica, entre otras cosas porque la cantera de talento ha cambiado radicalmente. Según los datos del Global AI Talent Tracker de MacroPolo, China pasó de originar alrededor del 29% del talento puntero en inteligencia artificial en 2019 a aproximadamente el 47% en 2022, mientras Estados Unidos se quedaba en torno al 18%. Es decir, prácticamente uno de cada dos investigadores de élite en inteligencia artificial se forma inicialmente en China, en universidades como Tsinghua, Peking, Zhejiang o Fudan, como resultado de una apuesta por la educación científica y tecnológica sostenida durante años.

Estados Unidos sigue siendo, por supuesto, extraordinariamente bueno atrayendo ese talento, y una buena parte de los mejores investigadores chinos terminan trabajando en universidades y compañías estadounidenses. De hecho, un análisis reciente de la Carnegie Endowment encontró que la inmensa mayoría de un grupo de investigadores chinos de élite que ya trabajaban en Estados Unidos años atrás seguían allí. Pero incluso esa capacidad empieza a mostrar síntomas preocupantes: el AI Index 2026 de Stanford señala que el número de investigadores y desarrolladores de inteligencia artificial que se trasladan a Estados Unidos ha caído de manera muy significativa desde 2017. En un país que ha construido buena parte de su ventaja tecnológica precisamente importando a los mejores cerebros del mundo, convertir la inmigración en un terreno hostil, burocrático o directamente desagradable parece una forma especialmente absurda de deteriorar una de sus ventajas competitivas más importantes.

China, además, ya no es simplemente una cantera que exporta talento: está construyendo activamente las condiciones para que ese talento pueda quedarse o regresar. El caso de DeepSeek es ilustrativo: Nature explica cómo su aparición está vinculada a políticas públicas, financiación y una cantera creciente de graduados en inteligencia artificial, mientras otras investigaciones analizan la agresiva política china de captación y retorno de científicos y los esfuerzos por atraer talento internacional. Lo que antes era casi una obligación, marcharse a Estados Unidos para trabajar en la cresta de la ola tecnológica, empieza a convertirse simplemente en una opción más. Y dado como tratan a la inmigración extranjera en los Estados Unidos de Donald Trump, muchas veces no la opción más apetecible.

La consecuencia es que la geografía de la innovación se vuelve negociable: un investigador brillante ya no necesita necesariamente pasar por Stanford, instalarse en Palo Alto y buscar financiación en Sand Hill Road. Puede trabajar en Nueva York, Seattle, Londres, París, Pekín, Shenzhen o cualquier otro lugar capaz de ofrecerle buenos proyectos, acceso a recursos de computación, colegas interesantes, financiación, calidad de vida y una política migratoria razonable y con sentido. Además, la movilidad ya no rompe necesariamente las redes intelectuales: un estudio publicado en Scientific Reports, basado en cientos de miles de científicos de inteligencia artificial y millones de publicaciones, muestra hasta qué punto las redes de colaboración entre China y Estados Unidos persisten incluso cuando los investigadores se desplazan de un país a otro.

Y esa distinción entre dónde se forma el talento, dónde decide trabajar y dónde se concentra el capital me parece fundamental para entender lo que está ocurriendo. En formación, China está avanzando a enorme velocidad. En empleo, Estados Unidos continúa siendo un imán poderosísimo, pero menos indiscutible que antes. Y en capital, Silicon Valley sigue dominando de manera abrumadora: CBRE calcula que el Bay Area ha captado alrededor del 80% del venture capital estadounidense destinado a compañías de inteligencia artificial desde 2020, mientras que The Wall Street Journal señalaba recientemente que California continúa concentrando más inversión en startups que el resto de los estados del país juntos.

La cuestión, por tanto, no es afirmar que Silicon Valley haya muerto, algo obviamente falso, sino preguntarse si ha dejado de ser inevitable. Durante décadas, la tecnología parecía necesitar una capital, un lugar al que había que ir para estar realmente en el centro de las cosas. Puede que la inteligencia artificial esté empezando a demostrar precisamente lo contrario: que cuando el talento se forma en muchos lugares, puede moverse con relativa facilidad y encuentra oportunidades igualmente interesantes en ecosistemas muy diferentes, la innovación deja de tener necesariamente una única dirección postal.

La británica Raspberry Pi se ha convertido en viral esta semana haciéndose eco de una afición de nicho: los llamados cyberdecks, u ordenadores portátiles personalizados construidos por uno mismo. La compañía ha publicado su guía oficial para crear tu propio cyberdeck utilizando sus ordenadores.

Este tipo de proyectos, habituales dentro de la comunidad maker, llevaba un cierto tiempo viralizándose con proyectos que se movían a través de Instagram, TikTok y otras redes, con ordenadores que se disfrazan de bolsos, joyeros, maletines o incluso latas de caramelos de menta. Ahora, con el principal fabricante de ordenadores de placa única adoptando la tendencia, esto deja de ser simplemente una rareza y se convierte en algo que, además, me parece enormemente didáctico y positivo.

¿A qué nos referimos exactamente con cyberdeck? Básicamente, a un ordenador portátil construido de manera artesanal, típicamente usando una Raspberry Pi o alguna variación de ese tipo de ordenadores, con una pantalla, un teclado, alimentación, y alguna carcasa elegida bien por su diseño, o para la utilidad que se pretende extraer de él. El término procede del «Neuromancer« de William Gibson, y la idea es diseñar un ordenador para satisfacer una necesidad que un portátil convencional no cubre, o simplemente por el placer de hacerlo.

¿Quién querría fabricarse su propio ordenador? Cualquiera, por ejemplo, que quiera meter un ordenador en una caja estanca, en un bolso o en una caja de lata de caramelos. Lo que propone el tutorial es usar un Raspberry Pi 5, una pantalla táctil de 7 pulgadas, un teclado Bluetooth, una batería y unos altavoces, que instala en un maletín resistente al agua. Pero si quieres llevar el tema cerca de sus límites, puedes probar a usar un Raspberry Pi Zero, una pantalla de sólo dos pulgadas y un teclado fabricado a mano, y meterlo todo en una lata de Altoids.

Tengamos en la cabeza que no se trata de construir un portátil malo, sino de plantear un dispositivo pensado para una función determinada. Puedes incorporar una radio definida por software, una GPIO accesible, sensores del tipo que quieras, controles físicos, baterías intercambiables o almacenamiento local. Todo vale si funciona para el fin que tenías en la cabeza, como cuando nos montábamos nosotros los ordenadores porque queríamos elegir uno a uno sus componentes.

Además, puedes perfectamente plantear una utilidad didáctica: plantearlo como proyecto obliga a ejercitar habilidades de diseño industrial, de electrónica, de programación, de gestión de energía, de sistemas operativos, de impresión 3D, de soldadura, de ergonomía y de resolución de problemas. Auténtico aprendizaje bien motivado, con objetivos reales y posibles errores concretos que hay que resolver. Se trata de vernos a nosotros mismos no tanto como consumidores que vamos a una tienda y compramos un laptop, sino como alguien capaz de crear sus propias herramientas. En ese tipo de proyectos, en muchos casos, el DIY (Do It Yourself) tiende a evolucionar hacia un DIT (Do It Together) muy interesante en términos de dinámica de clase.

Al final, este tipo de cuestiones son más una pequeña rebelión contra las cajas negras, contra la dinámica que nos lleva a vivir cada vez más rodeados de dispositivos más potentes, mejor terminados y herméticos, sellados con adhesivos imposibles de quitar, que el usuario es incapaz de abrir, de entender y mucho menos aún, de reparar. El cyberdeck busca justamente lo contrario: un dispositivo con sus tornillos, cables, componentes y placa a la vista, que el usuario entiende porque lo ha construido él mismo, y cuyos componentes puede, si quiere, ir sustituyendo o actualizando. Es, básicamente, autonomía tecnológica que conecta con derechos como el derecho a reparar, con la reutilización de componentes o con la prolongación de la vida útil de los productos, a lo que añadimos el estímulo de la curiosidad y la competencia técnica que nos da la cultura maker.

¿Anecdótico? Tal vez. ¿Interesante? Mucho.

In English on Medium, «Cyberdecks: computers to understand computers again»

Un artículo en The Atlantic, «Are you sure you want a car with a giant touch screen?», detalla una cuestión que varios comentaristas habituales llevan tiempo comentando en esta página: hasta qué punto el precio de numerosos artículos con un componente electrónico, como los ordenadores pero también, cada vez más, los automóviles, están viendo cómo se incrementa su precio debido a la elevadísima demanda que los data centers generan de componentes como, por ejemplo, la memoria RAM.

Resulta como mínimo curioso que infraestructuras diseñadas para alimentar la creciente demanda de la sociedad de chatbots como ChatGPT, Claude o Gemini terminen, de alguna manera, encareciendo un automóvil fabricado por Volkswagen, Toyota o Citroën, pero la realidad es que está sucediendo, y no es en absoluto anecdótico. Algunos analistas cifran este efecto de incremento del precio de la memoria RAM en torno al 4% en el caso de un automóvil, lo que podría suponer unos $2,000 en un vehículo de unos $50,000.

El hecho de que los vehículos lleven ya años convirtiéndose en auténticos smartphones con ruedas hace que este efecto sea mucho más acusado: las nuevas arquitecturas centralizadas que están sustituyendo a las decenas o centenares de pequeñas unidades de control distribuidas por el vehículo podrían llegar a representar por sí solas en torno al 20% de su coste. ¿Queríamos automóviles que fueran ordenadores con ruedas? Ya los tenemos.

Pero más allá del mercado del automóvil, lo que estamos viendo es hasta qué punto una carrera por conseguir la mejor inteligencia artificial se convierte, de manera invisible, en un impuesto que encarece todo el resto de los productos que consumimos y que tienen algún componente electrónico. La alocada carrera por construir más y más data centers, que enfrenta cada vez más a comunidades locales con compañías y con políticos, no es simplemente un problema de consumo de agua (ver cómo a ti te multan por regar tu césped, mientras un pedazo de instalación del tamaño de un hipermercado «se bebe» enormes cantidades de agua cada día) o de incremento del precio de la electricidad: es, más bien, una factura invisible que se aplica a todo aquello que las compañías sí pueden comprar para sus data centers, pero que tú, cada día, puedes permitirte con menos alegría. Cada vez que ves el precio de un ordenador, de un automóvil o de muchos otros aparatos, estás viendo en realidad una opción sobre la que los ciudadanos no se han pronunciado en ningún momento – o, cuando lo han hecho, ha sido en sentido negativo, porque esas instalaciones generan numerosos temores sobre las posibilidades de preservar su estilo de vida – pero que está teniendo lugar sin que tengan sobre ello ningún tipo de control, con la connivencia abierta de políticos alimentados por lobbies especialmente voraces y sin escrúpulos.

No en vano Anthropic sitúa el rechazo a la inteligencia artificial y a las compañías que la representan como uno de sus riesgos más importantes en el folleto de su salida a bolsa. A este paso, entre cócteles Molotov lanzados contra la residencia de Sam Altman y facturas de productos que no paran de subir, los escenarios distópicos de ciencia-ficción en los que los prebostes de la tecnología tienen que vivir en auténticos bunkers protegidos por ejércitos privados o incluso en otros planetas inaccesibles para el común de los mortales van a terminar haciéndose realidad…

In English on Medium, «Smartphones on wheels, rising prices: the mounting cost of the AI race«

Es una de las cosas que peor llevo de todo esto: que después de veintitrés años demostrando sobradamente que puedo escribir un artículo de cierta calidad al día, vengan imbéciles con un supuesto detector – o sin él – a decirme que es que «escribo AI slop» o que mi artículo lo ha escrito un chatbot. Es literalmente como el conocido «juicio del agua fría» de la Edad Media: te acusan de brujería, te atan las manos, te tiran al agua, y si flotas, eres culpable y te ahorcan, pero si te hundes, eras inocente.

El término adecuado, en realidad, es el de probatio diabolica, que proviene del derecho de propiedad romano: para poder reclamar un bien, te podían exigir que demostrases toda su cadena de transmisiones hasta la adquisición original, lo que incluía demostrar lo que no habías hecho.

En el contexto de la inteligencia artificial generativa, si una máquina produce un veredicto de que has utilizado inteligencia artificial, tienes supuestamente que demostrar el hecho negativo de que no la utilizaste, algo para lo que no existe prueba concluyente alguna. Menos mal que aún existe un mínimo de sentido común, al menos en algunos sitios.

Es la inversión total de la carga de la prueba: una máquina que desconoce completamente tu forma de trabajar, deduce en función del estilo de tu artículo que lo ha escrito otra máquina, aunque desconoce completamente cómo has conceptualizado ese artículo, cómo has pulido la idea, cómo has investigado y te has documentado, qué borradores has producido, qué búsquedas has hecho, cómo lo has traducido… El algoritmo se limita a emitir un porcentaje, sin más explicación, y eso se transforma en afirmación categórica supuestamente infalible que cuestiona tu integridad y tu prestigio profesional, independientemente de quién seas, cuál sea tu historial o tus méritos, o cómo de brillante sea el propio artículo.

Los primeros detectores perdieron rápidamente su credibilidad porque fallaban de manera habitual, y podían ser pillados señalando como escritos por inteligencia artificial textos clásicos o de autores que los habían escrito mucho antes de que siquiera la tecnología estuviese disponible. El detector de OpenAI, que fue retirado en 2023, identificaba como artificiales únicamente el 26% de los textos escritos por máquinas, y consideraba escritos por máquinas el 9% de los escritos por humanos. La llegada de Pangram ha alterado este panorama: la supuesta fiabilidad de este detector hace que muchos le atribuyan algún tipo de «cualidades mágicas», por mucho que se limite a analizar algo tan variable como estilos de redacción, sin más conocimiento del proceso que el autor pudo llevar a cabo para escribir su artículo.

El problema es evidente, aunque sólo lo entiendan aquellos que escriben artículos habitualmente: escribir un artículo no es sentarte delante de un teclado y golpear teclas sin más. El proceso comienza cuando un autor tiene una idea original, la investiga, le da forma y estructura, lo razona, lo documenta, etc. y, finalmente, le da una expresión escrita determinada. En todo ese proceso, la inteligencia artificial generativa puede aparecer de muchísimas formas: puede ayudarte a documentar, puede encontrar fuentes, puede darte puntos de vista, sugerirte críticas… o puede, por ejemplo, no participar en el proceso pero, al final, hacer la traducción de tu artículo al idioma en el que lo quieres publicar. Por mucho que la traducción sea automática, la autoría intelectual del artículo sigue siendo completamente tuya de manera indiscutible, lo diga Pangram o el Papa de Roma (que por cierto, también ha sido acusado de utilizar inteligencia artificial generativa en su encíclica). ¿O acaso lo será menos si utilizases un traductor humano profesional? ¿Es malo utilizar un traducir cuando el idioma al que traduces, por mucho que lo puedas dominar, no es tu lengua nativa? ¿Hace eso un artículo, con todo el trabajo que conlleva escribirlo, «menos tuyo»?

El siguiente problema, provocado de forma completamente irresponsable por LinkedIn, es cuando lo que se pasa a utilizar es un simple botón para que cualquiera pueda señalar un artículo como «AI slop». En ese caso ya ni siquiera hablamos de si el detector hace o no hace bien su trabajo: hablamos de un juicio público por linchamiento, en el que los dedos acusadores únicamente utilizan su primera impresión. Basta que alguien con cierta popularidad apriete el botón, para que aparezca un pelotón de lapidación que se unen a esas impresiones y, sin mediar juicio o consideración alguna, pongan en duda el prestigio profesional que una persona puede haber construido a lo largo de años de duro trabajo. Así, sin más. En algunos casos, simplemente porque la ilustración del artículo estaba efectivamente creada con inteligencia artificial, como si además de escribir artículos estuvieses obligado a ilustrarlos tú.

Nunca he utilizado inteligencia artificial para escribir mis artículos. La he utilizado para contribuir en su documentación, en la búsqueda de fuentes, para criticarlos y mejorarlos, para ilustrarlos y para traducirlos, pero jamás, y repito, jamás, he presentado un artículo en ningún sitio que pudiese siquiera plantearme que no era de mi autoría, sino que esa autoría podía de alguna manera corresponder a una máquina. Sin embargo, sí he sido injustamente acusado de escribir mediante inteligencia artificial, por mucho que mis explicaciones para no hacerlo sean más que claras: no escribo por dinero y no tengo, por tanto, una presión para producir artículos, escribo para aprender y por tanto sería de todo punto estúpido que no escribiese yo, o el simple hecho de llevar más de veintitrés años escribiendo diariamente.

Ahora, basta con que algún imbécil decida que lo que he escrito «suena como AI slop«, probablemente debido a que en su pútrido intelecto es incapaz de imaginarse escribiendo algo así y piensa que únicamente una máquina puede haberlo hecho, para que te ejecuten en la plaza pública y te acusen de ser intelectualmente deshonesto. Del detector, al linchamiento algorítmico, culpable hasta que se demuestre lo contrario cuando lo contrario es imposible de demostrar. La auténtica presunción de culpabilidad. Personalmente no me ha pasado, pero tal y como funciona esto, solo puedo decir que no me ha pasado todavía.

Enhorabuena, LinkedIn, lo has hecho muy bien, has creado «la justicia de las masas». Tan asqueroso es el que se une a la lapidación en la plaza pública, como el que le proporciona las piedras para ello. Irresponsabilidad en estado puro.

In English on Medium, «Thanks LinkedIn and Pangram, now we writers face digital trial by ordeal»

Hay decisiones de adopción tecnológica que cuesta rectificar, y que sólo terminas rectificando cuando ya has causado un montón de molestias e inconvenientes completamente absurdos y evitables a tus propios clientes.

Ese es claramente el caso de Walmart, que ha tardado nada menos que doce años en darse cuenta de lo que todo el mundo pudo entender de manera casi inmediata allá por 2014, cuando Apple lanzó Apple Pay: que iba a tener una adopción enorme y rápida.

¿Cómo consiguió Apple, en un ámbito como el de los medios de pago electrónicos en el que muchos habían fallado, que Apple Pay resultase tan enormemente convincente y fuese aceptado tan rápidamente por todas las partes implicadas, desde los clientes hasta las tiendas, pasando por las compañías de tarjetas de crédito y los bancos? Básicamente, demostrando desde el principio que su base instalada, su experiencia de uso y su esquema de beneficios para todos estaban muy bien planteados, y que había logrado poner de acuerdo a todos esos actores previamente, obviamente con la ayuda de una posición negociadora fuerte.

En 2014, Apple presentó Apple Pay, y como era de esperar, fue arrasando uno por uno en prácticamente todos los mercados. En los Estados Unidos, sin embargo, Walmart y otra serie de retailers grandes como Rite Aid o CVS se dedicaron a fantasear con la absurda idea de boicotear a Apple y lanzar un esquema de pagos por su cuenta que les permitiese reducir las comisiones pagadas a las redes de tarjetas y, de paso, mantener mucho más control sobre la relación y los datos transaccionales de sus clientes. Y de paso, evitar el pago de comisiones de tarjetas, ya que debitaba la compra directamente en la cuenta bancaria del cliente. Se quejaban de que Apple Pay era «demasiado cómodo» y eso hacía que sus clientes no utilizasen sus tarjetas de fidelidad, y de que no recibían suficiente información de las transacciones. Entre todos se pusieron de acuerdo, deshabilitaron la funcionalidad NFC de sus terminales de pago, y lanzaron un intento de medio de pago condenado al fracaso desde su inicio denominado CurrentC, que posiblemente llegaron a utilizar los empleados y directivos de la compañía y algún cliente raro en alguna galaxia lejana.

Mientras Apple Pay y las distintas encarnaciones del sistema de pagos móviles de Google terminaban convirtiendo el pago mediante NFC en algo completamente habitual para millones de personas, CurrentC obviamente se pegó la gran bofetada, y terminó siendo cancelado pocos años después, cuando los retailers implicados en su lanzamiento fueron desmarcándose, volviendo a habilitar el NFC y simplemente empezando a aceptar el ya predominante Apple Pay. Resulta interesante apreciar cómo Apple no inventó el pago móvil NFC, pero sí hizo que funcionase como fenómeno de adopción: Google Pay, bajo el nombre Google Wallet, existía desde 2011, tres años antes de Apple Pay, y ya permitía pagos NFC. De hecho, cuando CVS y Rite Aid bloquearon Apple Pay en 2014, también bloquearon Google Wallet, que hasta entonces funcionaba en sus terminales, aunque tenía un nivel de adopción puramente testimonial. Apple fue quien consiguió convertir ese modelo en algo verdaderamente masivo y bien articulado entre fabricantes, bancos, redes de tarjetas y comercios.

En algunos casos aislados, y Walmart es uno de ellos, esos retailers siguieron negándose a aceptar Apple Pay, e incluso invirtieron millones en desarrollar su propio esquema de pago, Walmart Pay, para poder seguir reteniendo información de sus clientes. Imaginemos la cantidad de clientes que habrán ido a comprar a esas tiendas llevando únicamente su smartphone, como hacemos muchos habitualmente, para encontrarse con la desagradable sorpresa de que, al llegar el momento de pagar, no podían hacerlo. Una incomodidad clara, un engorro que obligaba a plantearse la visita a esas tiendas como «algo diferente», o simplemente una forma de ver cómo la tienda en la que hacías habitualmente la compra se enrocaba en el error y hacía caso omiso de los intereses de sus usuarios, que no pedían nada más que poder pagar ahí como lo hacían en el resto de establecimientos.

Y así, hasta hace unos días, cuando Walmart, finalmente, anunció que a partir del 24 de agosto de 2026, casi doce años después del lanzamiento de Apple Pay, comenzaría a aceptar esos esquemas de pago en establecimientos seleccionados, para extenderlos a todas sus tiendas estadounidenses antes de finales de año. Según la empresa, «Tap to Pay ofrece a los clientes y miembros otra forma familiar y práctica de pagar en caja mediante métodos de pago sin contacto (…) Se trata de ofrecer a los clientes y miembros más opciones y facilitarles las compras diarias, desde cómo gestionan su dinero hasta cómo pagan en caja»… sí, es exactamente eso, ni más, ni menos. Eso mismo que habéis ignorado y esas demandas a las que habéis hecho caso omiso durante doce años.

Como demostración de tozudez, de falta de reflejos y de incapacidad para entender las tendencias del mercado, no está nada mal. En tecnología, estudiar los fracasos y los errores siempre es algo que puede enseñar mucho, y a eso nos dedicamos los profesores. Bienvenido, Walmart, al Hall of Fame de las compañías que tomaron decisiones tecnológicas absurdas e inexplicables y que, a pesar de estar claro desde sus inicios que habían cometido un error, decidieron perseverar en él durante años y años.

In English on Medium, «Walmart’s 12-year ApplePay mistake that cost it more than money«

Un muy interesante estudio finlandés, titulado PANIC, monitorizó a un gran número de niños durante un total de ocho años de su vida y terminó haciendo un estudio longitudinal que abarca a 260 adolescentes con todos los indicadores metodológicos evaluados de manera completamente rigurosa, y termina con una conclusión que escandalizará a todos los de las asociaciones que, con una tremebunda simpleza y cortedad de miras, piden prohibir las pantallas a los niños: que una exposición mayor a pantallas se relaciona de manera claramente positiva con tiempos de reacción más rápidos en tareas de respuesta cognitiva y, de manera general, con una cognición global superior.

Antes de que todos esos que no han leído un paper en su vida empiecen con eso de que «correlación no implica causalidad» (nunca una verdad tan evidente ha sido tan burdamente malinterpretada para pretender refutarlo todo), hay que empezar constatando que aunque el estudio es longitudinal, la cognición global solo se mide al final del segmento, lo que implica que no se pueda analizar causalidad o excluir incluso la causalidad inversa, que los niños con mayor cognición global tiendan a usar pantallas más a menudo. Nadie intenta probar aquí que las pantallas mejores la inteligencia, aunque sea posible que sea así porque aporta una exposición a más y más variados estímulos. De lo que se trata es de demostrar fehacientemente que la histeria del tipo «más pantalla igual a peor» carece completamente de base científica y nunca debería convertirse en una especie de axioma universal para justificar barbaridades como prohibiciones globales.

¿Dónde está el problema? En primer lugar, que la variable «tiempo de pantalla», por mucho que sea fácil de medir con los dispositivos, es una completa estupidez. Los científicos que se han dedicado a extraer conclusiones rápidas de ella son como el borracho que busca sus llaves a la luz de una farola a pesar de que las perdió en otro sitio diferente, pero en el que no había suficiente luz. Mezclar en una misma variable cosas tan diferentes como jugar a videojuegos, ver televisión o vídeos, usar un teléfono o un chat, o programar en Minecraft es tan absurdo, que quita toda la validez a lo que pretende analizar, porque supone mezclar arbitrariamente tareas que van desde programar, estudiar, leer, crear, resolver problemas o buscar información con otras como jugar o consumir contenido de manera completamente pasiva. Usar esa métrica es como medir «tiempo de uso de papel» y mezclar la lectura de libros, con dibujar, con hacer ecuaciones y con ver folletos de publicidad.

Esos análisis más completos, sin embargo, no salen en los medios. ¿Por qué? Porque no interesa. Lo que vienen a demostrar es que toda esa estupidez de «levanta la cabeza» son espantosamente tendenciosos, porque lo que realmente pretenden es que los niños levanten la cabeza para ver más televisión. Y lo que precisamente se demuestra es que ver programas de televisión y tener televisión de fondo se asocia con peores resultados cognitivos, mientras que usar pantallas de forma compartida con adultos se asocia con resultados positivos. Usar una hora para enseñarle cosas que ha visto en el colegio a tu hijo en una pantalla es inmensamente mejor que ponerlo a ver la tele o, en general, utilizar esa hora para un consumo pasivo. Lo importante no es demonizar estúpidamente el soporte pantalla, sino educar para utilizarla bien. Más cuando el futuro de esos niños va a estar necesariamente rodeado de pantallas.

Hay más pruebas de ello: el uso de pantallas se asocia negativamente con la alfabetización en su conjunto porque engloba fundamentalmente el uso de «pantalla como baby-sitter» o «apaganiños», pero esa asociación pasa a ser positiva cuando se mide el tiempo de uso conjunto de pantallas entre padres e hijos. El mismo medio, como es lógico, produce resultados completamente distintos según sea el contexto y el contenido.

Incluso la American Academy of Pediatrics ha cambiado sus recomendaciones: lo que afirma es que hay que monitorizar la calidad de la interacción digital, la actividad que se está desarrollando y la actividad a la que sustituye. Estamos pasando, con toda lógica, del pánico de contar el número de horas al qué estás haciendo durante esas horas, y encontrándonos, ¡oh sorpresa!, con que no todo uso de pantalla es pernicioso o nocivo. Básicamente, lo que llevo diciendo desde hace muchos años.

En el estudio finlandés también se usaron sensores de movimiento para evaluar objetivamente el nivel de actividad física y de sedentarismo, y concluye que, de nuevo, la métrica carece de sentido, porque agrupa en el mismo epígrafe actividades tan variadas como leer, estudiar, hacer deberes, jugar a videojuegos o ver la televisión. Estar sentado no implica necesariamente tener el cerebro en modo pasivo.

Lo fácil es escandalizarse, chillar, pedir firmas y prohibir los teléfonos en los colegios. El tan común pánico a lo nuevo de toda la vida. Lo que es difícil y conlleva trabajo es aprender y educar para usar esas pantallas que van a formar parte de su vida de una forma que tenga realmente sentido, y que potencie su aprendizaje y educación. Ya hay estudios que demuestran que esas prohibiciones en los colegios, por mucho que nos pinten imágenes idílicas de niños que vuelven a hablar entre sí durante los recreos, no consiguen mostrar resultados relevantes en nada: ni en bienestar, ni en ansiedad, ni en sueño, ni en ni en actividad física, ni en rendimiento académico o comportamiento en clase. Los efectos de «jugar a policías de la tecnología» y de poner bolsitas para encerrar teléfonos son, en el mejor de los casos, nulos. El tiempo de pantalla es una variable absurda para pretender justificar toda la narrativa de alarmas, barbaridades, prohibiciones y pánicos que se han querido justificar en su nombre.

Tras muchos años midiendo el tiempo de pantalla, va a resultar, sin que sea sorpresa para nadie con dos dedos de frente, que lo que hay que medir es qué están haciendo los niños y sus cerebros cuando la usan.

In English on Medium, «Here’s why everything you believe about kids and screen time is wrong»

No cabe ninguna duda de que Nvidia ha logrado establecerse como el auténtico vendedor de mapas, picos y palas en medio de la fiebre del oro que se ha establecido (de forma muy justificada) en torno al crecimiento de la inteligencia artificial. Sin embargo, lo realmente brillante no es sólo su clarividencia a la hora de apostar por un modelo de computación o su excelencia en ingeniería, sino un modelo de negocio que me parece francamente digno de estudio. Y a eso precisamente nos dedicamos los profesores.

En primer lugar, es muy importante entender que Nvidia no es ni «una empresa que fabrica tarjetas gráficas», ni «una empresa de chips». La compañía gusta de definirse a sí misma como “data center scale AI infrastructure company”, y eso puede contribuir a aclarar muchas cosas: este año, facturó un total de $215,900 millones de los que casi el 90% procedieron de la división de data centers. La división de gaming, que un día definió la compañía, tan solo faturó en torno a 16,000 millones. A día de hoy, Nvidia es fundamentalmente una compañía que provee infraestructura para generar inteligencia.

El producto más icónico y conocido de Nvidia, las GPUs, son tan sólo la punta de un iceberg, de lo que un cliente realmente adquiere. En realidad, lo que compran es un sistema completo con GPU, CPU, memoria HBM, NVLink, switches, NIC/SuperNIC, DPU, Ethernet/InfiniBand, refrigeración y software. El sistema está diseñado así desde Blackwell, y Vera Rubin lo lleva ya a un nivel impresionante, hasta el punto de que tan solo el networking generó $31,400 millones de dólares en el ejercicio actual. Según la compañía, «el data center se ha convertido en la nueva unidad de computación», lo que permite entender fácilmente por qué cualquier comparación de una GPU de Nvidia con las TPU de Google o con los aceleradores de AMD es de una simpleza absurda: simplemente, la carrera competitiva está pasando a un nivel superior, desde el chip hasta el sistema completo, y eso es algo que Nvidia ha interpretado especialmente bien, o que directamente ha sabido definir.

La verdadera diferencia competitiva está en CUDA, la plataforma de computación paralela y API de la compañía. Su origen data de 2006, mucho antes de que empezásemos a hablar de una posible explosión de una inteligencia artificial generativa que aún ni existía. Ahora, es un conjunto de cientos de librerías, SDK y frameworks que ha educado a toda una generación de desarrolladores en cómo pensar, desarrollar y optimizar sobre plataforma Nvidia. En realidad, es un caso de lock-in voluntario, un auténtico Hotel California: todos saben que pueden irse y dónde está la puerta, pero nadie quiere correr con el coste de reescribir, revalidar y volver a optimizar todo lo que ya tienen. Los rivales y los clientes de Nvidia no pueden competir con esa capa de creación de valor, aunque lo intenten con Triton y otras capas de abstracción similares.

Pero además, Nvidia ha conseguido algo muy difícil: convertir su roadmap de lanzamientos de producto en una genuina ventaja competitiva. Esto es algo dificilísimo, en lo que han fallado la mayoría de las compañías tecnológicas: por lo general, tus productos pierden casi completamente su valor cuando sacas al mercado una generación nueva, algo que hace que los clientes se piensen mucho la actualización. Nvidia ha ido pasando de una cadencia bienal a una anual, como vemos en una secuencia que tiene ya nombres propios que hasta nos empiezan a sonar a todos: de Hopper a Blackwell, a Blackwell Ultra, a Vera Rubin, a Rubin Ultra y a Feynman, lo que vemos son múltiples generaciones que, sin embargo, conviven en el mercado sin demasiados problemas y sin depreciarse excesivamente.

¿Cómo logra la compañía algo así? Primero, redefiniendo la métrica que vende, desde simples FLOPS hasta el coste por token. Si transicionas desde el entrenamiento hasta la inferencia y el razonamiento, lo que tus clientes cuestionan ya no es el precio de la GPU, sino lo que les cuesta producir un millón de tokens. Según la compañía, Rubin permite reducir a una décima parte el coste por token de inferencia con respecto a Blackwell, algo que por mucho que podamos considerarlo un argumento más de marketing de un fabricante, nos ayuda a entender el cambio en la conversación que busca la compañía para enfocarse en el rendimiento de los sistemas, en el consumo de energía, en la utilización o en el coste total de la operación, en lugar de simplemente en el precio de un producto.

Esa cadencia anual de lanzamiento de productos precisa, por un lado, que las compañías punteras, las otras big tech, necesiten sí o sí migrar a cada nueva generación que lanza Nvidia. Pero para poder hacerlo, necesitan justificar que lo que compran no va a ser simple chatarra sin valor en menos de dos años. ¿La solución? Segmentar el mercado: las nuevas generaciones de productos son para quienes precisan de una productividad máxima, pero las anteriores no se convierten en un producto desactualizado, sino que siguen siendo perfectamente válidas para quienes quieren que su coste amortizado siga siendo competitivo. Una forma de hacer que el mercado secundario trabaje para ti: si las compañías punteras saben que una GPU usada puede revenderse en tres o cuatro años con un precio razonable, los cálculos de coste cambian mucho. Y los que las compran usadas, en cualquier caso, no canibalizan las ventas de Nvidia, porque muy probablemente nunca se habrían planteado acceder a la nueva generación. Visto así, es como convertir tu mercado de productos nuevos y el secundario, el de productos usados, en algo que no es un sustituto, sino distintos peldaños en una escalera de adopción. Que cada generación nueva se convierta en imprescindible, pero sin hacer inútil la anterior.

Pero claro, esto da una idea a cualquier financiero que esté suficientemente atento: convertir los chips en un activo financiero. Algunas de las llamadas neoclouds ya usan sus GPUs de Nvidia como garantía de sus créditos, porque tienen un valor de recompra tangible y establecido. Nvidia ya está trabajando con Wall Street para poder estandarizar la financiación, el leasing y otras estructuras directamente garantizadas por ese tipo de activos. Con eso consigue que no tengas que tener el tamaño y el balance de una big tech para poder financiar la compra, establecer un valor residual o atraer inversores si compras productos de Nvidia, lo que permite pasar de una hipotética demanda residual a una demanda solvente que se traduce en más ventas.

Otra parte de la estrategia es la circularidad: Nvidia no es simplemente un fabricante de chips, sino que usa su enorme generación de cash para actuar como banquero y arquitecto de la infraestructura de la inteligencia artificial al entrar en acuerdos económicos con multitud de compañías que compran sus productos. Las ventas existen, no son ficticias, pero son básicamente circulares: yo invierto en tu data center, y tú me compras sus componentes a mí. Eso sí, considerando el tamaño de los clientes con los que llega a esos acuerdos y la concentración de ventas (hay un cliente que representa el 22% de las ventas, y otros están en el 14% o en el 10%), Nvidia está incorporando a su balance muchas de las vulnerabilidades que esos clientes pueden llegar a tener.

La paradoja, además, es que Nvidia puede hacer todo esto siendo fabless, es decir, sin fabricar nada, sólo diseñando arquitecturas que después fabrican TSMC o, en menor medida, Samsung, SK Hynix y otras. La compañía más valiosa del mundo depende de un puñado de fabricantes asiáticos concentrados en muy pocos países, una cadena de suministro que también le genera cierta vulnerabilidad.

Competitivamente, es un «todos contra Nvidia«: Google, AMD, Amazon, Broadcom y otros intentan competir en algunas partes de la cadena de valor, pero la respuesta de Nvidia es clara: elevar el nivel para competir en el todo y no en las partes. Y si cada generación de productos supera en prestaciones a la anterior pero no la convierte en inútil, eso da lugar a una pirámide de dependencias que hace la sustitución de una parte individual, como mínimo, complicada. Potencialmente, un punto en el que Nvidia, más tarde o más temprano, se terminará encontrando con la legislación antimonopolio.

Mi impresión es que Nvidia ha conseguido generar una plataforma que se alimenta de varios bucles a la vez: CUDA convierte los GPUs en más atractivos, los GPUs consiguen atraer a más desarrolladores, su volumen financia una I+D que permite sacar una nueva generación anual, la unión de las GPUs con el networking y los componentes suben el precio medio por operación, la financiación posibilita que más clientes compren, y el valor residual de los componentes usados permite que contribuyan a financiar los nuevos.

Sin duda, una estrategia brillante. ¿La habrán diseñado con inteligencia artificial?

In English on Medium, «Understanding Nvidia«

Mi columna de esta semana en Invertia se titula «La inteligencia artificial descubre el mundo físico» (pdf), y trata sobre una idea que me parece particularmente interesante: qué ocurre cuando la inteligencia artificial deja de limitarse a observar el mundo a través de los datos que generamos los humanos, y empieza, literalmente, a poder experimentarlo por sí misma. Mi excusa para hablar de ello es la próxima salida a bolsa de Unitree en Shanghai, una compañía que se ha convertido en uno de los nombres más visibles de la robótica china, y cuya evolución permite entender hasta qué punto los robots humanoides están dejando de ser una curiosidad destinada a hacer demostraciones espectaculares para convertirse en una plataforma tecnológica con implicaciones muchísimo más profundas.

Llevamos años hablando de modelos de lenguaje que parecen saber prácticamente de todo, pero ese «saber» tiene una característica que tendemos a olvidar: procede siempre de experiencias de terceros, de textos, imágenes, vídeos, sonidos y todo tipo de materiales generados o capturados previamente por otros. Incluso los modelos multimodales más avanzados continúan, en ese sentido, encerrados en una versión tecnológica de la caverna de Platón: pueden analizar extraordinariamente bien las sombras proyectadas en la pared, pero nunca han salido fuera para comprobar por sí mismos qué las produce.

Para mí, esa diferencia entre observar y experimentar es fundamental. Podemos explicarle a una inteligencia artificial de mil maneras cómo pesa un objeto, cómo se desliza una superficie mojada, qué resistencia ofrece un cajón al abrirse o por qué una taza caliente requiere determinadas precauciones, pero nada de eso equivale a poder tocar, empujar, levantar, dejar caer o manipular esos objetos y comprobar directamente las consecuencias. El paper «Experience grounds language«, de Bisk, Bengio et al, ya dejaba clara en 2020 esa distinción entre corpus, percepción y embodiment: actuar permite no sólo observar el mundo, sino intervenir en él y comprobar hipótesis.

En ese sentido, la robótica introduce algo mucho más interesante que la simple automatización del trabajo: introduce la posibilidad de cerrar un auténtico bucle de aprendizaje entre percepción, hipótesis, acción y consecuencia, en el que la inteligencia artificial ya no se limita a estudiar experiencias previamente registradas, sino que puede generarlas activamente, repetirlas, modificarlas y aprender de ellas.

Un robot equipado con cámaras, sensores táctiles, temperatura, presión, fuerza, posición o equilibrio puede construir una percepción del entorno incomparablemente más rica que la que obtiene un modelo simplemente analizando textos, imágenes o vídeos, y puede además relacionar cada percepción con sus propias acciones, algo que nos acerca mucho más a la forma en que los humanos y otros animales aprendemos realmente a desenvolvernos en el mundo.

A partir de ahí aparece otra cuestión que durante mucho tiempo me pareció casi estética, pero que cada vez considero más importante: ¿por qué empeñarnos en construir robots con forma humana? La primera respuesta resulta relativamente evidente: porque llevamos siglos construyendo prácticamente todo lo que nos rodea para cuerpos humanos, desde escaleras, puertas y herramientas hasta vehículos, fábricas, cocinas, ascensores, estanterías o interruptores. Un robot con nuestra altura aproximada, dos brazos, dos piernas y manos capaces de manipular objetos puede aprovechar directamente esa enorme infraestructura sin obligarnos a reconstruirla, una especie de gigantesca compatibilidad hacia atrás con un mundo diseñado durante siglos por seres humanos y para seres humanos.

Pero hay una segunda razón que me parece todavía más importante: si queremos que las máquinas aprendan a desenvolverse en nuestro mundo, resulta enormemente útil que puedan acumular experiencias comparables con las nuestras. Un humanoide puede aprovechar demostraciones humanas para aprender movimientos y tareas, pero puede además generar después cantidades gigantescas de datos acerca de cómo un cuerpo de dimensiones similares al nuestro interactúa realmente con su entorno. Esto abre una posibilidad que me parece fascinante: que el verdadero valor de los robots no esté únicamente en las horas de trabajo que puedan sustituir, en cuánto puedan producir o en cuántas tareas aburridas, peligrosas o repetitivas puedan asumir, sino también en la enorme cantidad de experiencia física que sean capaces de generar.

Unos cuantos millones de robots distribuidos por fábricas, almacenes, hogares, hospitales o calles podrían terminar convirtiéndose en una gigantesca infraestructura distribuida de aprendizaje, produciendo continuamente información sobre contacto, resistencia, equilibrio, fricción, causalidad, error y consecuencias, y alimentando con ella modelos cada vez más capaces de comprender no simplemente cómo describimos el mundo, sino cómo funciona realmente.

Hasta ahora, el gran combustible de la inteligencia artificial ha sido nuestra experiencia convertida en datos. Primero fueron textos, después imágenes, sonido y vídeo, y progresivamente hemos ido ampliando las modalidades con las que los algoritmos pueden aprender. La robótica puede introducir ahora un salto cualitativamente distinto: pasar de aprender de lo que otros experimentaron a adquirir experiencia propia. Y si eso ocurre, posiblemente recordaremos esta etapa no como aquella en la que empezamos a llenar fábricas y almacenes de muñecos con aspecto humano, sino como el momento en que la inteligencia artificial dejó de limitarse a mirar las sombras de nuestra experiencia y empezó, finalmente, a salir de la caverna.

In English on Medium, «Unitree’s IPO isn’t about robots, it’s about the future of AI«

En general, y a pesar de su enormidad y diversidad, tendemos a pensar en Rusia como en un lugar lejano, frío y con el que no tenemos mucha conexión en el mundo occidental. Por eso, que el común de los lectores no haya oído hablar jamás de WildBerries, el auténtico y conocidísimo rey del comercio electrónico en Rusia, es incluso normal.

A pesar de eso, la compañía fundada por Tatyana Kim en 2004 es un auténtico monstruo con más de siete mil millones de dólares en ventas y activos de casi cuatro mil millones, que generalmente se asocia con artículos como ropa, electrónica y productos de consumo cotidianos, aunque también han estado disponibles a través de la plataforma artículos militares y de doble uso, como cascos, dispositivos de visión nocturna y accesorios tácticos.

La compañía afirma que aunque los soldados, como el resto de la población, la utilicen habitualmente para comprar cosas, no es para nada un suministrador del ejército ruso. Y sin embargo, sus almacenes se han convertido recientemente en un claro objetivo de las armas ucranianas, capaces ahora de alcanzar prácticamente la totalidad de Rusia: más de veinte localizaciones de WildBerries han sido atacadas desde mediados de julio, se estima que destruyendo en torno al 20% de la capacidad logística de la empresa, en lo que podría interpretarse como una variante de la guerra psicológica: hacer que el ciudadano ruso promedio sea consciente de una guerra que ocurre, por lo general, muy lejos de su casa. Una guerra ilegal y criminal iniciada por Rusia, de la que Rusia es el único culpable, y en la que ha cometido todo tipo de ataques a infraestructuras civiles e incluso a la misma población civil y llevado a cabo todo tipo de barbaridades. Es muy importante que eso llegue a la población rusa.

El alto mando ucraniano afirma que WildBerries vende artículos como componentes de drones, GPS o equipamiento militar como chalecos o cascos, pero la inmensa mayoría de lo que vende son productos que carecen completamente de uso militar. Según la legislación humanitaria internacional, una localización puede ser considerada como objetivo militar si su naturaleza, localización, propósito o uso constituye una contribución efectiva a la acción militar y destruirla puede dar lugar a una ventaja al bando atacante. ¿Tiene sentido atacar los almacenes de WildBerries?

En este caso, el objetivo parece claro: dado que la compañía mueve aproximadamente la mitad del comercio electrónico del país y conecta a cientos de miles de proveedores con sus clientes a lo largo de las once franjas horarias en las que se divide Rusia, destruir la infraestructura que contiene el inventario de un proveedor o la ropa que un cliente quería adquirir genera un efecto mucho más visible e inmediato que destruir, por ejemplo, una refinería, por mucho que esta pueda dar lugar a un eventual racionamiento temporal de combustible. La idea, por tanto, además de interrumpir un posible suministro militar, es generar un fuerte descontento popular y producir efectos económicos colaterales a través de empresas y bancos. Es, claramente, el momento en que la guerra se traslada a las aplicaciones de comercio electrónico.

Se trata, fundamentalmente, de penetrar en la conciencia del ciudadano ruso: con un conflicto activo que dura ya más de tres años, únicamente el 46% de los rusos afirma estar siguiendo la evolución de la guerra, y un 19% la ignora completamente. Sin embargo, si se les pregunta qué eventos recuerdan de los últimos meses desde julio, la inmensa mayoría recuerdan los ataques con drones de largo alcance a los almacenes de WildBerries y a las refinerías. Claramente, Ucrania está consiguiendo convertir una guerra para muchos lejana en algo cada vez más difícil de ignorar.

¿A dónde nos lleva esto? A un debilitamiento cada vez mayor de la figura de Vladimir Putin, con una fatiga provocada por la guerra cada vez mayor a medida que más restricciones de gasolina, más caídas de internet y más ataques con drones llegan a cualquier lugar de Rusia. Eso ha hecho que el gobierno posponga constantemente una oleada de reclutamiento forzoso que necesita desesperadamente pero que sabe que sería tremendamente impopular, y que cada vez le resulte más complicado reclutar soldados voluntarios.

Nada garantiza que una estrategia de este tipo vaya a ser exitosa. Atacar objetivos estratégicos para hacer más miserable la vida de la población civil y que fuercen un cambio de poder es algo que, habitualmente, no ha funcionado en la mayoría de los conflictos, con la población y los gobiernos tendiendo generalmente a adaptarse, a resistir o a radicalizarse más aún. En el caso de Rusia, con un poder político prácticamente blindado, parece más complicado aún. Pero la gran pregunta, para mí, es qué pasa en una era en la que los drones baratos y con cada vez más rango de actuación hacen posible atacar prácticamente cualquier infraestructura de comercio, pagos, logística, comunicaciones o energía: ¿cuáles son ahora las infraestructuras que definimos como críticas?

In English on Medium, «Ukraine vs Wildberries: how Kyiv’s drone strikes deep into Russia are redefining critical infrastructure»

Vía Information Systems Research recibo un artículo en pre-print, «Profitability of open-source software product development«, que me pareció muy atractivo tanto por la temática como por el hecho de tener a Chris Kemerer, uno de mis profesores de referencia, ya emérito, entre sus autores.

Desde que la caída de los costes de coordinación bajaron lo suficiente como para hacer del software de código abierto una opción creciente, el mundo corporativo siempre ha tendido a verlo como una cuestión de costes, de compartir código o incluso de «trabajo gratis». Lo que este paper deja claro es que esa interpretación es completamente miope, y que las compañías que adoptan adecuadamente software de código abierto obtienen como media un incremento en su margen bruto de entre el 4% y el 5%.

Beneficios tangibles que, sin embargo, no funcionan de forma tan sencilla: lo interesante del paper es que no intenta cuantificar cuánto código aportan los que contribuyen al software, sino la cantidad de conocimiento que entra en la compañía. Tendemos a pensar que una compañía tiene limitado su aporte de conocimiento al que proporcionan las personas que puede contratar. Lo que el código abierto cambia es precisamente esa idea, al poder traer conocimiento de desarrolladores externos de cualquier lugar del mundo a los que no tenemos que (ni seguramente podríamos aunque quisiéramos) convertir en empleados.

Así, los efectos positivos sobre la productividad y la rentabilidad tienden a aparecer cuando los aportes de esos colaboradores externos suponen en torno al 35% de las contribuciones. Esto deja claro algo que todo aquel que tenga un mínimo de experiencia en código abierto ya sabía: que no basta con abrir un repositorio y subir código, porque los verdaderos beneficios empiezan realmente cuando se es capaz de construir una verdadera comunidad alrededor del mismo.

Esto nos lleva a una cuestión aparentemente contraintutitiva: que lo que hace falta es más empresa, no menos. ¿Por qué? Porque el conocimiento externo no puede absorberse solo. La posibilidad de una compañía para ser capaz de reconocer, de asimilar y de explotar ese conocimiento externo depende fundamentalmente de su conocimiento previo y de su inversión en I+D. Es decir, más allá de la idea de «la comunidad trabaja gratis», lo que tenemos es que el código abierto no sustituye necesariamente a los ingenieros, sino que consigue que los buenos ingenieros puedan ser más productivos.

Volviendo a los clásicos de verdad, como Ronald Coase en «The nature of the firm«, lo que tenemos que plantearnos en en dónde empiezan y en dónde terminan las empresas. Si tradicionalmente hemos entendido que coordinar muchas actividades internamente solía ser económicamente más ventajoso que hacerlo externamente a través del mercado, la magia que propone el código abierto y repositorios como GitHub es que la empresa pueda incorporar esas capacidades externas sin tener que incorporarlas a su estructura jerárquica. Y aún así, una de las conclusiones del paper es que no todos esos aportes externos son «voluntarios» como tales, ni tienen el mismo valor. Las compañías que utilizan comunidades de código abierto para ser capaces de acceder y de asimilar conocimiento externo dependen fundamentalmente de su gobernanza y de su capacidad de integración. Las compañías que mantienen niveles adecuados de recursos y liderazgo interno para controlar e integrar ese tipo de proyectos son las que de verdad consiguen hacerlo bien y capitalizar sus ventajas.

La gran idea, por tanto, no es que «si usamos más software gratis mejoramos nuestro margen», sino que una compañía puede ser capaz de ampliar su capacidad productiva sin incrementar necesariamente su plantilla, convirtiendo así una comunidad externa en una extensión de su capacidad cognitiva. Y si eso es posible, ¿qué posibilidades puede ofrecernos ahora que los costes de coordinación también se reducen gracias a aspectos como los agentes de inteligencia artificial? Estamos ante una auténtica disolución de la frontera entre lo que es un empleado, un colaborador o un ecosistema y su posible suplementación mediante inteligencia artificial, y esto va a suponer todo un abanico de posibilidades para la innovación corporativa. Pero eso sí: sólo para quienes sepan entenderlo.

In English on Medium, «Open-source’s real value lies in acquiring knowledge, but how can firms best do that?»