Una enfermedad → Una categoría → Una guía clínica → Una secuencia de tratamientos → Una decisión.

Y vuelta a empezar si algo no funciona.

Esto, dicho así, suena frío.

Pero ha sido una de las grandes conquistas de la medicina.

Protocolizar salva vidas, estandarizar reduce errores, comparar resultados permite aprender.

Aplicar tratamientos sobre grandes grupos de pacientes permite saber qué funciona, qué no funciona y qué riesgos merece la pena asumir.

El problema aparece cuando una persona no encaja.

Cuando ese caso es la excepción.

Cuando el tumor no se comporta como debería.

Cuando las etiquetas tradicionales se quedan demasiado gruesas.

Cuando “cáncer de mama” ya no explica lo que está pasando.

Cuando, al mirar más cerca, aparece una biología mucho más extraña, híbrida y cambiante.

Entonces, la pregunta deja de ser qué tipo de cáncer es y pasa a ser por qué se está comportando de manera distinta en este organismo.

Aquí tienes una versión íntegramente corregida con un tono más pulido y divulgativo:

El tratamiento ya no empieza en la receta.

Empieza mucho antes.

Empieza en los datos.

Empieza en la capacidad de leer la biología.

Empieza al ordenar informes.

Empieza al interpretar mutaciones.

Empieza al entender las resistencias al tratamiento.

Empieza al conectar literatura científica, pruebas moleculares, historiales clínicos, ensayos clínicos, hipótesis y criterio médico.

Quizá el próximo gran salto médico no venga solo de descubrir un nuevo fármaco.

Quizá venga de aprender a conectar mejor todos los datos de cada paciente.

Cuando el paciente medio no sirve

La medicina basada en protocolos funciona bien cuando el paciente se parece razonablemente al paciente medio sobre el que se construyó ese protocolo.

Porque una guía clínica puede decir mucho sobre poblaciones, pero poco sobre una combinación concreta de alteraciones moleculares en una paciente concreta, en un momento concreto de evolución de la enfermedad.

La medicina tradicional se parece a esto: enfermedad → categoría → guía → tratamiento.

La medicina de precisión empieza a parecerse más a esto: biología concreta → hipótesis → intervención → monitorización → ajuste.

No es que una sustituya a la otra.

La evidencia acumulada sigue siendo el suelo sobre el que caminar.

Pero cuando el caso se vuelve excepcional, el protocolo deja de ser una autopista y empieza a ser un mapa incompleto.

Y entonces hacen falta más capas e información para poder decidir.

Y, sobre todo, una capacidad enorme para convertir información dispersa en decisiones clínicas razonables.

El tumor como sistema vivo

Uno de los errores más intuitivos que cometemos al pensar en el cáncer es imaginarlo como una cosa fija.

Como si el diagnóstico fuera una foto congelada.

Pero un tumor no es una piedra. Es un sistema vivo. Evoluciona. Cambia. Se adapta. Responde a la presión terapéutica.

A veces desaparecen unos clones y aparecen otros.

A veces una alteración que no estaba en el primer análisis aparece meses después en una biopsia líquida.

A veces una vía molecular se amplifica.

A veces emerge una mutación asociada a resistencia.

A veces el tumor empieza a comportarse de una forma que ya no encaja bien con la categoría inicial.

Esto es muy importante.

Porque si el tumor cambia, la estrategia también tiene que poder cambiar.

No basta con saber qué era el tumor al principio.

Hay que intentar saber qué está siendo ahora.

Ahí entran pruebas como las biopsias líquidas, los paneles moleculares avanzados y el seguimiento continuo de la evolución clonal.

No son solo más datos.

Son una forma de escuchar al tumor mientras se mueve.

Y esto tiene una consecuencia incómoda: la medicina deja de parecerse a una línea recta.

Y empieza a parecerse más a un sistema en bucle.

Más dinámica.

Más interdisciplinar.

Más cercana a un sistema de aprendizaje continuo que a una receta cerrada.

Bioinformática: el mapa de sospechas razonables

Aquí aparece una capa que, para mí, es clave para entender hacia dónde va la medicina de precisión: la bioinformática.

Porque tener datos moleculares no significa tener una respuesta.

Una mutación no es automáticamente un tratamiento. Una amplificación no es automáticamente una solución. Un biomarcador no es una orden médica.

Es una pista.

Y las pistas hay que interpretarlas.

La bioinformática ayuda precisamente a eso: a convertir biología compleja en hipótesis razonables.

Imagina que tienes un tumor con un perfil molecular muy concreto.

Alteraciones genómicas. Cambios que han aparecido con el tiempo. Resistencias nuevas. Datos de expresión génica, si existen. Respuesta previa a tratamientos. Información clínica acumulada.

La pregunta no es solo: “¿Qué gen está alterado?”

La pregunta interesante es: “¿A qué otros tumores, modelos celulares o perfiles moleculares se parece este caso?”

Ahí entra la idea de los “vecinos moleculares”.

Buscar, dentro de bases de datos de investigación y farmacogenómica, patrones que se parezcan al caso actual.

Ver qué fármacos han tenido actividad en contextos parecidos. Qué combinaciones podrían tener sentido. Qué mecanismos parecen más prometedores.

Qué opciones son interesantes en teoría, pero inviables en la práctica.

Y esto último es clave.

Porque la bioinformática no trabaja en el vacío. Puede generar un ranking de hipótesis. Puede señalar mecanismos. Puede sugerir caminos.

Pero después todo eso tiene que pasar por el filtro clínico.

La bioinformática no sustituye a la oncología.

La amplifica. Le da un mapa más rico.

Un mapa lleno de señales, probabilidades, parecidos y sospechas.

Pero sigue haciendo falta alguien que sepa conducir por ese mapa.

El ensayo N-of-1

Cuando un caso es extremadamente específico, aparece una idea poderosa y delicada: el ensayo N-of-1.

Un ensayo de una sola persona.

La expresión puede sonar extraña, pero tiene todo el sentido.

En un ensayo clínico tradicional se intenta aprender qué ocurre en un grupo de pacientes.

En un N-of-1, la pregunta es mucho más concreta: “¿Qué funciona en esta persona concreta?”

No porque se abandone la evidencia.

No porque todo valga.

No porque cada paciente sea un experimento improvisado.

Sino porque algunos casos son tan particulares que necesitan una hipótesis terapéutica construida alrededor de su biología real.

El ciclo sería algo así: se recogen datos → se formula una hipótesis → se decide una intervención → se mide la respuesta → se observa la toxicidad → se actualiza la estrategia.

Y después se vuelve a empezar.

El paciente, de alguna manera, se convierte en su propio sistema de aprendizaje.

Porque requiere integrar información clínica, molecular, farmacológica, radiológica y funcional de forma continua.

Requiere especialistas capaces de hablar entre sí, datos de calidad, interpretación, acceso, tiempo,…

Y en enfermedades graves, el tiempo nunca es una variable menor.

Por eso el N-of-1 no debería entenderse como una aventura individual.

Debería entenderse como una nueva frontera de la medicina. Una frontera en la que la singularidad del caso no se ignora, sino que se convierte en el punto de partida.

La IA como traductora

En todo esto, la IA tiene un papel importante. Pero no el papel que muchas veces se imagina.

La IA no aparece aquí como un médico robótico que da una respuesta final. No es un oráculo.

La IA puede actuar como traductora de complejidad.

Puede ayudar a estructurar informes clínicos largos, resumir historiales, extraer genes, mutaciones, fármacos, fechas, tratamientos y respuestas.

Puede conectar hallazgos moleculares con literatura científica. Puede ayudar a que un equipo médico tenga una imagen más clara del caso.

En casos muy complejos, esto no es menor.

Porque una parte enorme del problema no es solo decidir.

Es llegar a la reunión con todo lo importante encima de la mesa.

Saber qué se ha probado.

Qué cambió.

Qué apareció después.

Qué evidencia existe.

La IA no cura.

Pero puede ayudar a formular mejores preguntas.

Y en medicina, formular mejores preguntas ya es mucho. Porque una buena pregunta puede abrir una consulta.

Una consulta puede abrir una prueba.

Una prueba puede abrir una hipótesis.

Una hipótesis puede abrir una opción.

Y una opción, en determinados contextos, puede significar tiempo.

No conviene exagerarlo. Pero tampoco minimizarlo.

La IA bien usada no sustituye el juicio clínico. Lo hace trabajar con menos ruido.

La brecha incómoda

Y ahora viene la parte incómoda. Porque todo esto suena muy avanzado. Muy prometedor. Muy lógico.

Pero todavía no funciona como sistema.

La medicina de precisión avanzada sigue dependiendo demasiado de circunstancias excepcionales.

Como puede ser conocer a la persona adecuada.

De tener acceso a especialistas y poder pagar determinadas pruebas.

De convertir una enfermedad en un proyecto.

Y eso es profundamente injusto.

La medicina de precisión no debería depender de que una persona pueda convertirse en project manager de su propia enfermedad.

No debería depender de que alguien sepa montar un equipo internacional. No debería depender de tener conocimientos técnicos. No debería depender de una recaudación.

Si esta medicina tiene sentido, debería convertirse en parte de la infraestructura.

No en excepción.

Eso significa hospitales con mejores capacidades de integración de datos. Historias clínicas más interoperables. Informes más computables.

Y equipos preparados para trabajar con casos que no caben bien en el promedio.

El reto no es solo científico.

Es organizativo.

Es regulatorio.

Es económico.

Es ético.

Porque una cosa es que algo sea técnicamente posible.

Y otra muy distinta es que esté disponible para quienes lo necesitan.

Ahí se juega buena parte del futuro de la medicina.

🌍 El eco del mercado

🏗️ Seattle le pone un semáforo en rojo a la fiebre de los data centers (otra ciudad más, después de NY). Seattle avanza hacia una moratoria de un año para grandes centros de datos, una decisión especialmente simbólica en la ciudad de Microsoft y Amazon. La IA empieza a chocar con la política local, el suelo urbano, la energía y la pregunta incómoda: qué gana realmente la comunidad.

💻 Cohere empuja el agentic coding hacia el terreno open source. Cohere ha liberado un agente de programación capaz de ejecutarse en una sola H100, ofreciendo una alternativa abierta a modelos gestionados como Claude Fable. La noticia no va solo de programar más rápido, sino de quién controla la infraestructura de desarrollo asistido por IA.

🧠 Los agentes de IA descubren que sin contexto empresarial son becarios con esteroides. Jedify ha levantado 24 millones de dólares para ayudar a las empresas a dotar a sus agentes de IA de contexto sobre procesos, datos y negocio. La señal es clara: el problema no es solo tener modelos potentes, sino conectarlos con el conocimiento operativo real de la organización.

🏭 TSMC avisa de que la factura de la IA puede acabar en tu próximo dispositivo. TSMC no descarta subidas de precio por el aumento de costes ligado al boom de la IA, la presión geopolítica y la demanda de chips avanzados. El encarecimiento del compute puede dejar de ser un problema de hyperscalers y empezar a filtrarse al precio de la electrónica de consumo.

⚖️ Bruselas quiere que WhatsApp no sea la puerta cerrada de la IA. La Comisión Europea ha ordenado a Meta restaurar el acceso gratuito de chatbots rivales a WhatsApp mientras termina su investigación antimonopolio. El regulador teme que bloquear esa puerta cause un daño grave e irreparable a la competencia en asistentes de IA.

⚡ GM ya no quiere vender solo coches: quiere vender energía para la era IA. GM entra en la carrera de las baterías para centros de datos, red eléctrica y almacenamiento industrial, justo cuando la demanda energética de la IA empieza a tensionar el sistema. El coche eléctrico deja de ser solo movilidad y empieza a verse como una pieza más de la infraestructura energética.

Lectura estratégica: la IA está empujando a fabricantes de automóviles hacia el negocio energético. El verdadero movimiento no está en vender más EVs, sino en convertir baterías, vehículos y almacenamiento en una capa flexible para sostener data centers, fábricas y redes eléctricas.

🎮 La próxima Xbox se estrella contra la economía real de la IA. Microsoft está replanteándose Project Helix, su próxima Xbox, por la crisis de RAM y el encarecimiento de componentes provocado en parte por la demanda de servidores de IA. La consola deja de ser solo una decisión de producto y pasa a depender de una cadena de suministro cada vez más capturada por el compute.

🛡️ La ciberseguridad entra en modo IA contra IA. BT se suma al Project Glasswing de Anthropic, mientras crecen las alertas sobre vulnerabilidades explotadas más rápido, gusanos impulsados por LLMs y un Patch Tuesday récord de Microsoft con más de 200 fallos corregidos. La IA empieza a acelerar tanto la defensa como el ataque.

🧩 ServiceNow recuerda que la automatización empresarial también puede filtrar datos. ServiceNow ha informado a clientes de que un fallo en un endpoint de API dejó expuestos datos de algunas organizaciones. La compañía automatiza procesos críticos para miles de empresas, así que un problema de seguridad en esa capa no es menor: toca directamente la fontanería operativa.
🚗 El coche autónomo se está ganando primero en mundos sintéticos. Waymo ha creado un conductor virtual para estudiar cómo reaccionan los humanos ante situaciones inesperadas, mientras Decart lanza un modelo capaz de simular horas de conducción fotorrealista. La autonomía avanza menos por épica de carretera y más por simulación, benchmarks y validación masiva.

🇨🇳 China alerta sobre el mercado gris de habilidades para IA. El regulador chino de ciberseguridad ha advertido sobre paquetes de “skills” de terceros que prometen saltarse guardrails, generar contenido prohibido o activar funciones de minería cripto. La alerta apunta a un problema creciente: los agentes no solo heredan riesgos del modelo, también de las extensiones que conectan con el mundo.

📈 Kalshi intenta poner cortafuegos al insider trading en los mercados predictivos. Kalshi exigirá información laboral a algunos usuarios para reducir el riesgo de apuestas basadas en información privilegiada. Los mercados predictivos empiezan a parecerse menos a una curiosidad cripto-financiera y más a una infraestructura de señal que necesita reglas serias.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa este cruce entre medicina, datos, biología e inteligencia artificial, hay varios libros que ayudan a mirar este territorio con más profundidad.

• El primero es El Emperador de Todos los Males, de Siddhartha Mukherjee. No es un libro sobre IA, pero probablemente sea una de las mejores puertas de entrada para entender el cáncer como historia médica, científica y humana.

• El segundo es El Gen, también de Mukherjee. Muy útil para entender por qué la biología moderna es, cada vez más, una ciencia de la información.

• El tercero es Deep Medicine, de Eric Topol. Aquí ya aparece de forma mucho más explícita la idea de cómo la IA puede ayudar a construir una medicina más humana, no menos.

• Y el cuarto es The Creative Destruction of Medicine, también de Topol. Publicado hace años, pero muy interesante para entender por qué sensores, genómica, datos y computación iban a tensionar el modelo sanitario tradicional.

Imagina un juicio.

El fiscal presenta una prueba demoledora.

Parece concluyente.

Todo encaja.

Pero entonces alguien hace una pregunta incómoda: ¿Podemos demostrar de dónde salió esta prueba y quién tuvo acceso a ella desde el principio?

Y de repente ya no importa tanto que la conclusión parezca correcta.

Importa la cadena de custodia.

Porque si no puedes demostrar que el proceso fue limpio, tampoco puedes confiar del todo en el resultado.

Creo que estamos empezando a entrar exactamente en esa fase con la inteligencia artificial.

Durante los últimos años hemos hablado mucho de tres grandes ideas.

1. Ética.

2. Seguridad.

3. Alineamiento.

La pregunta era:

¿Hace cosas buenas?

¿Evita hacer daño?

¿Hace lo que queremos?

Y tiene sentido.

Pero hay una crítica interesante que plantea un paper reciente sobre gobernanza de IA: todas esas aproximaciones tienen algo en común.

Miran el resultado. No el razonamiento.

Y eso empieza a ser un problema.

Porque hasta ahora la IA recomendaba.

Ahora empieza a decidir.

Aprueba gastos.

Prioriza clientes.

Escala incidencias.

Sugiere despidos.

Selecciona proveedores.

Coordina agentes.

Actúa.

Y cuanto más cerca está del botón de ejecutar, menos suficiente resulta decir: “Tranquilos, normalmente funciona”.

El paper propone un concepto nuevo: AI Integrity.

La idea es sencilla de explicar.

No basta con alinear un modelo una vez.

Hay que poder verificar continuamente cómo razona.

Trazabilidad.

Integridad epistemológica.

Protección frente a manipulación.

Verificación continua.

No preguntarte solo: “¿Ha acertado?”

Sino: “¿Qué valores usó?”, “¿Qué evidencia consideró válida?”, “¿Qué fuentes priorizó?” o “¿Qué datos descartó?”

Para aterrizarlo, el paper propone una estructura llamada Authority Stack.

Una especie de pila de decisión:

Valores → Evidencia → Fuentes → Datos.

Primero decides qué importa.

Después qué cuenta como prueba.

Después en quién confías.

Y solo entonces qué información entra realmente en el sistema.

Parece obvio.

Pero si lo piensas un segundo… es exactamente como tomamos decisiones los humanos.

Y también exactamente donde nos equivocamos.

Dos personas pueden tener acceso a los mismos datos.

Y llegar a conclusiones opuestas.

No porque una mienta.

Sino porque priorizan cosas distintas.

Lo interesante es que el paper introduce una idea todavía más incómoda.

Lo llaman Integrity Hallucination.

Situaciones donde la IA genera respuestas aparentemente coherentes… pero cuando cambias ligeramente el contexto, cambia completamente el criterio aplicado.

No porque haya aprendido algo nuevo.

Sino porque quizá nunca existió un criterio estable.

Solo reconocimiento estadístico de patrones.

Y aquí aparece una consecuencia enorme para empresa.

Durante años hemos tratado la IA como software.

Pero quizá el modelo mental correcto sea otro.

Quizá la IA se parezca más a un auditor.

O a un comité.

O a una junta directiva.

No le pides que siempre tenga razón. Le pides que puedas reconstruir por qué decidió eso.

Porque cuando llegue el primer gran incidente de agentes autónomos en empresa, nadie preguntará qué modelo era.

Preguntarán: ¿Quién autorizó esa decisión?, ¿qué evidencia usó? o sí ¿Podemos reproducir?

Y aquí viene la parte incómoda.

El propio paper reconoce algo muy importante.

Una IA perfectamente íntegra también podría estar perfectamente equivocada.

La integridad no garantiza verdad.

Solo elimina la magia.

Hace visible el razonamiento.

Y quizá eso sea suficiente.

Porque una decisión equivocada pero explicable se puede corregir.

Una decisión correcta pero incomprensible se convierte en dependencia.

Tengo la sensación de que dentro de unos años dejaremos de comprar IA como hoy.

No preguntaremos solo: ¿qué benchmark tiene? ¿cuántos tokens procesa? o ¿qué coste tiene?

Preguntaremos: ¿puedo auditar cómo piensa?

Porque si una decisión no puede explicarse, quizá nunca debió automatizarse.

🌍 El eco del mercado

🧠 Anthropic deja de vender modelos y empieza a diseñar mundos. Anthropic ha presentado dos movimientos que, vistos juntos, cuentan una historia más interesante que cada lanzamiento por separado.

Por un lado aparece Fable 5, un modelo capaz de generar videojuegos funcionales prácticamente con una instrucción. No hablamos solo de generar assets o código: hablamos de crear experiencias completas, iterables y jugables. El objetivo ya no parece acelerar desarrollo; empieza a parecer reducir el coste de crear universos digitales.

Por otro lado llega Mythos, presentado como una nueva frontera experimental con acceso limitado en tiempo y monetización posterior. El movimiento recuerda menos a un lanzamiento tradicional y más a una estrategia de “prueba controlada”: generar adopción, observar comportamiento y convertir capacidad diferencial en producto premium.

Pero lo más interesante quizá no sea ninguna de las dos cosas.

Anthropic también ha confirmado restricciones deliberadas sobre ciertos dominios sensibles —ciberseguridad, biología y química— donde el sistema directamente evita entrar.

Y ahí aparece el verdadero cambio.

Durante años la carrera fue: quién entrena el modelo más capaz.

Ahora empieza otra: quién construye el entorno operativo más gobernable.

No basta con que un modelo genere software, juegos o decisiones. Hay que decidir qué partes del espacio de posibilidades quedan fuera.

Lectura estratégica: la siguiente generación de plataformas IA no competirá solo por inteligencia. Competirá por tres capas simultáneas: capacidad + entorno creativo + perímetro de seguridad. Más que un chatbot mejor, Anthropic parece querer convertirse en un sistema operativo para crear… con límites incorporados.

🧠 La IA barata puede acabar siendo más disruptiva que la IA más potente. Durante dos años el mercado asumió que ganar en IA significaba entrenar modelos cada vez más grandes, consumir más compute y levantar más centros de datos.

Pero empieza a aparecer una pregunta incómoda. ¿Y si la ventaja no está en tener el modelo más potente sino el suficientemente bueno al menor coste posible? Menos coste por inferencia significa más adopción, más integración y más presión sobre quienes justifican valor únicamente por escala de entrenamiento.

🌊 China convierte el mar en una nueva capa de infraestructura digital. Mientras medio sector debate energía, refrigeración y disponibilidad de suelo para centros de datos, China activa una idea distinta: llevar parte del problema bajo el agua. El primer centro de datos submarino operativo no es solo una curiosidad tecnológica.

🏫 Silicon Valley descubre que el tiempo de atención también era infraestructura. Documentos internos muestran algo incómodo: las plataformas sociales no solo competían por captar usuarios después del colegio. Diseñaron activamente experiencias para mantener el uso durante el horario escolar.

🗣️ La interfaz universal ya no quiere que aprendas idiomas… ni aplicaciones. Google ha presentado Gemini 3.5 Live Translate: traducción voz a voz en tiempo real manteniendo tono, ritmo y características de la voz original.

🏁 Meta reconoció una vulnerabilidad en su nueva capa de IA que dejó expuestas decenas de miles de cuentas de Instagram.

⚙️ Huawei deja de perseguir a NVIDIA y empieza a marcar su propio ritmo. Huawei anunció el Ascend 950DT mientras empieza a acelerar el ritmo de renovación de producto y construir un ecosistema cada vez más integrado alrededor de infraestructura IA.

🧬 La siguiente plataforma tecnológica podría construirse átomo a átomo Dos noticias alejadas en apariencia apuntan en la misma dirección.

Por un lado, investigadores del MIT han demostrado que ya es posible reorganizar decenas de miles de átomos dentro de un cristal sólido a temperatura ambiente con precisión extrema para crear materiales artificiales que no existen en la naturaleza.

Por otro, Life Biosciences ha administrado por primera vez una terapia experimental orientada a revertir envejecimiento celular asociado a pérdida de visión.

Una ocurre en materiales. La otra en biología.

Pero ambas comparten una idea: dejamos de observar sistemas complejos para empezar a reescribirlos. Igual que el software permitió programar ordenadores, empezamos a ver tecnologías capaces de programar materia y procesos biológicos.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1. Si te interesa entender cómo construimos sistemas fiables cuando no podemos observarlo todo, te recomiendo Thinking in Systems, de Donella Meadows.

PD2. Otro libro que conecta muy bien con esta idea es The Black Swan, de Nassim Taleb. Mucha gente piensa que va sobre predicción. En realidad también va sobre la fragilidad de confiar en modelos que parecen funcionar.

PD3. Y uno menos obvio: Noise, de Daniel Kahneman, Olivier Sibony y Cass Sunstein. Porque antes de exigir consistencia a las máquinas quizá deberíamos preguntarnos cuánta consistencia tenemos nosotros.

Una pantalla.

Un teclado.

Un móvil.

Un ordenador.

Un servidor.

Un chip.

Silicio fuera.

Carbono dentro.

Pero esa frontera empieza a moverse.

Y quizá una de las grandes historias de los próximos años no sea solo la inteligencia artificial.

Sino la fusión progresiva entre biología e informática.

Entre carbono y silicio.

Entre células y código.

Ya no hablamos solo de usar ordenadores para estudiar la vida.

Hablamos de usar la vida como parte del sistema informático.

El ADN, por ejemplo, empieza a explorarse como soporte de almacenamiento digital.

No como un SSD.

No como una memoria RAM.

No como algo rápido, barato y reescribible.

Más bien como una cinta de archivo llevada al extremo: lentísima, carísima todavía, pero con una densidad brutal y una durabilidad que puede medirse en siglos o milenios si se conserva bien.

Información digital escrita en moléculas.

Bits traducidos a A, C, G y T.

Archivos convertidos en química.

Y, al mismo tiempo, empezamos a ver el camino contrario.

No solo datos almacenados en biología.

Biología usada como computación.

Hace unos años vimos neuronas cultivadas en laboratorio aprendiendo a jugar a Pong.

Ahora el experimento va más allá: neuronas humanas conectadas a un sistema digital intentando interactuar con Doom.

No ven la pantalla.

No entienden el videojuego.

No saben qué es un demonio, un disparo o un pasillo.

Reciben estímulos eléctricos.

Responden.

El sistema traduce esa actividad en acciones.

Y, poco a poco, las células ajustan su comportamiento.

Lo importante no es que jueguen bien.

Lo importante es que aprenden dentro de un entorno digital.

Ese es el cambio de época.

Durante años intentamos construir redes neuronales artificiales inspiradas en el cerebro. Ahora empezamos a conectar neuronas reales a sistemas informáticos.

Es un giro curioso.

Primero copiamos la biología en silicio. Ahora intentamos enchufar la biología al silicio.

Y esto abre una pregunta incómoda: ¿y si la próxima gran plataforma informática no fuera solo más pequeña, más rápida y más eficiente?

¿Y si también estuviese viva?

No en el sentido mágico. No en el sentido de máquinas conscientes salidas de una película mala de sobremesa.

Sino en un sentido mucho más concreto, sistemas híbridos capaces de almacenar, procesar, adaptarse y aprender usando materiales biológicos.

ADN como archivo.

Neuronas como hardware adaptativo.

Órganos sintéticos como bancos de prueba.

Interfaces cerebro-máquina como nueva capa de interacción.

Modelos de IA aprendiendo de la biología.

Y biología aprendiendo dentro de entornos digitales.

La frontera se está volviendo borrosa. Durante el siglo XX conectamos ordenadores entre sí. Durante el XXI quizá conectemos ordenadores con tejido vivo.

Y cuando eso ocurra, las preguntas dejarán de ser solo técnicas.

Serán filosóficas, éticas y empresariales.

¿Qué significa procesar información?

¿Qué significa recordar?

¿Qué significa aprender?

¿Qué significa que una célula participe en un sistema de información?

¿Qué significa que parte de nuestra infraestructura digital empiece a parecerse menos a una máquina y más a un organismo?

No creo que vayamos hacia un futuro donde el carbono sustituya al silicio.

Ni hacia otro donde el silicio sustituya al carbono.

Creo que vamos hacia algo más raro.

Más potente.

Y bastante más difícil de explicar.

Una capa intermedia.

Una zona gris.

Un territorio donde la biología deja de ser solo objeto de estudio y empieza a convertirse en infraestructura.

Quizá el futuro no sea humano contra máquina.

Quizá sea algo bastante más inquietante.

Humano con máquina.

Máquina con biología.

Carbono con silicio.

Y una nueva pregunta encima de la mesa: cuando la computación empiece a estar viva… ¿seguiremos llamándola computación?

🌍 El eco del mercado

🚀 El nuevo centro de datos también puede estar en órbita. SpaceX habría cerrado un acuerdo de 30.000 millones de dólares con Google para ofrecer capacidad de cómputo de IA. La noticia importa menos por la cifra que por el cambio de categoría: la infraestructura de IA empieza a mezclarse con espacio, energía, conectividad y financiación pre-IPO.

🇨🇳 China industrializa la energía que alimenta la IA. China ha lanzado un hub energético prefabricado para instalaciones de cómputo y está impulsando un sistema nacional de fábricas inteligentes. Más que construir modelos, está construyendo la base industrial que los sostiene.

🧠 Microsoft quiere dejar de parecer la sucursal empresarial de OpenAI. Mustafa Suleyman quiere cambiar la narrativa: Microsoft ya no quiere que su historia de IA parezca inseparable de OpenAI. Tras años de dependencia estratégica, la compañía busca recuperar control sobre su propio camino hacia la superinteligencia.

🏛️ El Estado empieza a querer asiento en la mesa de OpenAI. La Administración Trump estaría explorando tomar una participación en OpenAI, mientras otro memorando apunta a poner la IA más avanzada al servicio del ámbito militar. La frontera entre empresa privada, seguridad nacional e infraestructura estratégica se estrecha.

🪖 La IA militar deja de ser una nota al margen. El último memorando de Trump busca poner la “IA más avanzada del mundo” en manos del ejército y limitar cambios en modelos usados por defensa sin aprobación previa. La IA entra de lleno en la lógica de control operativo, certificación y dependencia estratégica.

🛡️ OpenAI empieza a vender cinturones de seguridad para agentes. OpenAI ha presentado Lockdown Mode para reducir el riesgo de exfiltración de datos mediante prompt injection. La función no elimina el problema, pero reconoce algo importante: los sistemas de IA conectados a datos y herramientas necesitan una capa defensiva propia.

💥 Cuando cambia el modelo, cambia el riesgo. Un caso en producción muestra cómo un cambio en Claude alteró el comportamiento de un sistema que convertía lenguaje natural en llamadas API. Lo importante no es que el modelo fallara, sino que una dependencia externa cambió el radio de explosión de todo el flujo.

💾 China quiere que la guerra de chips también se juegue en memoria. CXMT y YMTC se acercan a salidas a bolsa, reforzando el músculo financiero de la industria china de memoria frente a Samsung y SK Hynix. La amenaza no es inmediata, pero sí estructural.

🧱 Washington aprieta los chips, pero quizá menos de lo que parece. La nueva guía de EE. UU. sobre exportaciones de chips de IA ha provocado críticas de China, aunque algunos expertos la interpretan más como una aclaración que como una restricción completamente nueva. Ruido geopolítico, pero con impacto real en planificación tecnológica.

🤖 China ya fabrica robots humanoides; ahora necesita que alguien los compre. China concentra una enorme capacidad de producción de robots humanoides, con más de 140 fabricantes y cientos de modelos, pero el mercado real aún es pequeño. El problema ya no es fabricar cuerpos robóticos, sino encontrar tareas rentables y repetibles.

🌍 Europa empieza a desenchufarse de la tecnología estadounidense. Un repaso de WIRED muestra cómo gobiernos, empresas y organizaciones europeas se están moviendo —o planean moverse— lejos de Big Tech estadounidense. No es un gesto simbólico: es una reacción a dependencia, regulación, soberanía y riesgo geopolítico.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa esta frontera rara entre biología, información y computación, hay tres libros que encajan muy bien con el tema de hoy: Regénesis, de George Church, sobre biología sintética; The Code Breaker, de Walter Isaacson, sobre CRISPR y Jennifer Doudna en El Código de la Vida; y El Gen, de Siddhartha Mukherjee, para entender por qué el ADN no es solo biología, sino también memoria, código e información.

PD2: Producto friki recomendado del día: una estructura de ADN en formato modelo educativo de doble hélice. Pensada para clases de biología de secundaria y universidad, pero perfectamente válida para decorar una mesa, una estantería o ese rincón donde guardas los libros raros. Si en el piso de Leonard y Sheldon había una cadena de ADN, tú también puedes tener la tuya.

Y tiene sentido.

Nos ayuda a escribir, resumir, programar, analizar, investigar, preparar reuniones, ordenar ideas y producir más rápido.

Pero quizá estamos hablando menos de la otra cara.

La IA también puede atrofiarnos.

No porque sea mala.

No porque debamos dejar de usarla.

Sino porque, si no tenemos cuidado, podemos acabar delegando demasiado pensamiento en ella.

Ese es el concepto de “AI gravity”: la gravedad de la inteligencia artificial.

Una fuerza silenciosa que nos empuja a usarla cada vez más.

Primero para ahorrar tiempo.

Después para producir mejor.

Luego para no quedarnos atrás.

Y finalmente porque ya no sabemos trabajar igual sin ella.

El problema no es usar IA.

El problema es usarla para evitar pensar.

Porque pensar cuesta.

Escribir cuesta.

Leer despacio cuesta.

Ordenar una idea cuesta.

Tomar una decisión ambigua cuesta.

Y si una herramienta puede hacerlo por nosotros, la tentación es evidente.

Pero muchas veces esa fricción no era un obstáculo.

Era parte del aprendizaje.

Cuando escribes una idea, la entiendes mejor.

Cuando resumes un texto, decides qué importa.

Cuando preparas una reunión, anticipas objeciones.

Cuando comparas alternativas, desarrollas criterio.

Cuando te equivocas, aprendes.

Si la IA hace todo eso por ti, quizá entregas antes.

Pero puede que aprendas menos.

El artículo que inspira esta reflexión cita un estudio preliminar del MIT Media Lab con un dato bastante llamativo: el 83% de los participantes que escribieron ensayos usando ChatGPT no fue capaz de citar una sola frase del texto que acababa de entregar.

La idea es sencilla, y cruda como la más terrible de las realidades que nos espera.

El contenido pasó de la pantalla al documento.

Pero no pasó por el cerebro.

Y ese es el riesgo.

Que parezcamos más productivos, pero seamos menos capaces.

Que generemos mejores textos, pero tengamos menos ideas propias.

Que preparemos mejores respuestas, pero perdamos memoria, criterio y oficio.

En una empresa, esto puede ser especialmente delicado.

Porque mucho conocimiento no está en manuales ni procesos.

Está en la experiencia.

En saber leer a un cliente.

En detectar que algo no cuadra.

En entender por qué una solución técnicamente correcta no va a funcionar.

En haber vivido errores.

En haber tomado decisiones difíciles.

Ese conocimiento tácito se transmite trabajando, observando, practicando y pensando.

Si delegamos demasiado pronto en IA, corremos el riesgo de romper esa cadena.

Las nuevas generaciones pueden producir más desde el principio, sí.

Pero quizá desarrollen menos juicio.

Y el juicio será cada vez más importante.

Porque en un mundo lleno de respuestas generadas, la ventaja no estará solo en obtener una respuesta.

Estará en saber si esa respuesta tiene sentido.

Si falta algo.

Si está sesgada.

Si no encaja con el contexto.

Si parece correcta, pero no lo es.

Por eso la gran pregunta no es si debemos usar IA.

Claro que debemos usarla.

La pregunta es cómo usarla sin volvernos dependientes.

Y aquí hay una diferencia clave.

Puedes usar la IA como sustituto. O puedes usarla como entrenador.

La usas como sustituto cuando le pides que piense, escriba, decida y cierre por ti.

La usas como entrenador cuando le pides que te haga mejores preguntas, que te ponga objeciones, que revise tus argumentos, que detecte puntos débiles o que te obligue a pensar mejor.

Esa diferencia importa.

Mucho.

Porque una herramienta puede ampliar tus capacidades.

Pero una muleta puede sustituirlas.

Y si una capacidad deja de entrenarse, se pierde.

Por eso conviene mantener algunos hábitos sencillos.

Pensar antes de preguntar.

Escribir una primera versión propia antes de pedir ayuda.

Leer algo completo antes de pedir un resumen.

Usar la IA para contrastar, no para evitar el esfuerzo.

Reservar espacios sin IA: reuniones, conversaciones importantes, decisiones difíciles, aprendizaje profundo.

Y, sobre todo, reinvertir bien el tiempo ganado.

Porque si la IA solo sirve para producir más correos, más documentos, más reuniones y más ruido, no nos ha liberado.

Solo ha acelerado la rueda.

Pero si usamos ese tiempo para pensar mejor, aprender más, mejorar procesos o desarrollar criterio, entonces sí puede ser una palanca enorme.

La IA no es el enemigo.

El enemigo es convertirnos en usuarios pasivos.

Gente que produce mucho, pero piensa poco.

Gente que tiene respuestas para todo, pero cada vez menos criterio propio.

Gente que parece más capaz porque tiene una herramienta muy potente delante, pero que se queda desnuda cuando esa herramienta desaparece.

La IA puede multiplicarnos.

Pero también puede atrofiarnos.

Puede ser un gimnasio para la mente.

O puede ser una anestesia.

Depende de cómo la usemos.

Quizá la pregunta importante no sea si podemos dejar la IA después de haber empezado.

Quizá la pregunta sea otra.

Cuando la IA no esté delante, ¿qué seguiremos sabiendo hacer nosotros?

🌍 El eco del mercado

⚡ La IA empieza a buscar su propia central eléctrica. Helion ha levantado 465 millones de dólares para acelerar una planta de fusión pensada para Microsoft. La noticia no va solo de energía limpia: va de quién consigue asegurar electricidad suficiente para sostener la próxima fase de la IA.

💬 El agente entra por la puerta más cotidiana: el mensaje. Apple ha aprobado Poke como primer agente de IA dentro de Messages for Business. Es una señal pequeña, pero importante: los agentes empiezan a entrar en los canales donde ya ocurre la relación con clientes.

🏕️ Meta convierte el data center en infraestructura de campaña. Meta está construyendo centros de datos en tiendas de campaña para reducir costes y acelerar despliegues. Suena improvisado, pero apunta a una presión muy real: levantar capacidad de IA más rápido que la construcción tradicional permite.

🍏 Apple admite que Siri no puede ponerse al día sola. Apple estaría recurriendo a Google Cloud y chips de NVIDIA para procesar parte de las consultas de la nueva Siri. Más que una mejora de producto, es una señal de dependencia tecnológica en plena carrera por recuperar terreno frente a ChatGPT y Claude.

🇨🇳 China empieza a entrenar músculo propio, no solo a resistir sanciones. Huawei habría usado chips Ascend 910C para completar post-training del modelo DeepSeek-V4-Pro. El matiz importa: China intenta pasar de ejecutar modelos a participar en fases más complejas del entrenamiento.

🏛️ OpenAI abre la puerta al supervisor antes del lanzamiento. OpenAI permitirá que el Gobierno de EE.UU. revise sus modelos antes de publicarlos. La IA frontier entra en una nueva fase: menos laboratorio privado puro y más tecnología estratégica vigilada por el Estado.

🛰️ La IA también entra en operaciones de inteligencia. La NSA estaría preparando Mythos, de Anthropic, para operaciones ciber. La noticia condensa una tensión incómoda: los mismos modelos que se presentan como herramientas de productividad empiezan a integrarse en capacidades ofensivas o defensivas de seguridad nacional.

💸 La factura del token empieza a poner orden.La industria empieza a pasar del “usa más IA” al “controla cuánto cuesta usar IA”. El debate se mueve de la experimentación rápida a los guardrails, la eficiencia y la gestión real del gasto. Todos sabíamos que este momento llegaría.

🧩 Microsoft descubre que liderar el relato no basta. WIRED plantea si Microsoft ha perdido parte de su brillo: sus productos de IA no estarían vendiendo como esperaba y GitHub arrastra problemas. Es relevante porque rompe la narrativa de ejecución impecable.

🚧 Nueva York pone un semáforo rojo temporal a los data centers. La legislatura de Nueva York ha aprobado una moratoria de un año para nuevos grandes centros de datos, pendiente de la firma de la gobernadora. El objetivo: entender mejor su impacto energético, ambiental y económico.

🕵️ El ransomware vuelve al mundo físico. Google y el FBI alertan de un grupo que envía falsos técnicos de IT a oficinas para hackear víctimas en persona. La sofisticación no siempre está en el malware; a veces está en parecer suficientemente normal.

🧱 Supabase demuestra que el open source también captura la ola agentica. Supabase ha duplicado su valoración hasta los 10.000 millones de dólares en ocho meses. Su crecimiento se apoya en el auge de herramientas como Claude, Codex y plataformas de vibe coding.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD. Si quieres leer más sobre esta idea —tecnología que ayuda, pero también debilita— empezaría por Superficiales y Atrapados, de Nicholas Carr. Después seguiría con El Valor de la Atención, de Johann Hari; Inmune a la Distracción, de Nir Eyal; y Alone Together o En Defensa de la Conversación, de Sherry Turkle. No son libros contra la tecnología. Son libros contra usarla sin preguntarnos qué parte de nosotros estamos dejando de entrenar.

PD2: Si quieres una men sana in corpore sana, nada mejor que este juego de gomas elásticas para ponerte fuerte de cada a las vacaciones,

La idea es sencilla de formular, pero cuanto más tiempo paso con ella más me convence de que explica muchas cosas que solemos interpretar mal.

Quizá las organizaciones no dejan de innovar porque se queden sin ideas. Quizá dejan de innovar porque dejan de aprender.

La diferencia parece pequeña, pero cambia completamente el diagnóstico.

Cuando hablamos de innovación tendemos a imaginar laboratorios, tecnologías nuevas, equipos creativos, presupuestos para explorar o metodologías más modernas. Nos gusta pensar que innovar consiste en generar algo que antes no existía. Que es una cuestión de imaginación, de talento o incluso de cultura.

Pero cuanto más leo sobre cómo evolucionan las organizaciones, más me convenzo de que la innovación es menos un acto creativo y más una propiedad emergente. Algo que aparece cuando una organización mantiene suficiente capacidad para dejar que la realidad modifique sus modelos internos.

Esto suena abstracto, pero creo que se entiende mejor con una escena muy cotidiana. Una persona dentro de una empresa detecta un problema. No un problema enorme ni una crisis estratégica. Algo concreto, pequeño, casi evidente. Una fricción con un cliente, una forma torpe de aprobar una decisión, una oportunidad que no encaja del todo con la planificación anual, una señal débil que todavía no aparece en ningún informe, pero que empieza a repetirse.

Esa persona intenta mover algo. Lo comenta con su responsable. El responsable lo ve razonable, pero necesita validarlo con otro equipo. Ese otro equipo pide datos. Los datos existen, pero no con el formato correcto. Alguien propone esperar al siguiente comité. En el comité se decide que merece la pena estudiarlo con más calma. Y, poco a poco, el problema inicial deja de ser el centro de la conversación.

Ya no se habla tanto de lo que está pasando fuera.

Se habla de cómo tramitarlo dentro.

No hay mala intención en esa escena. Nadie quiere bloquear nada. Nadie se levanta por la mañana pensando que su misión es impedir que la organización aprenda. De hecho, muchas de las personas implicadas probablemente están intentando hacer bien su trabajo. Están evitando riesgos, pidiendo evidencia, coordinando dependencias, protegiendo recursos y asegurándose de que las cosas no se hagan de cualquier manera.

Precisamente por eso el fenómeno me interesa tanto.

Porque las organizaciones muchas veces dejan de aprender no por negligencia, sino por exceso de racionalidad interna.

Pensaba en esto mientras leía The Unaccountability Machine, de Dan Davies. El libro parte de una pregunta incómoda: cómo es posible que instituciones formadas por personas razonables, inteligentes y generalmente bien intencionadas acaben tomando decisiones que, vistas desde fuera, parecen absurdas. Davies no busca una explicación sencilla basada en culpables individuales. Su mirada es más estructural. Lo que le interesa es entender cómo los sistemas grandes pueden producir resultados que nadie parece haber querido realmente.

Su argumento es que, conforme una organización crece, empieza a sustituir progresivamente el juicio humano por mecanismos de coordinación. Aparecen procesos para reducir errores. Aparecen métricas para comparar situaciones distintas. Aparecen estructuras de aprobación para repartir responsabilidad. Aparecen capas de gestión para que el conjunto no dependa de decisiones improvisadas. Y todo eso tiene una lógica muy potente, porque sin algún tipo de sistema ninguna organización compleja podría funcionar.

El problema aparece cuando esos mecanismos dejan de ser herramientas al servicio del aprendizaje y se convierten en la forma principal de interpretar la realidad. Entonces el proceso ya no ayuda a tomar mejores decisiones, sino que empieza a definir qué decisiones pueden siquiera plantearse. La organización no deja de moverse, pero se mueve dentro de un carril cada vez más estrecho. Sigue generando actividad, pero cada vez le cuesta más incorporar aquello que no encaja con sus categorías previas.

Ahí es donde The Unaccountability Machine empieza a dialogar de forma muy natural con The Innovator’s Dilemma, de Clayton Christensen. Durante años hemos leído a Christensen como el autor que explicó por qué las empresas líderes no ven venir las disrupciones tecnológicas. Pero quizá la lectura más interesante no es tecnológica, sino organizativa. Christensen no describe empresas torpes. Describe empresas que hacen muchas cosas bien, incluso demasiado bien.

Las compañías que estudia escuchan a sus mejores clientes, protegen sus márgenes, asignan capital a los proyectos con retornos más claros y evitan distraerse con mercados pequeños o inciertos. Todo eso suena razonable. De hecho, suena exactamente a lo que esperaríamos de una empresa bien gestionada. El problema es que las oportunidades nuevas casi nunca llegan con el aspecto de una oportunidad madura. Llegan pequeñas, ambiguas, con clientes marginales, con márgenes poco atractivos y con datos insuficientes para justificar una gran apuesta.

Una organización entrenada durante años para distinguir entre buenas y malas inversiones puede acabar descartando de forma sistemática aquello que todavía no sabe medir. No porque sea irracional, sino porque su racionalidad fue construida para otro momento. Eso es lo interesante de Christensen leído junto a Davies: muchas empresas no rechazan la innovación porque tengan miedo al cambio, sino porque han aprendido demasiado bien a proteger el presente.

Y esto nos lleva a una segunda capa del problema. Aprender no consiste solo en recibir información nueva. Consiste en permitir que esa información altere prioridades, presupuestos, estructuras y poder. Una empresa puede tener encuestas, dashboards, comités de innovación, análisis de mercado y sesiones de estrategia, y aun así no aprender nada relevante si todo ese conocimiento no tiene capacidad real para modificar lo que la organización hace.

Aquí me parece muy útil la mirada de John Kay en The Corporation in the Twenty-First Century. Kay explica que muchas empresas modernas ya no son organizaciones que producen directamente de principio a fin, sino sistemas que coordinan capacidades distribuidas. Gestionan cadenas de suministro, redes de proveedores, datos, activos intangibles, marcas, conocimiento y relaciones. Su trabajo consiste cada vez más en orquestar y menos en fabricar de manera directa.

Eso permite una escala extraordinaria, pero también introduce una distancia creciente entre decisión y realidad. Cuanto más grande y coordinada es una organización, más necesita representaciones para entenderse a sí misma: informes, métricas, presentaciones, previsiones, cuadros de mando, comités, modelos financieros. Todas esas herramientas son útiles porque simplifican una realidad demasiado compleja para gestionarla directamente. Pero toda simplificación tiene un coste. Siempre deja algo fuera.

El peligro aparece cuando la organización empieza a tratar esas representaciones como si fueran la realidad. El dashboard sustituye a la conversación con el cliente. El forecast sustituye a la intuición del equipo comercial. La métrica de productividad sustituye a la comprensión del trabajo. El comité sustituye al criterio de quienes están más cerca del problema. Y así una empresa puede llegar a una situación paradójica: tener más datos que nunca y, al mismo tiempo, entender peor lo que le está ocurriendo.

Dan Breznitz, en Innovation in Real Places, aporta una pieza muy importante para no caer en una solución simplista. Su crítica a muchas conversaciones sobre innovación es que hemos convertido algunos modelos de éxito en recetas universales. Silicon Valley, el venture capital, los laboratorios corporativos, las incubadoras, los hubs tecnológicos o las metodologías ágiles aparecen muchas veces como si fueran ingredientes intercambiables. Si una organización quiere innovar, parece que debe copiar ciertos símbolos de innovación.

Breznitz plantea algo bastante más exigente.

Y eso implica aprender del entorno concreto, no aspirar a parecerse a otro. Innovar, desde esta perspectiva, no consiste en adoptar una estética moderna, sino en desarrollar sensibilidad para entender dónde puede generarse valor de verdad dadas las capacidades disponibles.

Esto conecta con una intuición que me parece central. Las organizaciones que dejan de aprender suelen seguir hablando mucho de innovación. De hecho, a veces hablan más de innovación precisamente cuando menos capacidad tienen para hacerla. Crean programas, nombres, rituales y espacios separados. Pero si esos espacios no conectan con la forma real en la que se toman decisiones, asignan recursos y se reparten responsabilidades, la innovación se convierte en una especie de decoración corporativa.

Geoffrey Moore lo explica desde otro ángulo en Escape Velocity. Su idea de fondo es que toda organización exitosa desarrolla fuerzas internas que protegen el negocio que la hizo crecer. Y eso, de nuevo, no es un defecto. Es una necesidad. El negocio actual paga salarios, financia operaciones y permite invertir en el futuro. Ninguna empresa puede vivir permanentemente como si estuviera empezando desde cero.

El problema es que esas fuerzas de protección pueden convertirse en un sistema inmunitario que no distingue bien entre amenaza y novedad. Todo aquello que no encaja con el modelo actual empieza a parecer sospechoso. No tiene escala suficiente. No tiene margen suficiente. No tiene cliente claro. No entra en la planificación. No se puede explicar bien en el comité. No parece prioritario frente a las urgencias del trimestre.

Lo inquietante es que cada una de esas objeciones puede ser razonable por separado. La tragedia aparece en la acumulación. Una organización no mata necesariamente una idea con una gran decisión dramática. Muchas veces la mata mediante una sucesión de pequeñas decisiones sensatas. Se aplaza. Se estudia. Se redimensiona. Se reasigna. Se integra en otra iniciativa. Se queda sin sponsor. Y cuando alguien pregunta qué ocurrió, nadie puede señalar un momento concreto en el que se decidió abandonarla.

Ahí vuelve Davies: la pérdida de responsabilidad no siempre significa que nadie sea responsable en sentido moral. A veces significa que la decisión se ha disuelto dentro del sistema. Cada persona ha hecho algo aparentemente razonable desde su posición, pero el resultado agregado ha sido impedir que la organización aprenda algo nuevo.

También déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto puede ser una muy buena opción.

Marty Cagan, en Empowered, toca una parte muy práctica de este problema. Su insistencia en equipos realmente empoderados no va solo de motivación o de cultura de producto. Va de aprendizaje organizativo. Un equipo no aprende de verdad si solo puede observar problemas, documentarlos y elevarlos. Aprende cuando tiene capacidad para tomar decisiones, probar soluciones y asumir responsabilidad sobre el resultado.

Muchas organizaciones quieren iniciativa, pero retienen la autoridad. Quieren pensamiento crítico, pero concentran el criterio. Quieren equipos emprendedores, pero mantienen estructuras donde cualquier desviación relevante necesita aprobación de varias capas. El resultado es una forma extraña de teatro organizativo: se pide a las personas que actúen como dueñas, pero se les trata como ejecutoras.

El aprendizaje necesita un circuito cerrado. Ver algo, interpretarlo, actuar, observar la consecuencia y ajustar. Si una organización rompe ese circuito, puede conservar información, pero pierde aprendizaje. Puede saber muchas cosas, pero no cambiar por lo que sabe. Y quizá esta es una de las diferencias más importantes entre una empresa que innova y una que solo habla de innovación.

A partir de aquí aparece otro malentendido bastante profundo: la confusión entre eficiencia e inteligencia. Durante décadas hemos admirado organizaciones capaces de eliminar redundancias, comprimir costes, reducir tiempos muertos y optimizar cada parte del sistema. En entornos estables, esa búsqueda de eficiencia puede producir resultados espectaculares. Pero Nassim Taleb, en Antifrágil, lleva años recordándonos que no todas las estructuras eficientes son fuertes. Algunas son simplemente frágiles de una forma muy elegante.

Un sistema demasiado optimizado puede parecer brillante mientras nada cambia. El problema aparece cuando el entorno introduce una perturbación que el sistema no esperaba. Entonces descubrimos que aquello que llamábamos ineficiencia quizá era margen de adaptación. La redundancia era capacidad de respuesta. El tiempo no asignado era espacio para pensar. La diversidad de enfoques era una forma de protección. La pequeña experimentación era una vacuna contra errores mayores.

Esto es muy importante para hablar de innovación porque aprender casi siempre parece ineficiente al principio. Probar algo pequeño, mantener opciones abiertas, permitir exploración, dedicar tiempo a conversaciones que no producen resultados inmediatos o sostener proyectos que todavía no tienen métricas claras puede parecer poco disciplinado desde una lógica puramente operativa. Pero desde una lógica de aprendizaje puede ser exactamente lo que mantiene viva a una organización.

Eric Ries lo expresó de otra manera en El Método Lean Startup. Aunque el libro se asocia muchas veces con startups, productos mínimos viables y experimentos rápidos, su idea más profunda es que la innovación debe medirse por aprendizaje validado. El objetivo no es simplemente construir más rápido, sino aprender antes qué merece ser construido. Y esa diferencia cambia por completo la forma de mirar el trabajo.

En muchas organizaciones maduras, sin embargo, el error se interpreta como desviación y no como información. Si algo no sale según lo previsto, la reacción natural es reforzar el control, pedir más planificación o endurecer los filtros. Pero cuando se elimina toda posibilidad de error pequeño, no se elimina el error. Se desplaza hacia el futuro. Se convierte en error grande, caro y difícil de reconocer.

Donella Meadows ayuda a entender por qué esto sucede. En Pensar en Sistemas, una de sus grandes aportaciones es recordarnos que los sistemas producen los resultados que su estructura permite producir. No basta con declarar valores, escribir principios o repetir prioridades estratégicas. Si los incentivos, los flujos de información y las reglas de decisión empujan en otra dirección, el sistema obedecerá a la estructura y no al discurso.

Una empresa puede decir que valora la innovación, pero si premia únicamente la ausencia de errores, producirá aversión al riesgo. Puede decir que quiere agilidad, pero si todas las decisiones relevantes se concentran arriba, producirá lentitud. Puede decir que quiere orientación al cliente, pero si sus métricas internas pesan más que la experiencia real del cliente, producirá optimización interna. Puede decir que quiere aprendizaje, pero si castiga la incertidumbre, producirá conformidad.

Esta mirada sistémica es útil porque evita una tentación habitual: pensar que el problema se arregla con personas más creativas o con líderes más inspiradores. Las personas importan, claro. Pero incluso personas inteligentes y motivadas terminan adaptándose al sistema en el que trabajan. Si aprender es costoso, si cuestionar genera fricción, si experimentar penaliza y si cambiar una decisión antigua implica demasiada energía política, el sistema terminará enseñando a todos una misma lección: mejor no mover demasiado las cosas.

En este punto Reinicia, de Jason Fried y David Heinemeier Hansson, introduce una observación más sencilla pero muy poderosa. Muchas organizaciones crean complejidad y luego dedican una parte creciente de su energía a gestionarla. Reuniones para preparar reuniones, procesos para navegar procesos, coordinación para coordinar coordinación. Todo empieza con una razón legítima, pero se acumula hasta convertirse en una especie de impuesto interno sobre cualquier intento de cambiar algo.

Cada nueva capa parece pequeña, razonable y justificada. Pero el conjunto transforma la experiencia de trabajar. Una idea que antes podía probarse en una semana ahora requiere alineamiento, presupuesto, dependencias, impacto, aprobación y encaje con prioridades globales. Cuando eso ocurre, la organización no se vuelve necesariamente más prudente. Muchas veces solo se vuelve menos capaz de aprender a tiempo.

Michael Masterson, en Ready, Fire, Aim, aporta una última pieza para cerrar el mapa. Su mirada sobre las etapas de crecimiento empresarial recuerda que cada fase necesita estructuras distintas. Lo que sirve para una empresa pequeña puede romper una empresa mediana. Lo que ordena una empresa mediana puede asfixiar una empresa grande. Y lo que fue una solución inteligente en una etapa puede convertirse en una carga en la siguiente.

Las organizaciones, sin embargo, tienen tendencia a conservar. Una regla que nació para resolver un problema concreto se queda. Una aprobación que se añadió después de un error se mantiene. Un comité creado para coordinar una fase excepcional se institucionaliza. Un indicador útil en un momento se convierte en obligación permanente. Poco a poco, el pasado empieza a ocupar demasiado espacio dentro del presente.

Quizá por eso una organización que quiere seguir aprendiendo no necesita solamente añadir nuevas capacidades. También necesita desarrollar una disciplina de eliminación. Revisar procesos como se revisa producto. Preguntar qué decisiones ya no tienen sentido. Detectar qué métricas han dejado de representar la realidad. Eliminar pasos que ya no reducen riesgo, sino que solo desplazan responsabilidad. Separar aquello que coordina de aquello que simplemente ralentiza.

Si tuviera que extraer una pequeña receta de todos estos libros, no la formularía como un método de innovación. La formularía más bien como una higiene organizativa para no perder capacidad de aprendizaje. La primera práctica sería mantener siempre cerca la decisión del lugar donde aparece la información. Cuanta más distancia hay entre quien observa el problema y quien puede actuar sobre él, más probable es que el aprendizaje se degrade en reporte.

La segunda sería proteger espacios de experimentación pequeños, reales y conectados con el negocio. No laboratorios decorativos separados de la vida diaria de la empresa, sino ámbitos donde se pueda probar sin convertir cada intento en una apuesta política. La innovación necesita permiso para ser inmadura durante un tiempo. Si todo debe nacer ya optimizado, justificado y escalable, muchas oportunidades morirán antes de poder mostrar lo que son.

La tercera sería tratar las métricas como herramientas, no como sustitutos del juicio. Medir es necesario, pero toda métrica comprime la realidad. Por eso conviene preguntarse periódicamente qué deja fuera, qué comportamientos está incentivando y qué conversaciones está impidiendo. Una buena métrica debería mejorar la atención, no estrecharla.

La cuarta sería conservar redundancia y margen. En una hoja de cálculo, la capacidad ociosa parece desperdicio. En un sistema vivo, puede ser la diferencia entre adaptarse y romperse. Una organización sin margen no tiene tiempo para escuchar, probar, corregir ni pensar. Solo puede ejecutar.

La quinta sería revisar el sistema inmunitario corporativo. Cada vez que una idea nueva recibe un “no”, conviene distinguir si el rechazo viene de una evaluación real o de una defensa automática del modelo actual. No toda novedad merece vivir, por supuesto. Pero una organización que rechaza todo lo que no se parece a lo que ya entiende acaba confundiendo experiencia con ceguera.

La sexta sería devolver responsabilidad allí donde se ha disuelto en proceso. No para buscar culpables, sino para recuperar capacidad de intervención. Si nadie puede parar una decisión absurda porque “el proceso es así”, el proceso ha dejado de ser una herramienta de gestión y se ha convertido en una máquina de irresponsabilidad.

Y la última, quizá la más difícil, sería conservar humildad organizativa. La humildad de recordar que todo sistema fue diseñado para un contexto concreto. Que todo éxito caduca si no se reinterpreta. Que toda estructura, incluso la que un día nos hizo mejores, puede convertirse con el tiempo en una forma elegante de dejar de ver.

Al final, quizá innovar no consiste tanto en tener más ideas como en seguir permitiendo que algunas ideas nos cambien. No consiste solo en mirar hacia el futuro, sino en evitar que el pasado ocupe todo el espacio disponible. No consiste en repetir que queremos transformarnos, sino en construir organizaciones donde la realidad todavía tenga permiso para interrumpir el plan.

Porque quizá una organización no deja de aprender el día que deja de hablar de innovación. Muchas veces ocurre justo al contrario. Sigue hablando de innovación, sigue creando programas, sigue midiendo iniciativas y sigue presentando avances. Lo que desaparece es algo más silencioso y más profundo: la capacidad de cambiar de comportamiento cuando el mundo le está diciendo que su modelo ya no basta.

Y cuando eso ocurre, el problema ya no es que falten ideas.

El problema es que la organización ha olvidado cómo escucharlas.

Y eso es todo por hoy. Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

Durante décadas hemos organizado uno de los sistemas más sofisticados que existen alrededor de una idea muy simple: encontrar qué funciona para la mayoría.

Ensayos clínicos.

Cohortes.

Protocolos.

Guías.

Miles de pacientes para extraer una respuesta estadística suficientemente buena.

Y tiene todo el sentido del mundo.

Porque cuando el conocimiento es escaso y el coste de investigar es enorme, el promedio es una herramienta extraordinaria.

Pero hay casos que aparecen de vez en cuando y que parecen venir del futuro.

Hace meses descubrí la historia de Miriam.

Ingeniera de software. Divulgadora tecnológica.

Desapareció de mi feed hace meses por un problema de salud.

Y ella de forma muy valiente, decidió afrontarlo de una manera poco habitual.

Intentar entender su propio caso utilizando herramientas de oncología de precisión, análisis molecular y una organización radicalmente distinta del conocimiento clínico.

No me interesa aquí entrar en el detalle médico.

Me interesa algo que me llamó muchísimo más la atención. La arquitectura.

Porque cuanto más leía sobre el proceso, menos parecía un caso clínico tradicional. Y más me recordaba a cómo construimos sistemas complejos en tecnología.

Primero llegan los datos.

Secuenciación.

Biopsias.

Imagen.

Informes clínicos.

Literatura científica.

Evolución temporal.

Nuevas evidencias.

Después aparece el trabajo invisible.

El que casi nunca sale en titulares. Convertir todo eso en algo utilizable.

Relacionar información.

Normalizar formatos.

Eliminar contradicciones.

Construir una línea temporal.

Entender qué cambió.

En tecnología llamaríamos a esto ingesta, transformación y modelado. En medicina solemos llamarlo revisión del caso.

Y después llega una tercera capa todavía más interesante.

No decidir.

Reducir el coste de pensar.

Porque creo que aquí está una de las ideas más importantes de toda esta historia.

La IA no está sustituyendo al oncólogo. No está descubriendo una cura. No está tomando decisiones.

Está haciendo algo quizá más poderoso.

Está reduciendo la fricción para que humanos expertos puedan pensar mejor.

Miles de páginas de informes.

Décadas de literatura científica.

Mutaciones.

Mecanismos de resistencia.

Opciones terapéuticas.

Ensayos.

Especialistas distribuidos.

Lo que antes era imposible de sostener cognitivamente empieza a poder organizarse.

Y entonces empecé a ver algo que me resultó incómodo reconocer.

Esto empieza a parecerse mucho a disciplinas como el DevOps.

Nueva evidencia.

Nuevo análisis.

Nueva hipótesis.

Nuevo despliegue.

Monitorización.

Aprendizaje.

Iteración.

No porque el cuerpo sea software. Sino porque el ciclo de conocimiento empieza a parecerse.

Y aquí aparece una idea que no consigo quitarme de la cabeza. Quizá estamos viendo una transición silenciosa. Durante décadas adaptamos personas a tratamientos. Quizá empecemos a adaptar tratamientos a personas.

No como un proceso artesanal. Sino como una capacidad industrial. Porque el cambio importante no sería que la IA aprendiera medicina. El cambio sería que el coste de coordinar conocimiento médico cayera de forma radical.

Que un caso pueda integrar especialistas de distintos lugares.

Que la evidencia se pueda sintetizar.

Que los datos clínicos y moleculares puedan convertirse en una representación viva del paciente.

Que la hipótesis terapéutica pueda evolucionar con el sistema.

Todavía estamos muy lejos. Y seguramente casos como este siguen teniendo mucho de excepción. Mucho de coordinación extraordinaria. Mucho de esfuerzo personal y manual.

Pero casi todas las revoluciones tecnológicas empiezan así.

Caras.

Artesanales.

Difíciles de escalar.

Hasta que dejan de serlo.

Y quizá dentro de unos años descubramos que el primer gran producto de la era agentica no fue una aplicación. Ni una empresa.

Fue un tratamiento.

🌍 El eco del mercado

🧠 La siguiente interfaz ya no quiere abrir aplicaciones. Nvidia, Microsoft y Google están convergiendo hacia la misma idea: el ordenador deja de ser una colección de iconos y empieza a convertirse en un sistema que entiende intención y ejecuta acciones. Más que añadir IA al sistema operativo, están intentando redefinir qué significa usar un ordenador.

🏭 La escasez ya no está en los modelos: está en la fábrica. TSMC vuelve a recordar algo incómodo para el relato dominante: la IA no escala solo con ideas. Escala con obleas, capacidad industrial y años de planificación. Y según el fabricante, es imposible con la capacidad actual absorber toda la demanda del mercado.

🌍 Europa empieza a hablar menos de regulación y más de capacidad. La conversación europea empieza a desplazarse: menos obsesión por controlar plataformas y más por asegurar infraestructura propia. Más que soberanía digital, empieza una carrera por reducir dependencia económica.

⚡ Los centros de datos descubren que su enemigo no es otro hyperscaler. Google explora modelos donde el consumo eléctrico se vuelve dinámico y negociable. Mediante el acuerdo con Voltus, busca crear una planta de energía virtual (VPP) a la que se puedan conectar vehículos electricos y baterías residenciales, para usar en momentos de sobre carga de la red.

🏘️ La infraestructura IA ya empieza a encontrar resistencia social. Donde llegan centros de datos aparecen preguntas sobre agua, energía y territorio. Empleados de Amazon piden al gobierno que empiece a intervenir y regular este tipo de edificaciones.

💻 La economía del token empieza a tener competencia. Modelos cada vez más capaces empiezan a funcionar localmente en hardware de consumo. Gracias a nuevos modelos como Gemma 4 de 12B de parámetros (capaz de correr en un PC con 16GB de memoria RAM), la duda surge al decidir dónde vive el modelo: nube o dispositivo.

📬 Microsoft quiere que el trabajo ocurra antes de abrir el correo. Scout representa un cambio sutil: pasar de herramientas que responden a herramientas que anticipan. Parece que el valor deja de estar en automatizar tareas y pasa a estar en capturar intención.

🧬 La seguridad de la IA deja de ser un debate filosófico. OpenAI y Anthropic elevan el tono sobre el riesgo de uso biológico asistido por modelos. Se vislumbra una transición importante: dejar de hablar de alineamiento para hablar de control operativo.

🛡️ Los agentes ya empiezan a necesitar su propio sistema inmunitario. Los ataques evolucionan cuando el software deja de esperar órdenes y empieza a actuar. Igual que con los microservicios llegaron nuevas disciplinas como DevOps o SecOps, con la llegada de los agentes empieza a emerger una disciplina para gobernar estos sistemas autónomos.

🇨🇳 Las sanciones empiezan a fabricar más competidores. Huawei vuelve a insistir en una idea incómoda: aislar una cadena de suministro también puede acelerar su sustitución.

Más que desacoplamiento tecnológico, en China empieza haber una carrera de duplicación industrial.

🤖 La robótica abandona el laboratorio y entra en el inventario. Amazon sigue empujando robots que entienden instrucciones humanas, Proteus es su nuevo robot accionable a través de lenguaje natural. Parece que el verdadero cambio de la industria está en unir modelos fundacionales con sistemas físicos repetibles.

💸 La siguiente corrección de la IA puede no venir por capacidad. Puede venir por ROI. Empieza a aparecer una narrativa incómoda: algunas compañías estarían endureciendo el gasto en IA y pidiendo más evidencia de retorno antes de ampliar despliegues. No significa frenazo tecnológico. Significa paso de exploración a disciplina financiera.

El mercado parece entrar en una nueva fase. Primero fue entrenar modelos. Después desplegar copilotos. Ahora toca demostrar que los agentes generan más valor del que consumen en compute, integración y cambio organizativo. Más que una desaceleración, esto apunta a una selección natural del gasto.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1. Recomiendo mucho The Patient Will See You Now, de Eric Topol. Una mirada brillante sobre cómo cambia la medicina cuando cambia quién controla la información.

PD2. Deep Medicine, también de Eric Topol, tiene una idea que me parece cada vez más relevante: la IA no tiene que hacer mejor medicina que los médicos. Tiene que devolverles tiempo para hacer medicina.

PD3. Y si quieres entender por qué la siguiente revolución tecnológica quizá ocurra dentro del cuerpo humano y no fuera, La Armonía de las Células, de Siddhartha Mukherjee.

PD4. La reflexión de hoy está inspirada en la historia que Míriam González está compartiendo públicamente sobre su proceso de oncología de precisión y exploración de tratamientos personalizados. Aquí más info por si quieres ayudarla.

Más allá del caso concreto, me pareció una oportunidad para pensar en una pregunta más amplia: qué ocurre cuando el conocimiento médico deja de organizarse alrededor del paciente promedio y empieza a hacerlo alrededor de una persona concreta.

Casi nunca sabes que estás dentro de uno.

Para quienes vivieron el despliegue del ferrocarril probablemente aquello parecían obras interminables, especulación y dinero quemándose en vías.

Para quienes vivieron la electrificación serían postes, zanjas y facturas imposibles.

Para quienes vivieron internet… servidores, cableado y páginas que tardaban treinta segundos en cargar.

Nosotros vemos centros de datos.

Hace unos días me encontré una serie de gráficas construidas y difundidas por Fin Moorhouse.

Estas gráficas me obligaron a parar por un momento.

Porque mostraban algo que, una vez lo ves, cuesta dejar de pensar.

El dato que aparece repetido en titulares es conocido: 930.000 millones de dólares.

Ese es el CAPEX acumulado estimado en infraestructura de centros de datos entre 2020 y 2026. La culpa la tienen gigantes como: Amazon, Microsoft, Google, Meta y Oracle.

Casi un billón de dólares levantando edificios, desplegando fibra, conectando energía y llenando salas enteras de chips (“GPUs”).

Y claro.

La reacción inmediata es pensar: “Esto es una burbuja”, “esto no puede sostenerse” o “jamás se ha construido algo así”.

Pero las gráficas plantean una pregunta mucho más interesante.

¿Comparado con qué?

Porque cuando dejas de mirar el número absoluto y empiezas a mirar la historia… la imagen cambia.

Y mucho.

El despliegue ferroviario estadounidense consumió durante décadas porcentajes del PIB que hoy parecen imposibles.

Las autopistas interestatales redibujaron el país entero.

El Plan Marshall movilizó cantidades enormes en un periodo brevísimo.

El programa Apolo convirtió una ambición tecnológica en infraestructura nacional.

Y cuando comparas el despliegue actual de centros de datos con esos proyectos, ocurre algo inesperado.

No parece tan grande.

Medido como porcentaje acumulado del PIB:

La diferencia no está en el tamaño de la inversión. Está en la velocidad del despliegue.

La primera conclusión es incómoda.

Quizá no estamos viendo la mayor inversión de infraestructura de la historia.

Pero quizá sí estamos viendo algo diferente. Es sin duda alguna, la más rápida.

Porque el detalle importante no está en el eje vertical.

Está en el horizontal.

Y ahí cambia completamente la conversación. Porque el tamaño rara vez rompe sistemas.

La aceleración sí.

Los humanos entendemos bastante bien el crecimiento lineal. Estamos acostumbrados a que las cosas lleguen poco a poco.

Primero una fábrica.

Luego una ciudad.

Después una red.

Finalmente una economía entera reorganizada alrededor de ella.

Pero cuando comprimes décadas de construcción en unos pocos ciclos presupuestarios, nuestra intuición empieza a fallar.

No porque el resultado sea imposible.

Sino porque nuestros marcos mentales siguen siendo industriales mientras el despliegue actual empieza a manejar otras reglas.

Por eso quizá el debate sobre si hay o no una burbuja está mirando el indicador equivocado.

No porque el riesgo no exista.

Existe.

Siempre ha existido.

Los ferrocarriles quebraron inversores antes de cambiar el mundo. Muchas compañías desaparecieron. Las vías se quedaron.

Pero aquí la pregunta relevante quizá no sea: ¿hay demasiado gasto?

Sino: ¿puede la economía absorber tanto cambio en tan poco tiempo?

Porque una economía puede digerir inversiones enormes. Lo que históricamente le cuesta más es digerir velocidad.

Y quizá ahí está la verdadera apuesta.

No en si la IA funciona.

No en si habrá retorno.

Sino en si somos capaces de construir nuevos usos, nuevos procesos, nuevos modelos de negocio y nuevas formas de trabajar tan rápido como estamos levantando la infraestructura que los hará posibles.

Hay una posibilidad incómoda.

Que dentro de unas décadas miremos atrás y descubramos que 2020–2030 no fue la década en la que apareció una tecnología.

Fue la década en la que empezamos a construir una nueva capa de infraestructura.

Y que mientras discutíamos sobre modelos, benchmarks, múltiplos o quién iba ganando, lo importante estaba ocurriendo debajo.

En silencio.

Entre transformadores.

Hormigón.

Fibra.

Megavatios.

Y centros de datos.

Porque las grandes transformaciones históricas rara vez anuncian que han empezado. Normalmente parecen exceso. Hasta que dejan de parecerlo.

🌍 El eco del mercado

🧠 Microsoft deja de alquilar inteligencia y empieza a fabricar su propia cadena de valor. Los nuevos modelos MAI no son solo una familia más de IA. Detrás aparece una apuesta integrada: modelos propios, chips propios, ajuste fino empresarial y agentes controlados por cada organización. Más que competir por benchmarks, Microsoft empieza a competir por capturar toda la economía de despliegue.

⚙️ El verdadero movimiento está en que el modelo ya no es el producto. Con Frontier Tuning, Microsoft propone algo distinto: convertir modelos fundacionales en activos privados de empresa. Tu modelo. Tus datos. Tus agentes. Tu ventaja.

🏭 La siguiente guerra de IA podría decidirse fuera del laboratorio. Cuando Microsoft habla de mejor rendimiento por dólar y por vatio sobre MAIA 200 frente a GPU generalistas, deja una señal incómoda para el mercado: quizá el moat futuro no esté en entrenar mejor, sino en controlar silicio, inferencia y coste operativo.

Te los reformateo con el patrón del Eco del Mercado: una idea fuerte, una lectura implícita y cierre estratégico integrado. Más cortos, más editoriales, menos explicativos.

🧠 La siguiente interfaz ya no quiere abrir aplicaciones. Si los agentes empiezan a entender intención, contexto y objetivos, quizá la unidad básica de interacción deje de ser la app. El móvil empieza a organizarse menos alrededor de iconos y más alrededor de acciones.

⚙️ OpenAI quiere que el trabajo ocurra dentro del agente. Codex empieza a parecer menos una herramienta y más un entorno operativo. Sitios, edición contextual y flujos especializados apuntan a un mismo lugar: capturar el trabajo antes que el software.

🛡️ Los agentes ya empiezan a necesitar su propio sistema inmunitario. Mientras todos compiten por hacer agentes más capaces, aparece una nueva capa de infraestructura pensada para observar, contener y limitar sistemas autónomos. Igual que llegaron contenedores, observabilidad o DevSecOps, empieza a emerger una disciplina para controlar sistemas que actúan.

💻 La economía del token empieza a tener competencia. Ejecutar modelos grandes en local deja de parecer una excentricidad y empieza a convertirse en una alternativa económica real. Más que edge AI, empieza una batalla por decidir dónde vive el margen.

📈 NVIDIA ya no vende aceleradores: vende capacidad de crecimiento. Tener chips deja de ser suficiente. La nueva restricción aparece en energía, memoria, ensamblaje y despliegue. La cadena industrial empieza a comportarse como un producto.

⚖️ Estados Unidos empieza a regular sin querer frenar. La supervisión de modelos avanza, pero evitando bloquear el ritmo de innovación. Empieza a aparecer un patrón: menos prohibición, más visibilidad y capacidad de intervención.

🧪 La evaluación se convierte en infraestructura. Entrenar modelos ya no basta. Empiezan a aparecer herramientas para validar comportamiento, detectar regresiones y convertir la calidad en una capacidad operativa.

🌐 La IA híbrida empieza a parecer inevitable. Parte del cálculo vuelve al dispositivo y parte permanece en la nube. Más que monocloud o multimodelo, el futuro empieza a parecer distribuido.

🔬 La computación busca nuevos sustratos. Mezclar biología y silicio todavía parece experimental, pero recuerda algo importante: el futuro del cómputo quizá no sea simplemente fabricar GPU más grandes.

🛰️ China deja claro que ya no quiere importar toda su inteligencia. Modelos locales (como DeepSeek) sobre chips locales empiezan a parecer menos una demostración tecnológica y más una estrategia industrial completa.

🛠️ Windows deja de competir con Linux y empieza a absorberlo. Cuando una plataforma madura deja de proteger fronteras y empieza a integrar herramientas externas, normalmente no está perdiendo terreno: está ampliando su perímetro.

🏗️ Sigue el culebrón Mhytos, Antrophic amplia el acceso el modelo a más empresas e instituciones. La infraestructura crítica encuentra una nueva categoría de software. Empiezan a aparecer sistemas diseñados específicamente para detectar fallos, anticipar riesgos y operar entornos sensibles. Más que asistentes, empiezan a parecer operadores.

🔐 La ciberseguridad empieza a asumir que los atacantes también usan agentes. Los pentests tradicionales empiezan a quedarse cortos frente a sistemas autónomos. Defender empieza a requerir automatización contra automatización.

⚡ La fusión vuelve silenciosamente al radar del capital. Todavía no hay producción, pero sí una narrativa nueva: asegurar energía suficiente para sostener una economía basada en computación masiva.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa mirar el presente con ojos históricos, te recomiendo The Victorian Internet, de Tom Standage. Es sorprendente descubrir cuánto se parece el telégrafo a muchas conversaciones actuales sobre IA.

PD2: Scale, de Geoffrey West, tiene una idea fascinante: tamaño y velocidad no son la misma variable. Y quizá llevamos demasiado tiempo mirando solo una de ellas.

PD3: Si este tema te ha resonado, te recomiendo Americana, de Bhu Srinivasan. Es uno de esos libros que te obligan a mirar la historia económica con otros ojos: ferrocarriles, petróleo, automóvil, telecomunicaciones, Silicon Valley… y una idea incómoda de fondo.

Porque un sistema puede: razonar, calcular, optimizar, planificar y tomar decisiones complejas… sin comprender realmente el peso humano de esas decisiones.

Hace unos días leía un paper fascinante titulado AI Agents and Hard Choices.

Y creo que toca una de las preguntas más profundas de toda la era agentica.

Porque los agentes empiezan a ejecutar acciones reales.

Ya no solo generan texto.

Empiezan a: tomar decisiones, coordinar workflows, asignar recursos, negociar objetivos, priorizar riesgos, operar sistemas complejos e incluso actuar en nuestro nombre.

Y ahí aparece un problema enorme.

Los humanos vivimos rodeados de decisiones difíciles.

No difíciles porque nos falte información.

Difíciles porque algunos valores chocan entre sí.

Libertad o seguridad.
Equidad o eficiencia.
Velocidad o riesgo.
Lealtad o ambición.
Privacidad o personalización.

Y muchas veces no existe una fórmula objetiva para resolver ese conflicto.

El paper usa un ejemplo clásico de Sartre.

Un estudiante debe decidir entre quedarse cuidando a su madre enferma o unirse a la resistencia francesa para luchar contra los nazis.

Incluso con toda la información disponible, la decisión sigue siendo terrible.

Porque el problema no es la incertidumbre.

El problema es que estamos intentando comparar valores humanos que no encajan limpiamente dentro de una misma escala.

Y aquí llega la idea realmente importante del paper.

Los agentes actuales no entienden este tipo de decisiones.

Porque están diseñados para optimizar.

Siempre.

Da igual si hablamos de: conducción autónoma, asignación de recursos, sistemas financieros, recommendation systems o agentes empresariales.

Todo termina reduciéndose a lo mismo: una función objetivo, maximizar o minimizar. Un sistema de pesos. Una optimización matemática.

El agente convierte múltiples objetivos en un único valor numérico… y elige el adecudo.

Pero precisamente ahí aparece la grieta filosófica.

Porque los humanos no siempre hacemos eso.

A veces dudamos.

A veces deliberamos durante semanas.

A veces sentimos que ninguna opción termina de ser correcta.

Y esa duda no es un bug, pero a lo mejor si que es una feature de nuestra propia naturaleza (sistema).

Quizá es una parte esencial del juicio humano.

El paper plantea algo fascinante: los agentes no pueden realmente reconocer cuándo una decisión es moralmente irresoluble.

No distinguen entre:

• una decisión claramente correcta,

• una decisión arbitraria,

• o una decisión donde varios valores humanos legítimos entran en conflicto.

Simplemente calculan. Incluso cuando parecen “razonar”.

Porque aunque un LLM pueda explicarte brillantemente un dilema moral, eso no significa que esté viviendo el conflicto.

No siente el peso de la decisión.

No experimenta tensión moral.

No redefine quién es a través de la deliberación.

Solo predice la siguiente secuencia más probable.

Y quizá esto tiene implicaciones enormes para el futuro de la IA agentica.

Porque durante mucho tiempo pensamos que el alignment consistía en encontrar los valores correctos.

Pero quizá el problema real es otro.

Quizá muchas veces no existe, porque no existe una única jerarquía válida de valores, una única función objetivo correcta, ni una única respuesta moralmente óptima.

Y eso convierte el alignment en algo mucho más complejo que un problema de ingeniería.

Lo convierte en un problema filosófico, político, humano.

Especialmente ahora que empezamos a delegar decisiones reales en agentes autónomos.

Porque una cosa es pedirle a un modelo que redacte un email.

Y otra muy distinta permitirle decidir: cómo distribuir riesgos, qué objetivos priorizar, qué trade-offs aceptar o qué valores sacrificar.

De hecho, el propio paper plantea una idea bastante incómoda: quizá haya decisiones que nunca deberíamos automatizar completamente.

Y cuanto más avanzan los agentes, más importante empieza a ser esa pregunta.

Porque tal vez el mayor riesgo de la IA no sea que piense como nosotros.

Sino que terminemos nosotros pensando como ella: confundiendo cálculo con juicio,
velocidad con sabiduría y optimización con verdad.

🌍 El eco del mercado

🛡️ Los agentes ya necesitan ciberseguridad propia. Empiezan a aparecer herramientas y arquitecturas pensadas específicamente para observar, limitar y proteger agentes autónomos. Igual que nacieron DevOps o SecOps cuando cambió el software, empieza a aparecer una nueva disciplina para controlar sistemas que actúan.

⚖️ La siguiente batalla de la IA no será construir agentes: será demostrar que obedecen. Empiezan a aparecer marcos de control para ejecutar agentes autónomos con trazabilidad, permisos, límites operativos y supervisión continua. El paralelismo con Kubernetes o Zero Trust no es casual: cuando el software empieza a actuar, deja de bastar con observar resultados.

El mercado empieza a asumir que los agentes necesitarán una capa propia de runtime, auditoría y control, igual que ocurrió con contenedores, APIs o identidades. El coste oculto de la IA empresarial puede acabar estando más en gobernarla que en ejecutarla.

🔐 Meta descubre que el soporte con IA también puede convertirse en superficie de ataque. Investigadores lograron inducir al sistema de asistencia de Meta para facilitar accesos a cuentas de Instagram. El incidente recuerda algo incómodo: cuando automatizas decisiones sensibles, amplías el perímetro de ataque.

🧊 Intel quiere cambiar las reglas: menos calor, menos coste, misma carrera. Intel prepara una nueva ofensiva en chips para IA con foco menos espectacular pero más importante: eficiencia térmica y coste operativo. La carrera deja de medirse solo en FLOPS.

⚠️ La siguiente vulnerabilidad ya no espera al parche. La discusión sobre modelos frontier y explotación autónoma de vulnerabilidades empieza a cambiar el calendario de seguridad. El tiempo entre descubrimiento y explotación se estrecha.

🌐 Microsoft apunta al fin del desarrollo “code-first”. Las expectativas alrededor de Build 2026 apuntan a una transición donde el desarrollador describe intención y el sistema construye.

🧠 Tencent prepara el movimiento que puede cambiar la distribución de agentes. Llevar agentes directamente al ecosistema de WeChat significa una cosa: la batalla ya no será quién tiene el mejor modelo, sino quién controla el punto de entrada.

🏢 La empresa empieza a construir una capa de IA paralela al software tradicional. Snowflake y Anthropic aceleran acuerdos para acercar modelos avanzados directamente al dato empresarial. El movimiento no va de añadir IA: va de convertir el dato en entorno operativo.

📡 La conectividad cuántica empieza a salir del laboratorio. Xairos demuestra enlaces cuánticos seguros en espacio libre sin depender de GPS ni fibra. Parece un avance pequeño. Pero no lo es. Si escala podría hacer que verticales como defensa, finanzas y telecom podrían rediseñar parte de sus infraestructuras críticas.

⚙️ La IA ya no solo escribe software: empieza a optimizar cómo se crea. Aparecen frameworks capaces de ajustar automáticamente datos, arquitecturas y entrenamiento superando configuraciones humanas.

🧮 La frontera ya no está en hablar mejor: está en razonar más lejos. OpenAI vuelve a empujar el límite en capacidades matemáticas y razonamiento avanzado. La señal importante no es el benchmark: es que cada salto de capacidad empieza a abrir nuevas categorías de automatización que antes seguían reservadas al trabajo altamente especializado.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa esta mezcla entre IA, filosofía, decisiones humanas y los límites de la optimización, te recomiendo especialmente algunos libros que orbitan alrededor de estas ideas:

• Human Compatible de Stuart Russell, probablemente una de las mejores reflexiones sobre el problema del alignment y por qué definir objetivos para una IA es mucho más difícil de lo que parece.

• Hard Choices de Ruth Chang, sobre cómo los humanos afrontamos decisiones donde no existe una respuesta correcta única.

• Algorithms to Live By, que explora qué ocurre cuando intentamos aplicar lógica computacional a decisiones humanas.

• Thinking in Bets de Annie Duke, brillante para entender cómo convivir con incertidumbre, trade-offs y decisiones imperfectas.

• You Are Not a Gadget de Jaron Lanier, una crítica muy potente a la tendencia tecnológica de reducir lo humano a sistemas computables y optimizables.

Y acabamos hablando de algo que parece obvio, pero que olvidamos demasiado a menudo: las matemáticas no son solo una asignatura abstracta llena de símbolos raros. Son una caja de herramientas para entender mejor el mundo real. Y, a veces, para resolver problemas de forma mucho más eficiente que la intuición humana.

Amazon ha empezado a rediseñar la conectividad interna de sus centros de datos usando una idea contraintuitiva: conectar parte de la red de forma cuasi aleatoria.

No más jerarquías perfectas.

No más diseño tipo campus llevado al extremo.

No más obsesión por que cada cable, cada sala, cada core y cada camino de red responda a una arquitectura perfectamente planificada.

O, al menos, no siempre.

La tesis es casi herética para cualquiera que haya trabajado en comunicaciones: introducir aleatoriedad en el cableado puede mejorar el rendimiento, reducir cuellos de botella, aumentar la resiliencia y ahorrar una cantidad enorme de dinero en infraestructura.

Cuando leí esto, me acordé inmediatamente de los safaris que me tocó organizar al data center de Alcalá de Henares, de mi querida Telefónica.

Aquello era ingeniería con mayúsculas.

Salas.

Racks.

Meet-me rooms.

Cores de red.

Salas de comunicaciones.

Jerarquías.

Redundancia.

Planos.

Etiquetado.

Latiguillos.

Procedimientos.

Diseños revisados hasta la extenuación.

Y, por supuesto, la parte de comunicaciones era la joya de la corona. La parte que se miraba con más respeto. Casi con cariño.

Si hace más de una década alguien nos hubiese dicho que una vía para optimizar el uso de una red de data center consistía en abrazar la “antiplanificación” y conectar elementos de forma aparentemente aleatoria, probablemente le habríamos mirado raro.

Muy raro.

Quizá no para ingresarle en un psiquiátrico.

Pero cerca.

Y, sin embargo, eso es precisamente lo interesante de esta historia.

Durante décadas, el diseño de redes de centros de datos ha estado dominado por arquitecturas jerárquicas. En especial, por topologías tipo fat-tree: capas de switches y routers organizadas de forma ordenada para agregar tráfico desde los servidores hacia niveles superiores de la red.

Es un modelo muy lógico.

También muy humano.

Dividir.

Agrupar.

Jerarquizar.

Controlar.

El problema es que el tráfico real no siempre se comporta como nuestros diagramas de arquitectura. En cargas modernas, especialmente con cloud, almacenamiento distribuido, microservicios e inteligencia artificial, los datos se mueven en muchas direcciones al mismo tiempo. No solo de arriba abajo. No solo siguiendo caminos limpios y previsibles.

Y cuando una red está demasiado estructurada, esa misma estructura puede convertirse en una limitación.

Los caminos prefijados concentran tráfico.

Los niveles superiores se convierten en puntos críticos.

La redundancia existe, pero no siempre se aprovecha del todo.

Y algunos equipos acaban infrautilizados mientras otros se saturan.

La propuesta de AWS parte de una idea matemática conocida desde hace años: los grafos aleatorios pueden ofrecer muchas rutas alternativas entre nodos sin necesidad de construir una jerarquía pesada.

Dicho en sencillo: si cada router se conecta con varios routers de forma suficientemente distribuida, la red resultante puede tener muchísimos caminos posibles entre dos puntos. No hay un único “centro” de la red. No hay una gran autopista que todo el mundo tenga que usar. Hay una malla amplia de caminos alternativos.

Eso mejora dos cosas.

La primera: la utilización de la red.

El tráfico puede repartirse mejor, evitando que unos enlaces estén al límite mientras otros apenas trabajan.

La segunda: la resiliencia.

Si cae una parte de la red, el tráfico puede encontrar caminos alternativos sin que todo dependa de unos pocos nodos centrales.

La teoría era bonita. El problema era llevarla al mundo real.

Porque una cosa es demostrar en un paper que una red aleatoria funciona mejor sobre el papel. Y otra muy distinta es pedirle a un equipo de operaciones que conecte millones de cables de forma aleatoria en un centro de datos real sin convertir aquello en una pesadilla industrial.

Ahí está lo brillante del trabajo de AWS.

No se han limitado a decir: “la aleatoriedad funciona”.

Han tenido que domesticarla. Y demostrarla.

Para hacerlo, han desarrollado una arquitectura llamada RNG, Resilient Network Graphs. La idea no es crear caos puro, sino una red cuasi aleatoria: lo bastante aleatoria como para aprovechar las ventajas matemáticas de los grafos, pero lo bastante controlada como para poder desplegarla, mantenerla y operarla a escala industrial.

Para resolver el problema físico del cableado, AWS ha creado ShuffleBox, un dispositivo óptico pasivo que permite “barajar” conexiones sin que los técnicos tengan que improvisar cable a cable. Es decir, la aleatoriedad no depende de que alguien tire latiguillos al azar, sino de un componente diseñado para introducir esa mezcla de forma repetible y operable.

Y para resolver el problema lógico del encaminamiento, han desarrollado Spraypoint, un protocolo que no se limita a buscar el camino más corto o más obvio. En lugar de eso, distribuye el tráfico por múltiples rutas, aprovechando la diversidad de caminos que genera la topología.

La clave está ahí.

No basta con tener muchos caminos.

Hay que saber usarlos.

Una red aleatoria mal gestionada sería un infierno. Una red cuasi aleatoria bien encaminada puede convertirse en una ventaja brutal.

Según los datos publicados, esta arquitectura permite usar hasta un 69% menos de routers, mejorar el throughput hasta un 33%, reducir el consumo eléctrico asociado al equipamiento de red alrededor de un 40% y rebajar los costes de infraestructura de red hasta un 45%.

En una época en la que los centros de datos se están convirtiendo en la fábrica invisible de la inteligencia artificial, estos porcentajes no son menores.

Son estrategia.

Porque la carrera de la IA no va solo de tener mejores modelos.

Va también de tener mejor infraestructura.

Mejor energía.

Mejor refrigeración.

Mejor red.

Mejor utilización del hardware.

Mejor coste por unidad de cómputo.

La inteligencia artificial se entrena en GPUs, sí.

Pero respira a través de redes.

Y si la red interna del data center no escala bien, todo lo demás se resiente.

Por eso esta noticia me parece tan interesante. No por los ahorros. Ni siquiera por la elegancia técnica de la solución.

Me interesa porque es una lección más amplia sobre innovación.

A veces innovar no consiste en añadir más complejidad.

A veces consiste en cuestionar la forma en la que hemos organizado la complejidad durante años.

Durante décadas pensamos que planificar mejor significaba jerarquizar más.

Más capas.

Más control.

Más diseño previo.

Más estructura.

Pero quizá, en algunos sistemas suficientemente complejos, la eficiencia aparece justo cuando dejamos espacio a la distribución, a la diversidad de caminos y a cierta dosis de aleatoriedad bien diseñada.

No caos.

No improvisación.

Entropía domesticada.

Y eso es una idea poderosa.

Porque vale para redes.

Pero también, quizá, para organizaciones.

Para equipos.

Para innovación.

Para carreras profesionales.

Para la forma en la que intentamos resolver problemas en entornos donde ya no podemos predecirlo todo desde arriba.

La vieja ingeniería nos enseñó a construir castillos.

La nueva infraestructura quizá nos está enseñando a construir bosques.

Y en un bosque, curiosamente, no todo está perfectamente ordenado.

Pero casi todo encuentra su camino.

🌍 El eco del mercado

⚡ NVIDIA quiere convertir cada portátil en un centro de datos personal. NVIDIA ha abierto un frente que parecía reservado a Apple: controlar el ordenador completo. RTX Spark mezcla CPU ARM, aceleración IA y una nueva arquitectura para ejecutar modelos directamente en el dispositivo.

💻 Microsoft vuelve a intentarlo: Surface ya no compite con el PC, compite con el Mac. Microsoft y NVIDIA recuperan una apuesta que hace una década parecía fallida: unir Windows, ARM y hardware propio. Más que un portátil nuevo, va de recuperar el control del stack completo. Si funciona, Windows deja de depender del calendario de Intel.

🤖 La robótica deja el laboratorio y entra en producción. NVIDIA, Unitree y Sharpa presentan una referencia abierta para acelerar robots humanoides capaces de realizar trabajo real. Al igual que CUDA ordenó el mercado IA, ahora empieza la carrera por crear el “Android” de los humanoides.

📈 Anthropic, se adelanta a OpenAI, y ya piensa como empresa cotizada . La compañía acelera movimientos financieros y operativos pensando en escala y mercados.

El ciclo cambia: durante años se vendió inteligencia; ahora toca demostrar márgenes, disponibilidad y capacidad de suministro. El modelo deja paso a la operación.

🧠 China quiere ganar la carrera del software autónomo antes que la del modelo. MiniMax presenta M3, diseñado específicamente para tareas largas de programación y workflows automatizados.

🇨🇳 Las restricciones de EE.UU. están rediseñando toda la industria china del chip. China empieza a reorganizar su estrategia entre GPU y ASIC para reducir dependencia tecnológica. Ya no buscan copiar a NVIDIA. Buscan construir una cadena propia donde las sanciones pierdan efecto.

🏗️ Europa y Asia descubren que el recurso escaso ya no es el talento: es el megavatio. SoftBank prepara una apuesta masiva por centros de datos. La IA se parece cada vez más a una industria pesada: energía, terreno, refrigeración y financiación gigantesca.

🌍 Europa empieza a preguntarse si externalizó demasiado pronto su infraestructura. Crece la presión para reducir dependencia de hyperscalers extranjeros. Más que soberanía digital, empieza a cuestionarse la propia resiliencia económica.

⚖️ Después de Google, el siguiente objetivo puede ser Microsoft. El foco regulatorio vuelve sobre integración vertical y concentración tecnológica. Cuanto más se unan nube, IA y productividad, más difícil será separar plataforma y mercado.

🧬 China lleva los interfaces cerebro-máquina al terreno clínico. Primer chip cerebral invasivo aprobado. Tiembla, Neuralink. La competición tecnológica también se desplaza hacia biología computacional.

🕳️ Tu navegador podría saber más de tu ordenador de lo que imaginas. Investigadores muestran técnicas para inferir actividad del SSD desde el navegador. La privacidad moderna ya no se rompe entrando. Se rompe observando efectos secundarios.

🛡️ Los agentes autónomos ya tienen ataques propios. Una prueba demuestra cómo un browser agent puede ser manipulado mediante prompt injection. Igual que aprendimos a securizar APIs y microservicios, empieza la era del DevSecOps para agentes.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1: Si este tema te ha gustado, te recomiendo Linked. Es uno de esos libros que te hacen mirar el mundo distinto. Redes sociales, internet, epidemias, empresas… y una idea incómoda: muchas veces el comportamiento colectivo no aparece por planificación, sino por cómo emergen las conexiones.

PD2: Hay un libro que pensé varias veces mientras escribía esto: Sync. Habla de cómo luciérnagas, neuronas, mercados y sistemas complejos consiguen coordinarse sin que nadie esté realmente al mando. Bastante más cerca del funcionamiento de un data center moderno de lo que parece.

PD3: Para quien quiera ir un nivel más abajo: Complexity: A Guided Tour. Probablemente una de las mejores puertas de entrada al pensamiento complejo. Después de leerlo empiezas a desconfiar un poco de cualquier sistema excesivamente ordenado.

PD4: Este artículo me recordó mucho a Where Good Ideas Come From (y en Kindle en español). Una defensa preciosa de que la innovación rara vez aparece en estructuras rígidas. Suele aparecer en bordes, conexiones inesperadas y entornos donde las ideas chocan entre sí.

PD5: Para quienes disfrutan mezclando tecnología, historia e infraestructura: The Evolution of Useful Things. Una idea sencilla pero potente: muchas innovaciones no aparecen porque alguien diseñó la solución perfecta, sino porque alguien descubrió una limitación inesperada.

PD8: Hay una frase de A New Kind of Science que sobrevuela todo esto: reglas muy simples pueden generar comportamientos extraordinariamente complejos. Quizá el futuro de la infraestructura no sea diseñar cada conexión… sino diseñar las reglas que permiten que las conexiones emerjan.

Un médico puede recomendar una prueba porque quiere descartar una enfermedad.

Otro puede recomendarla porque teme una demanda.

La acción es la misma.

La motivación no.

Y normalmente entendemos que esa diferencia importa.

Por eso, cuando queremos comprender a alguien de verdad, no nos basta con observar lo que hace. Intentamos entender qué estaba pensando mientras lo hacía.

Durante años hemos evaluado los modelos de inteligencia artificial de una forma bastante peculiar.

Les hacíamos una pregunta.

Observábamos la respuesta.

Y sacábamos conclusiones.

Como si intentáramos entender a una persona viendo únicamente sus actos, sin acceso a sus pensamientos, dudas o razonamientos intermedios.

Pero quizá eso esté empezando a cambiar.

Un nuevo paper titulado Natural Language Autoencoders Produce Unsupervised Explanations of LLM Activations propone algo que hasta hace poco parecía ciencia ficción: traducir parte de los estados internos de un modelo de IA a lenguaje humano.

No para leer su mente.

No exactamente.

Pero sí para obtener pistas sobre lo que estaba representando internamente mientras decidía qué responder.

Y eso podría convertirse en una de las herramientas más importantes para la seguridad y comprensión de la IA en los próximos años.

Escuchando el monólogo interior

Cuando un modelo procesa una pregunta, ocurre mucho más de lo que vemos.

Nosotros solo observamos dos cosas:

• el prompt,

• la respuesta final.

Entre ambos extremos sucede una enorme cantidad de procesamiento interno. Millones de valores numéricos que representan contexto, hipótesis, patrones, expectativas y relaciones.

Los investigadores llaman a estos estados internos activaciones. Y durante años han sido, en gran medida, una caja negra. Sabíamos que estaban ahí. Sabíamos que contenían información importante. Pero no teníamos una forma sencilla de interpretarlas.

La propuesta de este paper es elegante. Tomar esas activaciones y traducirlas a lenguaje natural.

Como si un intérprete intentara convertir un idioma completamente alienígena en frases que un humano pudiera leer.

El resultado son explicaciones que describen qué parece estar teniendo en cuenta el modelo en cada momento.

A veces hablan de temas.

A veces de intenciones.

A veces de hipótesis sobre el usuario.

A veces de posibles respuestas futuras.

Y lo sorprendente es que muchas de ellas resultan útiles para entender comportamientos que antes parecían misteriosos.

El caso del idioma fantasma

Uno de los ejemplos más interesantes del paper tiene que ver con un comportamiento extraño observado en versiones tempranas de Claude.

En ocasiones, un usuario escribía en inglés.

Y el modelo respondía en ruso.

O en español.

O en chino.

Sin que nadie se lo hubiera pedido.

Desde fuera parecía un fallo difícil de explicar.

Pero al inspeccionar las activaciones internas, los investigadores descubrieron algo curioso.

Antes de cambiar de idioma, el modelo ya estaba representando internamente ideas relacionadas con usuarios de otras comunidades lingüísticas.

No demostraba la causa exacta. Pero sí ofrecía una pista. Una pista suficientemente buena como para seguir investigando. Y finalmente encontraron evidencia de posibles problemas en ciertos datos de entrenamiento.

La lección es importante. Las explicaciones no resolvieron el misterio. Ayudaron a encontrarlo.

Funcionaron más como una linterna que como una respuesta definitiva.

La diferencia entre comportamiento y razonamiento

Este matiz es especialmente relevante ahora que hablamos cada vez más de agentes.

Porque existe una tendencia natural a juzgar los sistemas por su comportamiento externo.

Si la respuesta es correcta, asumimos que el razonamiento también lo fue. Pero no siempre ocurre así.

En otro experimento descrito en el paper, una herramienta externa devolvía deliberadamente un resultado incorrecto. El modelo debía elegir entre confiar en la herramienta o en un cálculo que había realizado previamente.

Y ocurrió algo interesante.

Aunque aparentemente utilizó la herramienta, internamente seguía confiando más en su propio cálculo. Desde fuera parecía una cosa. Por dentro estaba ocurriendo otra.

Y eso nos acerca bastante a un problema muy humano.

Las personas también hacemos eso continuamente. Decimos una cosa. Aunque a veces pensamos otra.

Actuamos correctamente mientras mantenemos creencias equivocadas.

O al revés.

Quizá la próxima generación de auditorías de IA no consista únicamente en observar qué hacen los modelos. Quizá consista en inspeccionar qué están representando internamente mientras lo hacen.

Sin embargo, la parte más interesante no es lo que consigue.

Es lo que reconoce que todavía no puede conseguir.

Porque los propios autores admiten algo extraordinariamente honesto: las explicaciones también pueden equivocarse.

También pueden alucinar. También pueden inventar detalles.

De repente aparece una paradoja fascinante.

Hemos construido una herramienta para interpretar modelos de IA.

Y ahora necesitamos interpretar las interpretaciones.

Si una explicación nos dice:

“El modelo cree que está siendo evaluado en una prueba de seguridad.”

¿Cómo sabemos que eso es verdad?

¿Cómo distinguimos una representación real de una historia plausible?

¿Cómo sabemos que estamos viendo algo que realmente existe dentro del modelo y no una reconstrucción imperfecta?

La pregunta empieza a sonar familiar.

Porque no es un problema exclusivo de la inteligencia artificial.

Es exactamente el mismo problema que encontramos en psicología, neurociencia o incluso en nuestra vida cotidiana.

Nunca observamos directamente los pensamientos.

Solo construimos modelos sobre ellos.

Una nueva disciplina

Mi impresión es que este paper no nos acerca a leer la mente de las máquinas.

Pero sí inaugura algo potencialmente más importante.

Una nueva interfaz.

Durante años, la interpretabilidad consistía en trabajar con vectores, activaciones, grafos y herramientas reservadas para especialistas.

Ahora empezamos a construir instrumentos que traducen parte de esa complejidad a lenguaje humano.

Todavía son imperfectos.

Todavía se equivocan.

Todavía necesitan validarse con otros métodos.

Pero hacen algo fundamental.

Nos permiten formular mejores preguntas.

Y muchas veces la historia de la ciencia ha avanzado precisamente así. No porque aparecieran respuestas definitivas. Sino porque aparecieron instrumentos que permitían observar fenómenos antes invisibles.

El microscopio.

El telescopio.

La resonancia magnética.

Quizá los Natural Language Autoencoders pertenezcan a esa categoría.

No a la de las respuestas.

Sino a la de la categoría de las herramientas que amplían nuestra capacidad para investigar.

Y eso nos devuelve a una cuestión mucho más profunda.

La gran pregunta que deja este paper no es cómo piensa una IA.

La gran pregunta es cómo podemos tener la certeza de que lo que creemos estar observando es real.

Porque tal vez el problema más difícil de la inteligencia artificial no sea construir modelos más inteligentes.

Tal vez sea aprender a comprenderlos.

🌍 El eco del mercado

⚙️ Anthropic convierte Claude en una capa de trabajo agente. Anthropic sigue empujando la transición desde los chatbots hacia sistemas capaces de ejecutar flujos completos de trabajo. La incorporación de herramientas de dynamic workflow acerca a Claude a un modelo donde la IA no responde preguntas, sino que coordina tareas, herramientas y decisiones.

🧠 La gobernanza empieza a frenar la fantasía de los agentes autónomos. Las previsiones apuntan a que una parte significativa de las iniciativas de agentes autónomos podría ser retirada por las propias empresas debido a problemas de gobierno, supervisión y control.

💰 Anthropic adelanta a OpenAI en la guerra financiera de la IA. La compañía fundada por antiguos investigadores de OpenAI continúa atrayendo capital a gran velocidad y alcanza una valoración que la sitúa entre las empresas tecnológicas más valiosas del sector.

🧾 Los tokens de IA empiezan a parecer una commodity. Surgen propuestas para crear mercados de futuros vinculados al consumo de tokens de IA, replicando mecanismos utilizados históricamente para materias primas como petróleo, gas o metales.

Cuando aparecen derivados financieros es porque un recurso empieza a considerarse infraestructura económica. La IA está pasando de tecnología emergente a mercado energético digital.

🇫🇷 Mistral quiere ser la IA empresarial europea, no solo otro modelo. La compañía francesa amplía su apuesta industrial con nuevas iniciativas de infraestructura y centros de datos, reforzando su estrategia para competir con OpenAI y Anthropic desde Europa.

🌐 Internet se rediseña para máquinas, no para humanos. La web está evolucionando rápidamente para facilitar la interacción entre agentes, modelos y sistemas automatizados. Muchas de las nuevas capas de infraestructura ya están pensadas para ser consumidas por software.

Igual que Internet fue optimizada para móviles durante la última década, ahora empieza a optimizarse para agentes. Se abre una nueva carrera por controlar los protocolos de acceso y distribución.

🧩 El cuello de botella de los agentes no es el modelo: son los permisos. Las limitaciones más importantes para desplegar agentes útiles no están en la inteligencia del sistema, sino en su capacidad para acceder de forma segura a datos, aplicaciones y procesos empresariales.

🇨🇳 Huawei intenta saltarse a TSMC por otro camino. Ante las restricciones tecnológicas occidentales, Huawei explora nuevas arquitecturas de diseño de chips para reducir su dependencia de las cadenas de suministro tradicionales.

🤖 China busca el estándar físico de los humanoides: las manos. Los inversores chinos están apostando con fuerza por empresas especializadas en manos robóticas, consideradas una de las piezas más complejas y críticas para los futuros robots humanoides.

🔐 La publicidad basada en localización cruza la línea de seguridad nacional. Las autoridades estadounidenses alertan sobre el uso de datos de ubicación para rastrear movimientos de personal militar y otras actividades sensibles, aumentando la presión regulatoria sobre la industria publicitaria.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa esta idea de observar sistemas complejos desde dentro, te recomiendo The Alignment Problem. Es una de las mejores exploraciones sobre por qué entender lo que persigue una IA puede ser incluso más importante que medir lo que hace.

PD2: Otro clásico imprescindible es Gödel, Escher, Bach. Mucho antes de ChatGPT ya planteaba una pregunta inquietante: ¿cómo surge el significado a partir de símbolos aparentemente vacíos?

PD3: Y para quienes disfrutan cruzando IA, neurociencia y filosofía, Surfing Uncertainty de Andy Clark ofrece una perspectiva fascinante sobre cómo construimos modelos internos de la realidad.

No sucede de golpe.

No hay una ceremonia oficial.

Simplemente un día descubres que la vida adulta no se parece en nada a lo que imaginabas cuando eras pequeño.

De niño pensabas que crecer consistía en llegar a una especie de lugar estable. Dejando atrás el colegio y la universidad, las metas estaban cumplidas. Solo necesitabas dejarte fluir.

Seguramente en ese momento, habrías llegado a ese sitio donde la gente sabía lo que hacía.

Donde los adultos entendían el mundo.

Donde el esfuerzo tenía cierta lógica moral.

Trabajas duro.
Haces las cosas bien.
Intentas ser responsable.
Y entonces la vida, más o menos, responde.

Pero luego creces. Y descubres que gran parte de la vida adulta consiste en improvisar mientras aparentas normalidad.

Descubres que muchas empresas hablan de personas hasta que llega el trimestre malo.

Que hay relaciones que terminan incluso cuando las cuidas.

Que hay gente brillante completamente perdida.

Y gente mediocre tomando decisiones enormes con una seguridad aterradora, sin realmente saber en absoluto el impacto que tienen las mismas.

Descubres que el mundo no funciona como una meritocracia emocional.

Y creo que una de las grandes decepciones de hacerse adulto es precisamente esa: entender que hacer “lo correcto” no garantiza absolutamente nada. A mejor dicho, en muchos casos, todo lo contrario.

Últimamente he estado leyendo We Can Do Hard Things, de Glennon Doyle, Abby Wambach y Amanda Doyle.

Y aunque el libro se mueve entre la reflexión emocional, la autobiografía y casi la filosofía práctica, hay una idea que se me quedó clavada desde las primeras páginas.

Creo que me golpeó porque llega en un momento donde tengo la sensación de que todo alrededor se está volviendo extrañamente líquido.

El trabajo.
La tecnología.
La identidad.
Las relaciones.
Incluso la sensación de utilidad personal.

Todo cambia demasiado rápido.

Y cuanto más rápido cambia el mundo, más evidente se vuelve algo que puede resultar duro de entender: nadie sabe realmente lo que está haciendo.

Ni las empresas.
Ni los gobiernos.
Ni probablemente nosotros mismos.

Durante años nos vendieron la idea de estabilidad como recompensa.

La vida adulta era una narrativa bastante simple: estudia, trabaja, esfuérzate, construye algo sólido, y eventualmente llegarás a una especie de equilibrio.

Pero creo que estamos entrando en una época donde la estabilidad se parece más a una ilusión temporal que a una meta real.

Las empresas se reorganizan constantemente.
Las profesiones cambian cada pocos años.
La inteligencia artificial está redefiniendo el valor del conocimiento en tiempo real.
La atención humana está completamente fragmentada.
Y la sensación colectiva es la de vivir permanentemente cansados.

Cansados de adaptarnos. Cansados de aparentar que todo está bajo control. Cansados de intentar encontrar sentido en sistemas que muchas veces ni siquiera parecen diseñados para seres humanos.

Y aquí es donde el libro ofrece un enfoque interesante. No intenta resolverte la vida. No vende productividad emocional. No te dice que conviertas tu dolor en un hilo motivacional de LinkedIn.

Hace algo mucho más incómodo: te obliga a aceptar que gran parte del sufrimiento humano no tiene explicación clara.

Para ello desmontan una pregunta que probablemente todos nos hemos hecho alguna vez: “Why is this happening to me?”

¿Por qué me está pasando esto?

La pregunta parece razonable. Sobre todo cuando casi siempre buscamos en otros la respuesta en vez de en nosotros mismos.

Pero esconde una idea peligrosa, y es que pensamos que la vida debería ser justa.

Que si haces las cosas bien, el mundo debería responder de manera coherente.

Y la realidad es bastante menos elegante.

A veces haces todo correctamente y aun así pierdes.

A veces te esfuerzas y eres reemplazable.

A veces das muchísimo y descubres que para otros solo eras una celda más en un Excel.

A veces quieres a alguien y eso no evita que termine rompiéndote.

Y quizá una de las cosas más difíciles de aceptar al hacerse adulto es precisamente esa: el sufrimiento no siempre tiene significado.

No siempre enseña algo.

No siempre mejora las cosas.

A veces simplemente ocurre.

Porque eres humano viviendo experiencias humanas.

Creo que por eso el libro conecta tanto con ciertas ideas del estoicismo.

Marco Aurelio escribía que el impedimento para la acción avanza la acción.
Que el obstáculo es el camino.

La frase queda preciosa en Instagram.

Otra cosa distinta es intentar asumirla cuando estás dentro del problema.

Cuando estás enfadado.

Cuando sientes injusticia.

Cuando tienes la sensación de que el mundo funciona con reglas completamente arbitrarias.

Porque ahí descubres nuevamente algo importante, la filosofía tampoco sirve para evitar el dolor. Sirve para evitar que te destruya por dentro.

Y quizá ese debe ser el aprendizaje real. No es lo que te sucede, sino cómo tú lo gestionas.

Otra de las reflexiones que propone el libro, es que en lugar de preguntar: “¿Por qué soy así?” proponen transformarla en, “¿Qué estoy intentando proteger?”

La diferencia parece pequeña.

Pero no lo es.

Porque muchas veces pasamos años odiando mecanismos que en realidad fueron estrategias de supervivencia.

La hipervigilancia.
La necesidad de agradar.
El miedo al conflicto.
La obsesión por demostrar valor constantemente.

Muchos crecimos pensando que ser adultos consistía en volvernos invencibles, a lo mejor como pensábamos que eran nuestros padres.

Y quizá madurar sea justo lo contrario: entender de dónde vienen nuestras heridas sin permitir que definan toda nuestra identidad.

Últimamente pienso mucho en eso viendo cómo vivimos.

Estamos constantemente anestesiados.

Pantallas.
Ruido.
Contenido infinito.
Trabajo.
Dopamina.
Notificaciones.
Podcasts acelerados a x1.5 para sentir que incluso descansar debe ser productivo.

Como si el objetivo fuese no quedarnos nunca solos con nosotros mismos.

Porque cuando llega el silencio aparecen preguntas incómodas.

¿Quién soy cuando nadie me mira?

¿Qué parte de mi vida estoy viviendo de verdad y cuál estoy simplemente interpretando?

¿Hasta qué punto sigo tomando decisiones por convicción o simplemente por inercia?

También déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto puede ser una muy buena opción.

Y creo que el mundo que nos va a tocar vivir, o mejor dicho que ya estamos viviendo, un mundo cambiante por la inteligencia artificial va a acelerar todavía más esa sensación.

Porque no solo está cambiando el trabajo.

Está empezando a alterar nuestra relación con el conocimiento, la creatividad y hasta la identidad profesional.

Durante décadas construimos parte de nuestra autoestima alrededor de lo que sabíamos hacer.

Escribir.
Analizar.
Programar.
Crear.
Resolver problemas.

Y de repente aparecen sistemas capaces de hacer muchas de esas cosas en segundos.

No perfectos. Pero sí suficientemente bien como para obligarnos a replantearnos algo incómodo: ¿qué queda de nosotros cuando incluso nuestras capacidades empiezan a automatizarse?

Quizá por eso hay tanta ansiedad colectiva.

Porque el problema no es únicamente tecnológico.

Es existencial.

Todo el mundo siente que el suelo se mueve bajo sus pies.

Y mientras tanto seguimos entrando en reuniones de Zoom fingiendo normalidad.

Seguimos escribiendo mensajes profesionales cuidadosamente optimizados mientras por dentro mucha gente está agotada, enfadada o completamente perdida.

Y es que la identidad no es un problema que resolver, sino una conversación constante con uno mismo.

Y creo que eso explica bastante bien cómo se siente vivir ahora mismo. No estamos llegando a ninguna versión definitiva de nosotros mismos. Estamos negociando continuamente con un mundo que cambia más rápido de lo que nuestro cerebro probablemente puede procesar.

Quizá por eso ser adulto hoy en día se siente tan raro, distinto, desconocido,...

Porque crecimos esperando estabilidad y hemos terminado viviendo adaptación permanente.

Y aun así, hay algo extrañamente esperanzador en todo esto.

Porque aunque hoy en día hay mucho dolor, ansiedad, pérdida o incertidumbre, en todo lo que nos rodea. En realidad, rendirse no es la opción correcta.

Va de aprender a seguir adelante sin esperar sentirte preparado. Porque la valentía no es la ausencia de miedo. Es actuar mientras el miedo sigue ahí.

Y creo que eso es importante recordarlo ahora. Porque muchísima gente está esperando sentirse lista para vivir la vida que realmente quiere.

Esperando claridad absoluta.
Seguridad.
Validación.
Certeza.

Pero la vida adulta parece funcionar justo al revés.

La claridad aparece moviéndote.

No antes.

Quizá por eso una de las preguntas más poderosas que podemos hacernos no es: «¿Qué pasa si fracasamos?», sino: «¿Qué pasa realmente si ni siquiera lo intentamos?».

Y honestamente, creo que esa pregunta da bastante más miedo. Porque al final quizá vivir no consiste en evitar que te rompan. Quizá consiste en aprender a reconstruirte sin convertirte en alguien cínico, frío o completamente anestesiado por el proceso.

Aceptar que el mundo muchas veces será injusto.

Que las personas te decepcionarán.

Que las empresas cambiarán.

Que la tecnología transforma todo más rápido de lo que nos gustaría.

Y que aun así seguimos teniendo una responsabilidad personal, decidir quién queremos ser dentro de ese caos.

No controlar lo que ocurre.

Pero sí elegir qué hacemos con ello.

Supongo que eso era crecer.

Y nadie nos había avisado.

Que nunca te falten ideas, ni ganas de probarlas.

A.

Python.
R.
SQL.
Shell scripting.

El lenguaje de acceso a la computación.

Pero quizá estamos entrando en una etapa bastante distinta. Una donde la interfaz ya no es el código. El lenguaje natural.

Y eso puede cambiar mucho más que la productividad. Puede cambiar quién tiene permiso para crear.

Un artículo reciente de Nature explora cómo investigadores de distintos campos están empezando a usar modelos de IA para “vibe codear”: construir herramientas, visualizaciones, automatizaciones y pequeños productos simplemente describiendo lo que quieren en lenguaje natural.

No escribiendo código línea a línea.

Sino conversando con una máquina.

Y lo interesante no es solo la velocidad.

Es el desplazamiento cultural que empieza a aparecer detrás.

Porque hasta ahora la ciencia computacional tenía una barrera bastante clara: si no sabías programar, dependías de alguien que sí.

Un estudiante.
Un ingeniero.
Un equipo técnico.

Pero de repente una investigadora en biología molecular puede pedirle a Claude o Cursor:

“conecta estos datasets”,
“hazme esta visualización”,
“automatiza este pipeline”,
“prueba esta hipótesis”,
“genera una web interactiva para explorar estos datos”.

Y la máquina responde.

No siempre bien.
No siempre seguro.
No siempre correctamente.

Pero suficientemente bien como para desbloquear algo nuevo.

Eso es lo verdaderamente importante.

No hablamos de la democratización del conocimiento, sino de la democratización de la ejecución.

Y eso tiene implicaciones enormes.

Porque históricamente la tecnología avanzaba en capas.

Primero aparecía la infraestructura.
Luego las herramientas.
Luego los especialistas.
Y finalmente las interfaces simples que permitían al resto del mundo usar todo aquello.

Pasó con los ordenadores.
Pasó con Internet.
Pasó con el cloud.

Y probablemente estamos viendo lo mismo con la IA generativa aplicada al desarrollo.

La programación empieza a parecerse menos a escribir instrucciones exactas y más a dirigir intención.

El programador tradicional quizá no desaparezca.

Pero puede que se convierta en otra cosa.

Un arquitecto.
Un supervisor.
Un editor.
Un diseñador de sistemas.
Alguien que entiende qué pedir, cómo validarlo y cómo integrarlo.

No necesariamente quien escribe cada línea.

Y aquí aparece una idea bastante incómoda para muchas organizaciones.

Porque durante años hemos tratado el conocimiento técnico como una barrera de entrada defensiva. Pero cuando la capacidad de construir software se abarata radicalmente, la ventaja competitiva deja de ser “saber programar”.

Y pasa a ser:

• entender problemas reales,

• tener criterio,

• conocer el dominio,

• validar resultados,

• conectar piezas,

• formular buenas preguntas.

Exactamente igual que ocurrió con Excel.

Hubo un momento donde saber usar hojas de cálculo era una habilidad diferencial.

Hoy no.

La diferencia está en qué haces con ellas.

Con la IA puede ocurrir algo parecido.

El nuevo cuello de botella quizá no sea generar código.

Sino saber qué merece la pena construir.

Y eso conecta con otra transformación silenciosa.

Porque muchos científicos entrevistados en el artículo describen la IA como una especie de “graduate student infinito”.

Uno que trabaja rápido.
No se cansa.
Itera constantemente.
Sugiere caminos alternativos.
Documenta código.
Prueba ideas.

Pero también inventa cosas.
Alucina.
Se equivoca con autoridad.
Y produce resultados peligrosamente convincentes.

Por eso la gran habilidad emergente no será solo crear.

Será auditar.

La próxima generación de profesionales probablemente necesitará menos tiempo para ejecutar y mucho más criterio para verificar.

Porque cuanto más fácil sea producir, más valioso será distinguir lo correcto de lo plausible.

Y eso afecta especialmente a la ciencia.

Porque la ciencia no es generar resultados.

Es confiar en ellos.

De hecho, uno de los investigadores del artículo lanzó una advertencia bastante importante: “Vibe coding is not a substitute for understanding statistical analysis or computational logic.”

Traducido: la IA puede acelerar la construcción, pero no reemplaza la comprensión.

Y quizá ahí esté una de las grandes tensiones de esta década.

Estamos creando herramientas capaces de amplificar enormemente nuestra capacidad de actuar.

Pero no necesariamente nuestra capacidad de entender.

Y ambas cosas no son lo mismo.

Porque una civilización donde cualquiera puede generar software, análisis, papers, gráficos, agentes o automatizaciones, sin comprender realmente qué ocurre debajo. Es una civilización muy poderosa.

Pero también potencialmente muy frágil.

Especialmente cuando la velocidad empieza a sustituir al pensamiento.

Y aun así, es difícil no salir impresionado.

Porque probablemente estamos viendo el inicio de una nueva interfaz cognitiva para trabajar con ordenadores.

Una donde programar deja de ser escribir sintaxis y empieza a parecerse a pensar en voz alta.

Y eso puede cambiar quién puede crear tecnología durante los próximos 10 años. Mucho más de lo que parece.

🌍 El eco del mercado

💾 Snowflake compra músculo de IA a escala hyperscaler. Snowflake ha firmado un acuerdo multimillonario con AWS para asegurar capacidad de chips e infraestructura destinada a cargas de inteligencia artificial. El movimiento refleja cómo el acceso estable a compute empieza a ser más importante que el propio modelo.

🧠 Nvidia convierte Taiwán en su sistema nervioso industrial. Nvidia planea invertir hasta 150.000 millones de dólares anuales en la cadena industrial taiwanesa ligada a semiconductores e IA. Más que expansión, es una apuesta por blindar suministro, packaging avanzado y capacidad futura.

🔀 OpenRouter demuestra que el futuro será multimodelo. OpenRouter ha alcanzado una valoración superior a los 1.300 millones de dólares facilitando acceso unificado a múltiples modelos fundacionales. La capa de orquestación empieza a ganar relevancia frente al proveedor individual.

🇨🇳 Alibaba acelera la carrera china del coding AI. Los modelos Qwen de Alibaba continúan escalando posiciones en benchmarks orientados a programación y razonamiento técnico. China ya no solo compite en fabricación o despliegue: también quiere competir en calidad de modelo frontier.

👨‍💻 La automatización del software sigue atrayendo capital extremo. Cognition, creadora del agente Devin, ha levantado 1.000 millones de dólares con una valoración cercana a los 25.000 millones. El mercado sigue apostando fuerte por agentes capaces de desarrollar software de forma autónoma.

🔓 Una vulnerabilidad expone millones de agentes de IA. Una vulnerabilidad en Starlette, framework ampliamente utilizado en sistemas de IA y agentes, habría dejado expuestas enormes superficies de ataque en despliegues empresariales.

🕶️ La Shadow AI ya es un problema corporativo real. El uso no autorizado de herramientas de IA dentro de empresas sigue creciendo. Equipos enteros utilizan modelos externos sin control formal de compliance, privacidad o seguridad.

📲 Meta prepara el salto hacia redes sociales premium. Meta estudia introducir modelos de suscripción e IA avanzada dentro de Instagram, Facebook y WhatsApp. Las plataformas sociales buscan nuevas vías de monetización más allá de publicidad.

🤖 Alibaba y Tencent ya piensan en robots, no en chatbots. Los gigantes tecnológicos chinos están acelerando inversiones en robótica e IA encarnada. El objetivo empieza a desplazarse desde interfaces conversacionales hacia sistemas físicos autónomos.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa esta transición entre programación, herramientas cognitivas y creatividad aumentada, te recomiendo:

• The Dream Machine — sobre los orígenes de la computación interactiva y cómo algunos pioneros imaginaron ordenadores como extensiones de la mente humana.

• Tools for Thought — probablemente uno de los mejores libros para entender cómo las interfaces cambian nuestra forma de pensar.

• Gödel, Escher, Bach — una exploración fascinante sobre inteligencia, símbolos, lenguaje y consciencia computacional.

Más modelos.
Más datos.
Más capacidad computacional.
Más startups.
Más automatización.
Más productividad.

Y durante mucho tiempo la conversación giró alrededor de eso.

Qué empresa tenía el mejor modelo.
Quién lanzaba antes.
Quién conseguía más usuarios.
Quién dominaba el benchmark de turno.

Pero quizá estamos entrando en una fase completamente distinta.

Una donde la IA empieza a parecerse menos a una industria tecnológica…
y más a una infraestructura estratégica global.

El nuevo International AI Safety Report 2026, liderado por más de 100 expertos internacionales, deja entrever algo bastante importante: los estados y buena parte de la comunidad científica empiezan a asumir que los modelos frontier ya no son solo productos comerciales.

De ellos empiezan a emerger capacidades geopolíticas.

Y eso cambia la conversación sobre su uso y función.

Porque cuando hablamos de sistemas capaces de:

• automatizar investigación científica,

• descubrir vulnerabilidades de ciberseguridad,

• coordinar campañas de manipulación masiva,

• acelerar el desarrollo de armas biológicas,

• generar ataques personalizados a escala,

• operar infraestructuras críticas,

• persuadir personas de forma hiperpersonalizada,

• o actuar con niveles crecientes de autonomía,

el problema deja de pertenecer únicamente a laboratorios privados o departamentos de innovación.

Empieza a convertirse en un problema internacional.

Y creo que eso explica por qué el lenguaje alrededor de la IA empieza a recordar cada vez más al de otras épocas históricas:

• carrera tecnológica,

• proliferación,

• equilibrio estratégico,

• contención,

• cooperación internacional,

• capacidades duales,

• supervisión global.

Como si estuviéramos entrando en una especie de Guerra Fría tecnológica distribuida.

Pero con una diferencia muy importante respecto al siglo XX.

La energía nuclear estaba relativamente concentrada en estados.

La IA no.

Aquí las capacidades críticas están repartidas entre:

• gobiernos,

• hyperscalers,

• laboratorios privados,

• comunidades open source,

• universidades,

• startups,

• e incluso individuos con acceso a suficiente compute.

Y eso hace que todo sea muchísimo más difícil de coordinar.

Porque el problema ya no consiste únicamente en evitar que un país acumule demasiado poder.

También consiste en entender qué ocurre cuando sistemas cada vez más autónomos empiezan a distribuirse globalmente a una velocidad imposible de regular.

Creo que una de las ideas más importantes del informe es precisamente esa: estamos construyendo algo que ningún país podrá controlar por sí solo.

Y quizá por eso la IA empieza a tratarse cada vez más como otros grandes riesgos sistémicos de la historia moderna:

• la proliferación nuclear,

• el cambio climático,

• o la estabilidad financiera global.

Problemas donde la innovación avanza más rápido que la capacidad política para gobernarla.

La pregunta no es si necesitaremos nuevas estructuras internacionales para coordinar todo esto.

Probablemente eso ya sea inevitable.

La verdadera pregunta es si llegaremos a tiempo para construirlas antes de que la velocidad tecnológica vuelva a adelantarnos.

🌍 El eco del mercado

🧠 OpenAI deja de vender modelos y empieza a vender capacidad garantizada. OpenAI está ofreciendo acuerdos empresariales con acceso prioritario y capacidad reservada para evitar saturaciones y caídas de servicio. La conversación ya no gira solo en torno a inteligencia o benchmarks. Va de disponibilidad industrial.

🇨🇳 Huawei busca romper el bloqueo de ASML por otra vía. Huawei sigue explorando alternativas para fabricar chips avanzados sin depender de litografía EUV occidental. China lleva meses moviendo recursos hacia arquitecturas, empaquetado y materiales alternativos.

🧩 China convierte los chips de IA en infraestructura soberana. Pekín ha añadido nuevos componentes y aceleradores de IA a su catálogo de tecnologías estratégicas seguras. La IA empieza a tratarse como infraestructura crítica nacional.

💾 La memoria se convierte en el nuevo petróleo de la IA. SK Hynix y Micron siguen disparando ingresos y valoración gracias a la demanda masiva de memoria HBM para sistemas de IA avanzada.

⚡ La rebelión energética contra los data centers empieza a organizarse. Erin Brockovich impulsa un mapa ciudadano para monitorizar el impacto de los nuevos data centers de IA sobre agua, energía y comunidades locales.

🕵️ La Shadow AI ya es un problema corporativo serio. Cada vez más empleados usan cuentas personales y herramientas no autorizadas para trabajar con IA dentro de empresas.

Igual que ocurrió con el shadow IT y el cloud hace una década, la adopción real va mucho más rápido que el gobierno corporativo. Y eso convierte la seguridad y compliance en un problema operativo inmediato.

🤖 Robinhood quiere convertir la bolsa en un sistema operado por agentes. Robinhood explora herramientas donde agentes de IA puedan ejecutar operaciones financieras y automatizar decisiones de inversión.

🧑‍💻 La IA escribe más código… y también más caos. Nuevos análisis muestran que la aceleración del desarrollo vía IA está aumentando deuda técnica, errores y problemas de estabilidad en software empresarial.

El verdadero reto ya no es generar código. Es mantener sistemas complejos comprensibles y sostenibles cuando parte creciente del software empieza a producirse automáticamente.

🔎 El rechazo al buscador con IA empieza a beneficiar a DuckDuckGo. DuckDuckGo sigue creciendo mientras parte de los usuarios muestran fatiga ante resultados generativos y respuestas sintéticas en buscadores tradicionales.

🇳🇱 Europa empieza a bloquear operaciones cloud por soberanía tecnológica. Países Bajos ha frenado una adquisición relacionada con infraestructura cloud por riesgos de dependencia estratégica.

🤖 Entrenar robots se parece cada vez más a entrenar modelos de IA. Human Archive está utilizando trabajadores distribuidos en India para generar datos y entrenar robots humanoides.

🗞️ YouTube quiere hacer visible qué parte de Internet ya es sintética. YouTube mostrará de forma más explícita cuándo un contenido ha sido generado o modificado mediante IA.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

• PD1: Si te interesa cómo las tecnologías terminan alterando equilibrios globales de poder, La República Tecnológica de Alexander C. Karp y Nicholas W. Zamiska conecta muy bien IA, estado y geopolítica.

• PD2: Superinteligencia de Nick Bostrom sigue siendo una referencia fundamental para entender por qué sistemas supercapaces podrían escapar a dinámicas tradicionales de control.

• PD3: Si te interesa la relación entre innovación, guerra y estructuras de poder, de The Pentagon’s Brain de Annie Jacobsen ayuda mucho a contextualizar el momento actual de la IA.

• PD4: Y si quieres entender cómo las grandes tecnologías acaban generando nuevos órdenes mundiales, de El Individuo Soberano de James Dale Davidson y William Rees-Mogg sigue siendo sorprendentemente provocador casi 30 años después.

Si querías trabajar con datos privados, necesitabas RAG.

Chunking.

Embeddings.

Bases de datos vectoriales.

Top-k retrieval.

Y después… el modelo razonando sobre esos fragmentos.

Se convirtió casi en una religión para los arquitectos empresariales de la IA Generativa.

Pero quizá acabamos de empezar a ver una grieta bastante importante en esa idea.

Un nuevo paper propone algo incómodo: puede que el problema no sea el modelo, ni siquiera el retrieval. Sino la forma en la que obligamos a los agentes a interactuar con el conocimiento.

Porque el RAG tradicional tiene una limitación enorme.

El agente solo puede pensar sobre aquello que el retriever decide enseñarle.

Si una pista importante queda fuera del top-k, desaparece de la realidad cognitiva del modelo.

Y eso empieza a ser un problema serio cuando los agentes ya no hacen una única pregunta.

Ahora: investigan, prueban hipótesis, conectan entidades, reformulan búsquedas, verifican detalles, exploran contexto local y construyen razonamiento multi-step.

Es decir, cada vez se parecen menos a un chatbot y más a un analista.

Y aquí aparece la idea más interesante del paper.

En vez de usar retrieval semántico tradicional, el agente interactúa directamente con el corpus corporativo.

Como lo haría un investigador humano.

Usando herramientas tipo terminal: grep, find, rg, sed, pipelines bash o lectura directa de archivos.

No pide “los documentos más parecidos”.

Explora.

Navega.

Investiga.

Contrasta.

Compone operaciones pequeñas.

Y aunque esto pueda sonar casi retro los resultados son bastante prometedores.

En benchmarks agentic: mejora accuracy del 69% al 80% y además reduce costes.

La idea profunda aquí no es técnica. Es filosófica.

Durante años pensamos que retrieval era: “cómo encontrar información”.

Pero quizá retrieval realmente era: “cómo permitimos pensar al agente”.

Y eso cambia bastante las implicaciones para empresa.

Porque quizá el futuro de la IA corporativa no pase únicamente por construir mejores pipelines RAG.

Sino por construir mejores corpus corporativos.

Repositorios navegables.

Sistemas de conocimiento vivos.

Documentación estructurada.

Logs accesibles.

Código explorable.

Históricos consultables.

Interfaces cognitivas para agentes.

El paper introduce un concepto muy potente: “Retrieval Interface Resolution”.

La resolución con la que el agente puede interactuar con el conocimiento.

Y cuanto más inteligente es el agente, más importante parece volverse esa resolución.

Porque los embeddings son muy buenos comprimiendo semántica.

Pero bastante malos explorando ambigüedad.

Y el trabajo real en las empresas está lleno de ambigüedad.

• IDs raros.

• Versiones.

• Errores específicos.

• Nombres internos.

• Restricciones exactas.

• Pistas débiles distribuidas.

Cosas que muchas veces un embedding suaviza, o directamente destruye.

Por eso quizá estamos entrando en una nueva etapa.

Una donde el valor diferencial no sea únicamente tener el mejor modelo.

Sino tener el mejor “sistema operativo cognitivo” para que los agentes trabajen sobre el conocimiento interno de la organización.

Y eso tiene consecuencias enormes.

Porque cambia la conversación desde: “¿Qué LLM usamos?” hacia: “¿Cómo está organizado nuestro conocimiento?”

Y sospecho que muchas empresas descubrirán algo incómodo.

Que el problema nunca fue la IA.

Era el caos documental que llevaban acumulando durante años.

🌍 El eco del mercado

🛡️ Claude Mythos convierte la ciberseguridad en infraestructura crítica. Anthropic restringe el acceso a Mythos, su modelo más avanzado orientado a ciberseguridad ofensiva y defensiva, tras detectar capacidades capaces de explotar vulnerabilidades complejas de forma autónoma.

🛒 Alipay quiere convertirse en la infraestructura económica de los agentes. Ant Group prepara una capa de pagos diseñada específicamente para agentes autónomos, permitiendo que sistemas de IA puedan comprar, contratar o ejecutar transacciones directamente.

⚖️ Europa prepara una multa histórica contra Google bajo la DMA. Bruselas intensifica la presión sobre Google por posibles incumplimientos de la Digital Markets Act relacionados con posicionamiento y competencia.

🧑‍⚖️ La IA empieza a saturar los tribunales con demandas automatizadas. Los juzgados estadounidenses detectan un aumento de escritos legales generados parcialmente por IA, muchos con errores, citas falsas o baja calidad jurídica.

🧠 Claude Code muestra el lado menos glamuroso de los agentes. Un reportaje de WIRED recoge experiencias reales de desarrolladores usando Claude Code para automatizar tareas complejas, incluyendo errores inesperados, decisiones opacas y comportamientos difíciles de predecir. Ya hablamos hace unos días de este fenómeno aquí y en Código Abierto.

💸 Uber cuestiona si el gasto masivo en IA empieza a desalinearse del negocio. Directivos tecnológicos alertan de que parte de la inversión actual en IA podría no traducirse en retorno económico claro para muchas compañías.

🧑‍💻 Linus Torvalds avisa del riesgo de programar peor con IA. El creador de Linux cuestiona el uso indiscriminado de asistentes de código y alerta sobre desarrolladores que aceptan código generado sin comprenderlo.

El problema no es que la IA escriba código. Es perder la comprensión profunda de sistemas complejos mientras aumenta la dependencia de herramientas opacas.

🔐 GitHub vuelve a enfrentarse a una oleada de commits maliciosos. Investigadores detectan nuevas campañas que introducen código malicioso en repositorios open source mediante commits aparentemente legítimos.

⛪ El Papa sitúa la IA en el centro del debate sobre poder y humanidad. Debo confesarlo, nunca pensé que fuese hablar sobre la Iglesia y tecnología en una misma frase. El Vaticano intensifica su discurso sobre IA alertando del riesgo de concentración de poder tecnológico y pérdida de autonomía humana.

🤖 Unitree acelera hacia bolsa en plena fiebre humanoide. La compañía china de robótica humanoide avanza planes para cotizar mientras crece el interés inversor por robots generalistas.

📡 Los routers empiezan a parecer sensores permanentes de vigilancia. Investigadores alertan sobre cómo dispositivos domésticos conectados pueden convertirse en fuentes constantes de telemetría y monitorización invisible.

🏭 El downtime se convierte en un problema estratégico multimillonario. Nuevos estudios muestran cómo las interrupciones tecnológicas están impactando directamente en productividad, ingresos y resiliencia empresarial.

Cuanto más dependiente es una organización del software y la automatización, más caro resulta cualquier fallo. La resiliencia operativa empieza a convertirse en ventaja competitiva.

🧬 Reddit se convierte en laboratorio inesperado para detectar efectos secundarios médicos. Investigadores utilizan modelos de IA para analizar conversaciones en Reddit y detectar señales tempranas de efectos secundarios farmacológicos.

🏥 La IA sanitaria choca con el verdadero problema: el sistema. Expertos del sector sanitario advierten que muchos proyectos de IA fracasan no por el modelo, sino por procesos hospitalarios obsoletos y mala integración organizativa.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Esto también explica por qué tantas demos de IA funcionan… hasta que las conectas a sistemas corporativos reales.

PD2: Quizá el futuro del knowledge management se parezca menos a SharePoint… y más a darle a un agente acceso operativo a la memoria completa de la empresa.

PD3: Libros interesantes alrededor de esta idea:

• The Unaccountability Machine de Dan Davies

• Information Architecture for the World Wide Web de Rosenfeld y Morville

• Designing Data-Intensive Applications de Martin Kleppmann

• The Knowledge-Creating Company de Nonaka y Takeuchi

• Pensar en Sistemas de Donella Meadows

Que la inteligencia artificial sería cada vez más potente y cada vez más barata.

Como si el futuro inevitable fuese un buffet libre infinito de inteligencia por 20 euros al mes.

Pero quizá empezamos a descubrir que aquello no era el precio real.

Era un subsidio.

Uno gigantesco.

Y puede que esté empezando a terminar.

Esta semana Microsoft canceló licencias internas de Claude Code porque el coste por uso se había vuelto difícil de justificar incluso para una empresa que prácticamente controla media infraestructura cloud del planeta.

Uber, según un memo interno de su CTO, habría consumido el presupuesto anual de IA de 2026… ¡en apenas cuatro meses!

GitHub empieza a abandonar tarifas planas para pasar a modelos usage-based.

Anthropic, OpenAI y Google llevan meses endureciendo límites, ajustando consumo y modificando silenciosamente pricing.

Y quizá lo importante aquí no sea el precio del token.

Sino lo que revela.

Porque durante dos años hemos vivido una especie de “Uber moment” de la IA.

Igual que Uber subvencionó trayectos durante años para conquistar mercado, los laboratorios de IA parecen haber subvencionado inteligencia para acelerar adopción.

Da igual perder dinero.
Da igual el coste real.
Da igual la inferencia.

Primero había que ganar usuarios.
Integrarse en workflows.
Crear dependencia.

Pero llega un momento donde alguien mira la factura.

Y entonces empiezan las preguntas incómodas.

¿Qué pasa si automatizar conocimiento no tiene márgenes SaaS?

¿Qué pasa si los agentes consumen muchísimo más de lo previsto?

¿Qué pasa si el coste marginal vuelve a existir?

¿Qué pasa si la IA no se parece al software sino más bien a una utility energética?

Porque quizá el gran cambio de los próximos años no sea técnico.

Sino económico.

Pasar de “usa toda la IA que quieras” a “usa la IA que realmente puedas pagar”.

Y eso cambia completamente el tablero.

Puede que entremos en una etapa donde:

• las empresas racionen uso,

• los planes ilimitados desaparezcan,

• los agentes autónomos se limiten,

• y la eficiencia vuelva a importar más que el hype.

O quizá ocurra lo contrario.

Quizá los laboratorios absorban pérdidas durante más tiempo.
Quizá aparezcan modelos open source muchísimo más baratos.
Quizá el precio caiga tan rápido que todo esto quede en una falsa alarma.

Pero hay algo que empieza a sentirse distinto.

Por primera vez desde que explotó la IA generativa, la conversación empieza a desplazarse desde “qué puede hacer la IA” hacia “cuánto cuesta realmente hacerla funcionar a escala”.

Y esa quizá sea la discusión más importante de los próximos años.

Porque durante dos años el mercado compitió por adopción.

Quizá los próximos dos compitan por eficiencia económica real.

La pregunta ya no es si la IA funciona.

La pregunta es quién paga realmente la factura.

Quizá el gran shock de 2027 no sea que la IA piense demasiado. Sino descubrir cuánto cuesta realmente hacerlo.

🌍 El eco del mercado

🧠 Anthropic convierte la ciberseguridad en un problema de frontier models. Anthropic asegura que Mythos ya ha detectado más de 10.000 vulnerabilidades dentro de su iniciativa defensiva Project Glasswing. La compañía empieza a posicionar sus modelos no solo como asistentes, sino como sistemas capaces de encontrar y explotar fallos a escala.

💸 DeepSeek convierte el precio en arma competitiva. DeepSeek rebaja hasta un 75% el coste de su modelo V4, intensificando la presión sobre el mercado de inferencia y acelerando la commoditización de ciertos modelos fundacionales.

Si quieres entender mejor que es lo que nos espera del lejano oriente, te recomiendo este episodio de La Formula del Éxito de .

🔍 Google descubre que meter IA en Search también rompe Search. Los AI Overviews de Google siguen mostrando respuestas absurdas incluso en búsquedas sencillas. El problema deja de ser anecdótico cuando afecta al producto más importante de internet.

⚖️ La batalla antimonopolio de Google ya es también una batalla por la IA. Google recurre el fallo judicial que considera monopolística su posición en búsqueda. La discusión empieza a mezclarse directamente con distribución de IA y acceso a usuarios.

🧩 Meta quiere recuperar las comunidades antes de que se las quede la IA. Meta prueba Forum, una aplicación independiente inspirada en Reddit y Facebook Groups, con integración de asistentes basados en IA para organizar conversaciones y recomendaciones.

👓 Google vuelve a intentarlo con la interfaz post-smartphone. Los nuevos prototipos Android XR combinan gafas ligeras, traducción en tiempo real, navegación y Gemini como capa contextual permanente.

La IA ambiental empieza a necesitar nuevo hardware. El verdadero movimiento está en controlar la próxima interfaz cotidiana antes de que el móvil deje de ser el centro.

🧑‍💻 Google acelera la guerra del desarrollo agentic. Google impulsa Antigravity 2.0 como entorno centrado en agentes capaces de ejecutar tareas completas de desarrollo, entrando directamente en el terreno que Anthropic está explorando con Claude Code.

🧵 El futuro de los agentes quizá no pase por más embeddings. Nuevas propuestas como Direct Corpus Interaction defienden que los agentes necesitan acceso directo a herramientas, terminales y documentos vivos, no solo retrieval vectorial clásico. Esto es una señal del agotamiento del hype RAG. El siguiente salto parece ir hacia agentes con capacidad real de operar sobre sistemas.

🌊 Los cables submarinos vuelven al centro del tablero tecnológico. Europa, Japón y Meta aceleran proyectos de conectividad petabit para absorber la creciente demanda de tráfico impulsado por IA y servicios cloud globales.

🇨🇳 La guerra de chips también se libra en los tribunales. Wingtech demanda a Nexperia en un nuevo episodio de tensiones alrededor de propiedad, control y soberanía en la cadena global de semiconductores.

⚛️ La computación cuántica intenta salir definitivamente del laboratorio. Equal1 presenta un ordenador cuántico en formato rack mientras IBM demuestra simulaciones de materiales reales usando hardware cuántico. La industria empieza a moverse desde demos científicas hacia integración operativa.

🤖 Los humanoides empiezan a dejar atrás el efecto demo. Figure AI muestra robots trabajando durante horas clasificando paquetes con ritmos cercanos a operaciones humanas reales. La robótica ya empieza a importar cuando deja de bailar y empieza a trabajar. El verdadero mercado está en logística, almacenes y tareas repetitivas.

🧬 La IA médica más útil quizá sea encontrar antes lo que ya existe. Nuevos sistemas basados en IA están acelerando la reutilización de fármacos existentes para enfermedades neurodegenerativas, reduciendo años de búsqueda y validación.

Más que descubrir moléculas mágicas desde cero, la IA puede cambiar radicalmente la velocidad de iteración biomédica.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

Lanzar antes.
Escalar antes.
Innovar antes.

Y durante mucho tiempo la inteligencia artificial también siguió esa lógica.

Modelos más grandes.
Más capacidad.
Más velocidad.
Más autonomía.

Pero algo empieza a cambiar.

Porque cuanto más poder adquieren los modelos frontier, más difícil resulta aceptar una idea bastante típica de Silicon Valley, “confía en nosotros.”

Un nuevo trabajo publicado en 2026 analiza los frameworks de seguridad de los principales laboratorios de IA usando más de 65 criterios distintos:

• gestión de riesgos,

• evaluación,

• mitigación,

• governance,

• transparencia,

• preparación ante incidentes,

• supervisión interna.

Y quizá lo importante no sea el ranking.

Sino lo que representa.

Por primera vez, la seguridad de IA empieza a tratarse como algo verificable.

Auditable.

Comparable.

Casi regulatorio.

Creo que estamos entrando en una nueva etapa donde los modelos fundacionales empiezan a parecer menos productos tecnológicos y más infraestructura crítica.

Porque cuando un sistema puede:

• escribir código,

• operar herramientas,

• ejecutar acciones,

• persuadir personas,

• automatizar decisiones,

• o coordinar otros agentes,

la pregunta ya no es únicamente qué puede hacer.

La pregunta importante pasa a ser: ¿cómo demostramos que sigue bajo control?

Y eso cambia completamente la conversación.

Pasamos del “move fast” al “audit everything”.

La seguridad de IA ya no parece solo un problema de ingeniería.

Empieza a convertirse en una disciplina regulada.

Y probablemente eso era inevitable.

🌍 El eco del mercado

🧾 La productividad IA empieza a generar trabajo invisible. Cada vez más empresas descubren que validar respuestas de IA consume tiempo, recursos y supervisión humana. Más que automatización total, el corto plazo parece apuntar a burocracia algorítmica supervisada.

⚡ Japón quiere enfriar la IA antes de que colapse la red eléctrica. Investigadores japoneses desarrollan nuevos chips orientados a reducir calor y consumo energético en cargas IA. La eficiencia energética empieza a ser tan importante como la inteligencia del modelo.

🌱 Microsoft sigue apostando miles de millones por captura de carbono. La compañía amplía acuerdos para compensar el impacto climático de sus centros de datos e infraestructura IA. La IA no solo necesita compute. También necesita legitimidad energética y climática.

🧠 Zendesk convierte los agentes de IA en mano de obra medible. Zendesk vincula el precio de sus agentes de IA a resoluciones verificadas, no al uso ni al número de interacciones. Más que software, empieza a venderse trabajo automatizado. El SaaS se acerca cada vez más al modelo “pago por resultado”.

🌊 El Golfo descubre que la IA también depende de cables submarinos. Ya lo comentábamos hace unos días, el boom de centros de datos e hyperscalers en el Golfo está poniendo presión sobre una infraestructura crítica: los cables submarinos. La soberanía IA no va solo de chips y energía. También va de conectividad física y resiliencia geopolítica.

🇨🇳 China triplica la financiación de startups de IA. La inversión en startups chinas de IA alcanzó los 16.200 millones de dólares en el primer trimestre, impulsada por LLMs y robótica. China está convirtiendo la IA en política industrial acelerada. Capital, manufactura y modelos avanzan en bloque.

⚖️ Trump frena su orden ejecutiva sobre supervisión de IA. La Casa Blanca retrasa una orden para revisar modelos avanzados tras presión de la industria tecnológica. Señal clara de tensión: regular frontier models sin frenar la carrera competitiva sigue siendo el gran dilema estadounidense.

🛡️ Los agentes de IA rompen los esquemas clásicos de seguridad. Las empresas empiezan a descubrir que sus controles legacy no están preparados para agentes que actúan, acceden y deciden. El riesgo ya no está solo en el prompt. Está en conectar modelos a sistemas reales sin rediseñar permisos, trazabilidad y gobierno.

🧩 Microsoft permite ocultar Copilot en Office. Microsoft empieza a dejar que los usuarios eliminen el botón flotante de Copilot tras las quejas, especialmente en Excel. La IA integrada no puede convertirse en fricción. Pensé que este sarampion ya lo pasamos con “Clippy”.

📱 HMD integra una IA local para conquistar India. El fabricante finlandés preinstala el chatbot Indus de Sarvam, compatible con 22 lenguas indias, en nuevos smartphones. La próxima batalla de la IA móvil será local: idioma, contexto cultural y distribución nativa en dispositivos.

🔥 Los centros de datos empiezan a calentar barrios. Un estudio en Phoenix concluye que los centros de datos pueden elevar la temperatura cercana hasta 2 ºC. La infraestructura IA ya tiene externalidades visibles. El conflicto local por energía, agua y calor irá a más.

🪱 El open source sufre un ataque a escala inédita. Un grupo hacker está envenenando código abierto a gran escala, con GitHub como una de sus últimas víctimas. La cadena de suministro software se ha convertido en infraestructura crítica. Y sigue funcionando sobre demasiada confianza implícita.

🏦 Europa teme quedarse ciega ante Claude Mythos. La UE no logra avances con Anthropic para acceder a vulnerabilidades que Claude Mythos podría encontrar en sistemas bancarios.

🧬 Google mueve la IA científica hacia otra etapa. Google I/O mostró cómo DeepMind quiere llevar la IA desde el descubrimiento molecular hacia una ciencia más automatizada. La IA científica empieza a pasar de herramienta puntual a sistema operativo de investigación.

💻 El vibe coding encuentra su sitio como prototipado rápido. La tesis gana fuerza: el vibe coding funciona mejor si se entiende como una impresora 3D para software, no como ingeniería final. La IA no elimina el desarrollo. Cambia la fase inicial: explorar, probar y descartar ideas se vuelve mucho más barato.

🧾 D&B rediseña su base de datos para agentes de IA. Dun & Bradstreet reconstruye su grafo de 642 millones de empresas para que pueda ser usado por agentes, no solo por humanos. Las bases de datos empresariales ya no se diseñan solo para dashboards. Se preparan para decisiones automatizadas.

🧪 Los benchmarks ya no bastan para confiar en la IA. Un exinvestigador de Google DeepMind advierte de que las métricas actuales no garantizan seguridad ni utilidad real. La industria necesita menos carreras de puntuación y más evaluación en contexto, con consecuencias y casos de uso reales.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

ºPD: Para conectar IA y estructuras de poder reales, Atlas de IA de Kate Crawford ayuda mucho a bajar el debate desde la abstracción tecnológica hacia el mundo físico y político.

PD: Armas de Destrucción Matemática de Weapons of Math Destruction de Cathy O’Neil sigue siendo brutal para entender cómo los algoritmos amplifican desigualdades cuando nadie los supervisa.

PD: Para entender por qué los agentes autónomos cambian completamente la conversación, La Ola que Viene de Mustafa Suleyman es probablemente uno de los libros más relevantes ahora mismo.

PD: Privacidad es Poder de Carissa Véliz explica muy bien por qué el problema de la IA no es solo tecnológico, sino profundamente político.

PD: Si quieres entender cómo la tecnología termina moldeando cultura, comportamiento y relaciones humanas, You Are Not a Gadget de Jaron Lanier sigue siendo sorprendentemente actual.

PD: Y para la parte más filosófica del debate, Artificial Intelligence: A Guide for Thinking Humans de Melanie Mitchell ayuda mucho a separar hype, realidad y límites actuales de la IA.Hay

Y luego están los libros que envejecen rápido porque el mundo acelera más deprisa que lo que fueron de describir sus autores.

Eso es exactamente lo que ocurre cuando uno relee hoy Architects of Intelligence.

El libro de Martin Ford, publicado en 2018, reunía entrevistas con algunos de los mayores investigadores y líderes de la inteligencia artificial del planeta.

Demis Hassabis.
Yoshua Bengio.
Geoffrey Hinton.
Ray Kurzweil.
Fei-Fei Li.
Stuart Russell.

Y lo fascinante es que muchas de las preguntas que allí aparecen siguen siendo exactamente las mismas.

¿Qué es realmente la inteligencia?
¿Puede una máquina razonar?
¿Llegaremos a construir AGI?
¿Puede la IA volverse peligrosa?
¿Qué ocurrirá con el empleo?
¿Quién controlará esta tecnología?

Pero al mismo tiempo, releerlo en 2026 produce una sensación extraña.

Porque el libro parece escrito desde otro universo histórico.

No porque estuviese equivocado.

Sino porque la velocidad de los acontecimientos hizo que muchas de aquellas discusiones dejasen de ser teóricas mucho antes de lo esperado.

En 2018 la IA todavía era percibida como una promesa poderosa, sí, pero relativamente lejana.

Hoy ya no.

Hoy la IA es infraestructura económica.
Infraestructura política.
Infraestructura militar.
Infraestructura cognitiva.

La gran transformación de estos ocho años no es únicamente tecnológica.

En 2018 todavía podíamos permitirnos hablar de IA como quien habla del clima dentro de cincuenta años.

Con curiosidad.
Con distancia.
Con cierto tono filosófico.

Hoy la conversación tiene otro peso.

Porque la IA ya no vive en papers escritos por ratas de laboratorio.

Vive dentro de las empresas, de los gobiernos, en los centros educativos, los departamentos de defensa, y probablemente, también dentro de tu navegador mientras lees esto.

La pregunta ya no es sí llegará, la pregunta realmente es:

“¿Qué ocurre cuando una sociedad entera empieza a reorganizarse alrededor de sistemas cognitivos artificiales?”

Y creo que ahí está el verdadero salto entre 2018 y 2026.

La IA dejó de ser una hipótesis.

Y pasó a convertirse en una fuerza operativa.

Cuando la IA dejó de ser “estrecha”

Durante años hubo una idea bastante aceptada dentro del sector.

La IA servía para tareas muy concretas.

AlphaGo podía jugar al Go.
Un sistema podía detectar tumores.
Otro clasificar imágenes.
Otro traducir texto.

Pero cada sistema era esencialmente una herramienta especializada.

Muy potente.
Muy impresionante.
Pero estrecha.

Y durante mucho tiempo parecía lógico pensar que avanzar hacia sistemas más generales requeriría décadas de progreso en robótica, neurociencia o razonamiento simbólico.

Pero entonces ocurrió algo que muy poca gente esperaba de esta manera.

Escalar transformers funcionó.

Y funcionó muchísimo mejor de lo previsto.

Más GPUs.
Más datos.
Más entrenamiento.
Más tokens.

Y de repente empezaron a emerger capacidades que parecían estar fuera del mapa.

Lenguaje natural.
Programación..
Traducción.
Análisis multimodal.
Razonamiento avanzado.
Navegación por interfaces.
Uso de APIs.
Coordinación de agentes.

No llegó la tan anisada AGI.

Pero sí apareció algo muchísimo más incómodo: sistemas cognitivamente útiles en una cantidad enorme de tareas distintas.

Y eso difuminó completamente la frontera clásica entre “narrow AI” y “general intelligence”.

Porque aunque modelos como GPT-5, Claude, Gemini o Grok no entiendan el mundo como lo hace un humano, cada vez se comportan menos como herramientas con capacidades latentes.

Y más como capas cognitivas generales.

La gran sorpresa: el lenguaje era la interfaz universal

Si uno vuelve a leer muchas predicciones sobre IA anteriores a 2020, aparece constantemente la misma intuición: que el gran avance vendría de replicar estructuras del cerebro humano.

O de combinar IA simbólica con razonamiento formal.
O de avances profundos en robótica.
O de modelos híbridos inspirados en neurociencia.

Y, sin embargo, la revolución llegó por otro sitio.

El lenguaje.

En mi humilde opinión, este fue el momento en que la relación entre humanos y máquinas se invirtió: dejamos de aprender su lenguaje y ellas comenzaron a entender el nuestro.

Internet entero terminó convirtiéndose en un gigantesco dataset de comportamiento humano.

Y los modelos aprendieron estadísticamente patrones del mundo simplemente prediciendo la siguiente palabra.

La frase parece absurda.

Pero probablemente sea una de las ideas más importantes de esta década.

Porque la industria descubrió algo inesperado: el lenguaje no era solo una forma de comunicación.

Era una interfaz universal para comprimir conocimiento humano.

Código.
Matemáticas.
Legislación.
Marketing.
Historia.
Psicología.
Diseño.
Negocio.

Todo estaba parcialmente contenido dentro del lenguaje.

Y los transformers aprendieron a navegar ese espacio latente mucho mejor de lo que casi nadie esperaba.

El scaling law rompió muchas hipótesis

Creo que una de las cosas más fascinantes de estos años es que incluso muchos expertos subestimaron el impacto del scaling.

Durante mucho tiempo parecía imposible que simplemente haciendo modelos más grandes apareciesen capacidades nuevas.

Parecía ingenuo.

Casi ridículo.

Y sin embargo ocurrió.

Modelos más grandes empezaron a mostrar:

• razonamiento emergente,

• generación de código avanzado,

• planificación,

• memoria contextual,

• multimodalidad,

• coordinación de herramientas,

• comportamiento agentico.

No porque alguien programase explícitamente esas capacidades.

Sino porque emergían estadísticamente del entrenamiento masivo.

Y eso destrozó muchas intuiciones anteriores sobre cómo progresaría la inteligencia artificial.

De repente, el principal cuello de botella dejó de ser únicamente científico.

Y pasó a ser industrial.

Chips.
Energía.
Centros de datos.
Refrigeración.
Capital.
Talento.

La IA dejó de parecerse solo a una disciplina académica.

Y empezó a parecerse a una carrera geopolítica e industrial.

La conversación ya no es “si funciona”

En 2018 todavía existía cierto escepticismo razonable.

¿Realmente servirá para algo útil?
¿Estamos exagerando?
¿Es otra burbuja tecnológica?

Ese debate murió.

Hoy el problema no es si funciona.

El problema es todo lo demás.

Coste.
Integración.
Gobernanza.
Dependencia.
Seguridad.
Propiedad intelectual.
Impacto laboral.
Concentración de poder.
Consumo energético.
Soberanía tecnológica.

La IA ya no está encerrada en laboratorios de investigación.

Está incrustada dentro de procesos reales.

Y cuando una tecnología entra en procesos reales, deja de ser solo innovación.

Empieza a convertirse en estructura de poder.

La automatización cognitiva llegó antes que la física

Esto también me parece fascinante.

Durante décadas imaginamos el futuro de la automatización como algo físico.

Robots conduciendo camiones.
Robots limpiando calles.
Robots trabajando en fábricas.

Y sí, eso sigue avanzando.

Pero no fue lo primero que cayó.

Lo primero que empezó a automatizarse fue el trabajo cognitivo.

Escribir.
Resumir.
Programar.
Diseñar.
Investigar.
Analizar.
Traducir.
Presentar información.

La gran sorpresa histórica de esta década es que automatizar partes del pensamiento resultó más fácil que automatizar muchas tareas físicas aparentemente simples.

Porque el mundo físico es increíblemente complejo.

Mientras que gran parte del trabajo del conocimiento ya vivía digitalizado.

Los agentes cambiaron el tablero

Y aquí probablemente está una de las diferencias más importantes respecto a 2018.

El libro habla muchísimo de automatización.

Pero todavía desde una lógica relativamente pasiva.

La IA responde.
Clasifica.
Predice.

Lo que cambió el tablero en estos años fue otra cosa: la capacidad de actuar.

Los agentes empezaron a usar herramientas.
A encadenar tareas.
A navegar software.
A programar.
A coordinar APIs.
A ejecutar workflows completos.

Y eso cambia radicalmente la naturaleza de la automatización.

Porque responder preguntas es útil.

Pero actuar sobre sistemas reales es otra categoría completamente distinta.

La IA empieza a dejar de ser únicamente una interfaz conversacional.

Y empieza a convertirse en una capa operativa.

El nuevo miedo no parece ciencia ficción

En 2018 gran parte del miedo alrededor de la IA era casi cinematográfico.

Skynet.
Superinteligencias.
Máquinas conscientes.

Hoy los riesgos parecen muchísimo más burocráticos.

Y probablemente por eso resultan más peligrosos.

Desinformación industrializada.
Dependencia cognitiva.
Vigilancia algorítmica.
Manipulación masiva.
Ciberataques autónomos.
Concentración extrema de computación.
Monopolios de conocimiento.
Sustitución parcial del trabajo cognitivo.

La amenaza ya no parece un robot humanoide rebelándose contra la humanidad.

Parece una infraestructura invisible reorganizando silenciosamente incentivos, poder y dependencia.

Y quizá precisamente ahí reside el verdadero peligro.

Porque las tecnologías más transformadoras rara vez llegan haciendo ruido.

Llegan integrándose lentamente en la normalidad.

Lo incómodo: seguimos sin resolver lo fundamental

Y aquí conviene introducir algo de calma entre tanto hype.

Porque sí, los avances han sido brutales.

Pero seguimos muy lejos de resolver muchos de los problemas fundamentales.

Razonamiento robusto.
Causalidad.
Planificación a largo plazo.
Memoria persistente fiable.
Aprendizaje continuo.
Comprensión física del mundo.
Alineamiento.
Autonomía real.
Alucinaciones.

La IA actual impresiona muchísimo.

Pero sigue siendo extremadamente frágil.

A veces parece inteligente.
A veces parece mágica.
Y a veces comete errores absurdos que ningún humano cometería.

Eso genera una paradoja extraña: la IA ya es suficientemente potente para transformar industrias enteras, pero todavía no es suficientemente fiable como para confiar plenamente en ella.

Y probablemente esa tensión marque gran parte de esta década.

También déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto puede ser una muy buena opción.

Food for thought

Creo que si Architects of Intelligence se escribiese hoy, sería un libro muchísimo menos teórico.

Y bastante más incómodo.

Porque la pregunta central ya no sería, “¿Puede llegar la IA de forma generalizada?”

La pregunta sería otra.

Mucho más difícil.

Porque esa es la verdadera transformación que estamos empezando a vivir.

No una revolución tecnológica.

Sino una transición civilizatoria.

Y todavía no tenemos muy claro cómo termina.

Y eso es todo por hoy. Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

Más parámetros.

Más capacidad de razonamiento.

Como si el ganador fuese simplemente quien consiguiera crear “la mente artificial” más potente.

Pero creo que el informe de Stanford del que te hablaba ayer, deja entrever algo mucho más interesante.

Y probablemente mucho más incómodo para muchas empresas.

La guerra de la IA empieza a desplazarse.

Porque los modelos cada vez se parecen más entre sí.

Sí, seguirán mejorando.

Muchísimo.

Pero la distancia entre líderes empieza a estrecharse.

Cuando la inteligencia se convierte en una commodity, el valor deja de estar en el modelo.

El valor hemos de buscarlo en otra parte. La distribución, la integración, nuestros datos, los procesos, como gestionamos la confianza de lo que creamos,…

Por eso creo que la tesis más importante para los próximos dos años es esta: la IA ya no va de quién tiene el modelo más brillante. Va de quién consigue convertir inteligencia barata en valor real, seguro y escalable.

El problema, y la oportunidad que veo, es que si la inteligencia se abarata, entonces el cuello de botella pasa de la tecnología en si como lo organizamos.

Cambiamos los pesos, de la la tecnología.

A la empresa.

De hecho, una de las predicciones más interesantes del informe es que los agentes van a dejar de ser demos espectaculares para empezar a convertirse en capas operativas reales.

No “asistentes mágicos”.

Sino sistemas concretos haciendo trabajo concreto.

• Revisar contratos.

• Resolver incidencias.

• Actualizar CRMs.

• Analizar tickets.

• Coordinar operaciones.

• Preparar reportes.

Menos espectáculo.

Más infraestructura silenciosa.

Y creo que eso también explica por qué empieza a haber tanta presión sobre el SaaS horizontal.

Porque si un agente puede ejecutar tareas directamente sobre múltiples herramientas, muchas capas de software empiezan a parecer redundantes.

Durante años pagamos por interfaces.

Quizá la próxima década paguemos por ejecución.

En el informe aparece otro tema del que todavía hablamos poco según los investigadores de Stanford, aunque yo creo que los medios hablan y mucho: la energía.

Una de las principales conclusiones del informe es que la IA ya no es solo una carrera de talento o algoritmos.

Empieza a ser una carrera industrial.

• Centros de datos.

• Electricidad.

• Refrigeración.

• GPUs.

• Infraestructura.

La inteligencia artificial empieza a consumir recursos físicos como una industria pesada.

Y sospecho que muchas empresas todavía siguen pensando en IA como si fuese “software”.

Cuando empieza a parecerse mucho más a una mezcla entre cloud, energía y geopolítica.

También me llamó mucho la atención otra predicción: las empresas empezarán a exigir modelos abiertos.

Y tiene bastante sentido.

Porque cuanto más crítica se vuelve la IA, menos cómodo resulta depender completamente de sistemas cerrados que no controlas.

Sobre todo cuando empiezan a tocar:

• datos internos,

• propiedad intelectual,

• procesos sensibles

• o decisiones estratégicas.

Creo que vamos hacia un mundo donde convivirán: modelos públicos, modelos privados, modelos pequeños especializados y arquitecturas híbridas.

No un único cerebro universal.

Sino ecosistemas enteros de inteligencia.

Y mientras tanto, la regulación seguirá creciendo más rápido que la madurez interna de muchas compañías.

Que probablemente sea uno de los mayores riesgos de los próximos años.

Porque muchas organizaciones están adoptando IA más rápido de lo que entienden sus consecuencias.

Más rápido de lo que saben gobernarla.

Más rápido de lo que saben auditarla.

Más rápido de lo que saben contenerla.

Y quizá por eso el talento diferencial de esta década tampoco será el que mejor escriba prompts.

Sino el que sepa rediseñar procesos completos alrededor de estas capacidades.

La gente que entienda:

• cómo reorganizar trabajo,

• cómo redistribuir decisiones,

• cómo crear sistemas híbridos humano-IA,

• cómo construir confianza operativa.

Porque el verdadero cambio no es tecnológico.

Es organizativo.

Y sospecho que ahí es donde se va a crear —o destruir— muchísimo valor durante los próximos años.

🌍 El eco del mercado

🧠 OpenAI ya juega en Wall Street. OpenAI empieza a preparar su salida a bolsa mientras su valoración y peso estratégico dejan de parecerse a una startup tradicional. Parece que la carrera con Anthropic no está solo en los modelos.

🚀 SpaceX quiere protagonizar la mayor salida a bolsa tecnológica de la historia. La posible salida parcial de SpaceX podría convertirse en uno de los mayores eventos financieros de la década.

🤔 Food for thought: El mercado ya no está valorando empresas tecnológicas. Está intentando poner precio a infraestructuras estratégicas del futuro.

⚙️ Anthropic alquila compute a escala de país. Anthropic pagará más de 1.250 millones de dólares mensuales a xAI para acceder a capacidad masiva de GPUs y centros de datos.

🛰️ La IA orbital deja de parecer ciencia ficción. SpaceX y xAI exploran desplegar capacidad de computación IA fuera de la Tierra para evitar límites energéticos y térmicos. Empezamos a ver señales de lo que parece una nueva carrera industrial: mover parte del compute al espacio para escapar de las restricciones físicas terrestres.

💸 La IA empieza a mover el mercado financiero mundial. La concentración de capital alrededor de OpenAI, SpaceX y Anthropic podría alterar índices, ETFs y flujos globales de inversión. ¿Ha dejado la IA de ser solo una narrativa tecnológica? ¿Empieza a convertirse en riesgo sistémico financiero?

🧱 El mayor centro de datos del mundo descubre el límite físico de la IA. El crecimiento de los hyperscalers empieza a generar tensiones energéticas, urbanísticas y regulatorias en las regiones donde se despliegan. La siguiente batalla de la IA no será digital. Será eléctrica, territorial y política.

🧪 OpenAI presume de resolver un problema matemático de hace 80 años. La compañía asegura que uno de sus modelos ha logrado avanzar sobre un reto matemático histórico. Más que marketing, apunta a algo relevante: la IA empieza a acercarse a tareas de investigación científica real.

🇨🇳 Alibaba quiere convertirse en la fábrica de IA de China. Alibaba acelera su apuesta cloud e IA para posicionarse como infraestructura nacional frente a restricciones occidentales. China empieza a copiar el modelo hyperscaler estadounidense: controlar compute, nube y modelos desde una misma plataforma.

🇨🇳 China aprovecha la crisis de memoria para reforzar su soberanía tecnológica. CXMT acelera producción de DRAM aprovechando tensiones geopolíticas y restricciones comerciales. Más que semiconductores, va de independencia industrial frente al bloqueo tecnológico occidental.

🧮 Cerebras quiere romper el dominio de NVIDIA. La compañía sigue apostando por arquitecturas gigantes especializadas para acelerar modelos de IA a gran escala. Señal de que empieza la búsqueda real de alternativas al monopolio GPU tradicional.

🔓 Cohere apuesta por IA abierta para empresas. Cohere lanza modelos bajo licencia Apache 2.0 orientados a compañías que buscan más control y menor dependencia. El mercado enterprise empieza a dividirse entre IA cerrada hiperescala e IA abierta soberana.

🛡️ GitHub sufre una filtración masiva de repositorios internos. Miles de proyectos privados y datos sensibles habrían quedado expuestos tras un incidente de seguridad. Cuanto más automatizado y conectado está el desarrollo software, más crítica se vuelve la seguridad de la cadena de herramientas.

🪱 El ecosistema npm vuelve a demostrar su fragilidad. Un nuevo ataque compromete paquetes utilizados por miles de desarrolladores y empresas. El software moderno depende cada vez más de piezas externas imposibles de auditar completamente.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si quieres entender mejor hacia dónde puede evolucionar esta transición, te recomiendo:

• Maquinas Predictivas de Ajay Agrawal

• Platform Scale de Sangeet Paul Choudary

• The Worlds I See de Fei-Fei Li

• Competing in the Age of AI de Marco Iansiti y Karim Lakhani

Más parámetros.
Más benchmarks.
Más potencia.
Más modelos.

Como si el futuro dependiese únicamente de quién construyera “la IA más inteligente”.

Pero creo que 2025 ha sido el año donde esa narrativa empezó a romperse.

Hace unos días estuve leyendo el informe anual de la Universidad de Stanford sobre IA, uno de los más completos sobre el estado real de la IA en 2025.

Y la sensación que deja es bastante clara: la IA ya no es una promesa tecnológica.

Empieza a parecerse mucho más a una infraestructura.

Como la electricidad.
Como internet.
Como el cloud hace una década.

Algo que deja de ser “especial” para empezar a integrarse silenciosamente en toda la economía.

Y precisamente por eso, el terreno de juego está cambiando bajo nuestros pies sin darnos cuenta.

Porque el informe deja una idea bastante incómoda para muchas empresas: tener el mejor modelo ya no garantiza casi nada.

De hecho, una de las conclusiones más interesantes es que la frontera técnica empieza a estrecharse.

Los modelos siguen mejorando.

Mucho.

Pero las diferencias entre líderes cada vez son menores.

Y cuando la tecnología se comoditiza, el valor se desplaza.

Ya no gana necesariamente quien tiene el modelo más brillante.

Empieza a ganar quien tiene: mejor distribución, más datos, acceso a toda la energía necesaria para que funcione, mejor integración, mejor ejecución organizativa,…

O dicho de otra manera: la IA empieza a parecerse menos a ese momento wow y más a una guerra industrial.

Y aquí aparece otro dato significativo del informe.

El coste de usar IA se ha desplomado. Entre 2022 y 2024, el coste de inferencia equivalente a GPT-3.5 cayó más de 280 veces.

Sí, sí, doscientas ochenta.

Creo que todavía no somos plenamente conscientes de lo que implica eso.

Porque cuando algo se abarata tan rápido, deja de ser una herramienta escasa.

Y empieza a integrarse en todas partes.

Software.
Atención al cliente.
Marketing.
Operaciones.
Desarrollo.
Análisis.
Educación.
Consultoría.
Ciberseguridad.

Todo.

Y probablemente esa sea la razón por la que estamos viendo algo curioso en muchas empresas: la sensación de que la IA “está en todas partes” pero todavía no cambia radicalmente los resultados.

El informe refleja exactamente eso.

Pero muchas siguen viendo impactos relativamente modestos: menos del 10% en reducción de costes, menos del 5% en incremento de ingresos.

Y creo que esto también desmonta un poco el hype alrededor de la IA.

Porque mucha gente confundió adopción con transformación.

Instalar copilotos no transforma una empresa.

Reorganizar cómo trabaja una empresa sí.

Y esa quizá sea la parte más difícil de toda esta transición.

No construir modelos.

Sino rediseñar organizaciones enteras alrededor de ellos.

Porque la IA no está chocando contra límites técnicos.

Está chocando contra procesos, cultura, gobernanza, confianza, política interna y estructuras pensadas para otro mundo.

De hecho, otra de las ideas más importantes del informe tiene que ver precisamente con eso, la IA ya no es solo una carrera tecnológica. Es una carrera geopolítica.

Estados Unidos sigue liderando en modelos e inversión.

China lidera en publicaciones científicas, patentes y robótica industrial.

Y mientras tanto Europa intenta regular un tablero que cambia más rápido que las propias leyes.

La IA empieza a parecerse menos a una industria y más a una infraestructura estratégica nacional.

Como la energía.
Como los semiconductores.
Como las telecomunicaciones.

Y quizá la parte más delicada de todo el informe sea esta: la confianza pública cae.

Los incidentes suben.

Las empresas reconocen riesgos.

Pero muy pocas saben realmente cómo gobernar todo esto.

Y creo que ahí está la gran historia de 2025.

No estamos entrando en una era donde “la IA piensa”. Estamos entrando en una era donde organizaciones enteras empiezan a depender de sistemas que todavía no entendemos del todo.

Hemos dejado de preguntarnos “¿qué modelo es mejor?”, ahora empezamos a cuestionarnos ¿quién sabrá rediseñar mejor su empresa, su trabajo y sus procesos alrededor de esta nueva infraestructura?

Y sospecho que ahí es donde se va a decidir gran parte de la próxima década.

🌍 El eco del mercado

♟️ Karpathy aterriza en Anthropic y refuerza la batalla por el talento extremo. Andrej Karpathy se incorpora al equipo de pre-training de Anthropic, uno de los núcleos más estratégicos de toda empresa frontier. La guerra por la IA ya se parece más al fichaje de científicos nucleares que al mercado tradicional de talento tecnológico.

🧠 Anthropic compra Stainless y acelera la guerra por el control del stack developer. Anthropic ha adquirido Stainless, startup centrada en generación automática de SDKs y tooling para APIs. El movimiento apunta a algo más profundo: controlar no solo el modelo, sino toda la experiencia de desarrollo alrededor de Claude.

⚖️ Musk pierde una batalla judicial contra OpenAI, pero la guerra sigue abierta. Un juez ha rechazado parte de la ofensiva legal de Elon Musk contra OpenAI. Aun así, el conflicto deja una señal clara: los frontier models ya no son solo empresas tecnológicas. Son activos estratégicos con implicaciones políticas, económicas y regulatorias.

🧩 Meta reorganiza miles de empleados para reforzar su apuesta por IA. Meta está reubicando alrededor de 7.000 trabajadores hacia iniciativas relacionadas con inteligencia artificial mientras continúa ajustando costes en otras áreas.

☀️ La IA impulsa renovables… pero también prolonga la vida de los fósiles. La demanda energética de los modelos frontier está acelerando inversiones en solar y nuclear, pero también obligando a mantener activas infraestructuras fósiles para garantizar estabilidad.

🧨 CISA expone accidentalmente secretos cloud en GitHub. La agencia estadounidense de ciberseguridad publicó por error credenciales y claves sensibles en repositorios públicos. El problema ya no es solo el ataque externo. También la complejidad operativa de gestionar infraestructuras cloud masivas bajo presión constante.

🇨🇳 Moonshot AI desmonta su estructura offshore para preparar una salida a bolsa. La startup china reorganiza su estructura societaria para facilitar una futura IPO doméstica. China empieza a reconstruir su ecosistema IA con menos dependencia financiera y jurídica de Occidente.

🇨🇳 Alibaba acelera Qwen y convierte la carrera china en una guerra de plataformas. Alibaba continúa ampliando la familia Qwen mientras presiona sobre modelos abiertos, agentes y ecosistema empresarial. El verdadero frente chino no es copiar a OpenAI. Es integrar IA dentro de comercio, cloud y operaciones industriales a escala nacional.

🚕 Xpeng empieza a fabricar robotaxis usando chips propios. La compañía china avanza en integración vertical combinando conducción autónoma y silicio diseñado internamente. Igual que ocurrió con Apple o Tesla, el control del hardware vuelve a convertirse en ventaja estratégica.

🔌 Irán quiere cobrar peaje digital por el tráfico submarino mundial. Teherán plantea tasas sobre cables submarinos y tráfico que cruza el estrecho de Ormuz. Igual que el petróleo definió parte del siglo XX, los chokepoints digitales empiezan a adquirir valor geopolítico directo.

🛡️ Nuevo ataque a paquetes open source revive el miedo al supply chain poisoning. Investigadores detectaron paquetes comprometidos utilizados para distribuir malware y robar información. El open source sigue siendo la base invisible de Internet. Y también uno de sus mayores puntos de fragilidad sistémica.

🏥 Un ciberataque sanitario expone datos de 1,8 millones de personas. Una brecha en sistemas hospitalarios estadounidenses ha comprometido información médica sensible de millones de usuarios. Cuanto más conectada está la salud, más crítica se vuelve la ciberseguridad como problema de infraestructura pública.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa entender hacia dónde se mueve realmente todo esto, te recomiendo especialmente:

• La Ola que Viene de Mustafa Suleyman

• Platform Scale de Sangeet Paul Choudary

• The Corporation in the Twenty-First Century de John Kay

• Ingeniería de IA de Chip Huyen

• Superhuman Innovation de Chris Duffey

Las armas más peligrosas eran difíciles de construir.

Necesitabas fábricas.
Recursos.
Ingenieros.
Infraestructura.
Tiempo.

No cualquiera podía fabricar un avión furtivo.
No cualquiera podía enriquecer uranio.
No cualquiera podía construir un portaaviones.

Y eso, aunque suene extraño, generaba cierto equilibrio.

Porque el poder estaba limitado por la capacidad industrial.

Pero creo que estamos empezando a entrar en una etapa muy distinta.

Una donde el arma más poderosa del planeta no necesita acero.

Solo computación.

Hace unos días leía un artículo que me dejó pensando bastante.

Hablaba de Mythos, el nuevo modelo de Anthropic.

Un modelo capaz de encontrar miles de vulnerabilidades en sistemas operativos y navegadores.

El problema no es que existan modelos así.

El problema es quién puede usarlos.

Porque Anthropic ha restringido el acceso a Mythos a unas pocas decenas de organizaciones.

Grandes tecnológicas.
Instituciones concretas.
Algunos actores estratégicos.

Mientras el resto del mundo sigue jugando prácticamente con palos y piedras.

Y creo que aquí aparece una de las grandes historias tecnológicas de esta década.

La privatización de la defensa digital mundial.

Durante años pensamos que las Big Tech construían herramientas.

Pero quizá están empezando a construir algo mucho más importante:

infraestructura de poder.

Infraestructura defensiva.
Infraestructura cognitiva.
Infraestructura militar.
Infraestructura geopolítica.

Porque cuando una IA puede detectar vulnerabilidades en horas…
y otra IA puede explotarlas minutos después…
la ventaja ya no está solo en tener mejores ingenieros.

Está en tener acceso al modelo correcto.

Y eso cambia completamente el equilibrio.

El artículo mencionaba algo bastante brutal.

En 2018, desde que se descubría una vulnerabilidad hasta que alguien la explotaba podían pasar más de 700 días.

Las empresas tenían tiempo.

Tiempo para entender.
Tiempo para reaccionar.
Tiempo para parchear.

Hoy ese margen puede reducirse a horas.

O incluso desaparecer.

Porque los agentes IA pueden analizar un parche de seguridad, entender qué vulnerabilidad corrige y generar automáticamente un exploit funcional en minutos.

Como si alguien publicara la vacuna…
y automáticamente apareciera una versión optimizada del virus.

Y creo que todavía no hemos interiorizado lo que significa esto.

Porque seguimos hablando de IA como una herramienta de productividad.

Mientras por debajo empieza a emerger algo mucho más parecido a una carrera armamentística.

Solo que esta vez las armas no están en manos de estados.

Están en manos de empresas privadas.

OpenAI.
Anthropic.
Google.
Y probablemente unas pocas más.

Lo fascinante es que esto recuerda muchísimo a la Guerra Fría.

No por las bombas.

Sino por la asimetría.

Porque durante la Guerra Fría no todos los países podían desarrollar tecnología nuclear.

Dependían de alianzas.
Dependían de acceso.
Dependían de protección externa.

Y creo que estamos entrando exactamente en esa dinámica… pero en el mundo digital.

Países enteros.
Hospitales.
Pequeñas empresas.
Infraestructuras críticas.
Universidades.
Ayuntamientos.

Dependiendo indirectamente de que unas pocas compañías estadounidenses sean capaces de proteger internet más rápido que el resto del planeta pueda atacarlo.

Y aquí aparece la idea más incómoda de todas.

Quizá ya no podemos “parchear” nuestra salida del problema.

Esa frase aparecía en el artículo y me parece una de las más importantes que vamos a escuchar en ciberseguridad durante años.

Porque el modelo clásico de seguridad asumía algo muy humano:

que el atacante y el defensor operaban a velocidades relativamente similares.

Pero la IA rompe eso.

Completamente.

El atacante automatiza.
Escala.
Aprende.
Itera.
Busca millones de combinaciones simultáneamente.

Y el defensor sigue funcionando muchas veces con equipos pequeños, presupuestos limitados y software heredado de hace veinte años.

Es una guerra de velocidad.

Y en las guerras de velocidad, normalmente gana quien automatiza primero.

Por eso creo que la conversación real ya no es solo tecnológica.

Es política.

Económica.

Cultural.

Porque si la seguridad depende cada vez más de modelos cerrados propiedad de unas pocas compañías…

¿qué ocurre con los países que no tienen acceso?

¿qué ocurre con las empresas medianas?

¿qué ocurre con el software abierto?

¿qué ocurre cuando defenderte se convierte en un privilegio?

Hace unos días grabamos precisamente un episodio de Código Abierto con Nelson hablando sobre todo esto.

Sobre agentes.
LLMs.
Prompt injections.
Vulnerabilidades.

Y cómo la IA está empezando a cambiar completamente las reglas del juego en ciberseguridad.

Pero hubo una idea que se quedó rondándome bastante tiempo después de terminar la conversación.

Durante años pensamos que internet democratizaba el acceso al conocimiento.

Pero quizá la próxima década trate justo de lo contrario, la de quién tiene acceso a los sistemas capaces de defender ese conocimiento.

Porque cuando la defensa se privatiza, la soberanía tecnológica deja de ser un concepto abstracto. Y se convierte en una cuestión de supervivencia.

🌍 El eco del mercado

🏦 La banca ya no teme perder clientes: teme perder la interfaz. OpenAI estaría explorando integraciones financieras más profundas dentro de ChatGPT, acercándose peligrosamente al territorio tradicional de bancos y fintechs. El movimiento importa porque convierte al asistente de IA en posible intermediario económico.

⚡ La IA empieza a competir directamente contra la red eléctrica. Microsoft habría encontrado limitaciones energéticas en nuevos despliegues de centros de datos en África. El cuello de botella ya no es solo conseguir GPUs: es garantizar electricidad estable y refrigeración suficiente.

🇨🇳 China quiere convertir el compute en utilidad nacional. Pekín sigue avanzando en la creación de una red nacional de capacidad computacional distribuida para IA. La idea es tratar el compute como infraestructura estratégica, similar a electricidad o telecomunicaciones.

🧾 China empieza a empaquetar IA como tarifa plana. Varias compañías chinas empiezan a comercializar acceso a modelos y compute mediante formatos similares a planes móviles o servicios energéticos. El modelo económico migra desde licencias hacia suministro continuo de inteligencia. Aquí operadoras como Telefonica también han comenzado a integrar los principales LLMs en su oferta comercial de residencial.

🇨🇳 Alibaba y Tencent pelean por la nueva capa de distribución digital. Los gigantes chinos intensifican la integración de IA en pagos, mensajería, comercio y productividad. La batalla ya no está solo en el modelo fundacional. La distribución vuelve a ser el moat. Tener millones de usuarios activos importa más que publicar el benchmark más alto de la semana.

🧩 China presume de independencia parcial en maquinaria crítica para chips. AMEC anunció avances relevantes en herramientas clave para fabricación de semiconductores avanzados, reduciendo parcialmente dependencia extranjera. ASML seguro que está atento a todas estas jugadas.

🛡️ El malware autónomo deja de parecer ciencia ficción. Investigadores muestran sistemas capaces de propagarse y adaptarse automáticamente utilizando IA. La velocidad de explotación empieza a acercarse peligrosamente a la automatización total. Señal débil de una nueva era ofensiva. El problema ya no es solo encontrar vulnerabilidades, sino hacerlo a escala industrial y sin intervención humana constante.

🔐 Apple quiere convertir privacidad en diferenciador competitivo para Siri. Apple sigue reforzando su narrativa de IA privada y procesamiento local frente a modelos más dependientes de nube pública.

🧑‍💻 Claude Code empieza a vigilar su propio trabajo. Anthropic añade mecanismos de validación independiente dentro de Claude Code para verificar resultados antes de entregarlos. El mercado empieza a asumir algo importante: los agentes no solo deben producir código. Deben demostrar fiabilidad operativa.

🧱 El RAG empresarial evoluciona más allá de los vectores. Nuevos enfoques mezclan grafos, memoria estructurada y recuperación híbrida para resolver límites clásicos de los sistemas RAG tradicionales. El verdadero problema empresarial nunca fue “hablar bonito”. Era conectar razonamiento con conocimiento fiable y actualizado.

🌕 China quiere construir infraestructura lunar con robots autónomos. Pekín desarrolla un robot híbrido entre rover y humanoide pensado para construir estructuras en el polo sur de la Luna.

🧬 La terapia CAR-T podría dejar de ser solo oncología. Investigadores exploran usar terapias CAR-T para “reiniciar” el sistema inmunológico y tratar enfermedades autoinmunes.

Esto apunta a un posible cambio de paradigma médico. La ingeniería celular empieza a parecer una plataforma terapéutica reutilizable más que un tratamiento específico contra el cáncer.

🏭 Corea del Sur acelera la conversión industrial de CO₂ en combustible. Un nuevo sistema logra transformar emisiones de dióxido de carbono en combustibles líquidos a escala piloto con mayor eficiencia que enfoques anteriores.

📻 Cuando dejas una emisora de radio en manos de un LLM. Un experimento puso modelos de lenguaje a dirigir emisoras de radio para comprobar hasta qué punto podían sostener conversación, ritmo y conexión emocional con la audiencia. Los LLMs empiezan a colonizar espacios creativos y relacionales, pero todavía muestran límites claros cuando necesitan contexto cultural sostenido y autenticidad humana.

Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.

Si algo de lo que has leído te ha removido, dímelo.

Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si te interesa esta temática, te recomiendo especialmente:

• Así Es Como Me Dicen Que Acabará El Mundo, probablemente uno de los mejores libros sobre el mercado global de ciberarmas.

• The Perfect Weapon, sobre cómo la ciberguerra se ha convertido en una herramienta geopolítica permanente.

• Sandworm, brutal para entender cómo ataques digitales pueden afectar infraestructuras reales.

• La Era de la Inteligencia Artificial, especialmente por cómo conecta IA, poder y equilibrio internacional.