Y no tiene que ver con la tecnología.

Tiene que ver con nosotros.

Durante siglos, los humanos hemos buscado respuestas en lugares extraños.

Uno de los más famosos fue el Oráculo de Delfos.

La gente viajaba miles de kilómetros para hacer una pregunta.

Y recibía una respuesta.

El problema nunca fue el oráculo.

El problema era cómo se interpretaban sus palabras.

Hoy hemos construido algo sorprendentemente parecido.

No está en Grecia.

Está en nuestros navegadores.

En nuestras apps.

En nuestras decisiones del día a día.

Se llama inteligencia artificial.

Leia precisamente sobre este tema, la semana pasada, en un artículo de en The Economist.

Porque si lo piensas bien, lo que estamos haciendo no es tan distinto.

Le hacemos preguntas importantes.

Esperamos respuestas útiles.

Y, cuando suenan convincentes las tratamos como si fueran verdad.

Y aquí es donde empieza el problema.

No porque la IA “se equivoque”.

Eso es de esperar.

El problema es más sutil.

Más humano.

Más peligroso.

La IA habla bien.

Demasiado bien.

Responde rápido.

Estructura ideas.

Suena segura.

Y eso activa algo muy profundo en nosotros, la confianza ciega.

Pero como los buenos magos, la iA nos esconde el truco.

No entiende lo que dice.

No tiene criterio.

No tiene intención.

No sabe si una respuesta es correcta o no.

Solo predice la siguiente palabra.

Y lo hace muy bien.

Ahí nace la ilusión.

La ilusión de autoridad.

Y cuando aparece esa ilusión, pasan cosas.

Dejamos de cuestionar.

Delegamos el pensamiento.

Aceptamos respuestas sin validar.

Tomamos decisiones sin hacer el último esfuerzo mental.

No es un problema técnico.

Es un problema cognitivo.

Porque el mayor riesgo de esta tecnología no es que falle.

Es que dejemos de pensar.

Porque una decisión equivocada, tomada por una persona que confía demasiado en una respuesta bien escrita, escala.

Se replica.

Se automatiza.

Y se vuelve invisible.

Aquí es donde la comparación con el oráculo deja de ser una metáfora bonita.

Y se convierte en una advertencia.

No estamos construyendo máquinas que piensan.

Estamos construyendo sistemas que suenan como si pensaran.

Y eso, si no se entiende bien, es peligrosísimo.

La pregunta importante no es: ¿es la IA inteligente?
La pregunta es otra: ¿seguimos siéndolo nosotros cuando la usamos?

Porque el futuro no va a estar definido por los mejores modelos.

Va a estar definido por las personas que sepan usarlos sin dejar de pensar.

Y eso no se entrena con más prompts.

Se entrena con criterio.

Con duda.

Con fricción.

Usar IA bien no es delegar.

Es contrastar.

No es aceptar.

Es cuestionar.

Y puede que esa sea la habilidad más infravalorada ahora mismo.

Antes buscábamos respuestas en templos.

Hoy las buscamos en modelos.

La diferencia es que ahora parecen más precisas.

Pero el riesgo sigue siendo el mismo.

Interpretar mal.

Confiar demasiado.

Y dejar de pensar justo cuando más importa.

Y eso es lo que de verdad debería preocuparnos.

🌍 El eco del mercado

🧠 La IA ahora también “ve” y razona. OpenAI lanza una nueva generación de modelos capaces de generar imágenes coherentes, mantener narrativa visual y razonar sobre ellas. Esto ya no va de generar imágenes bonitas, sino de integrar visión en el stack cognitivo de la IA.

🏢 La IA sale del cloud (y entra en tu datacenter). Google empieza a desplegar Gemini en entornos on-premise, incluso air-gapped. La promesa: IA potente sin depender de la nube pública. El verdadero movimiento está en la soberanía: quien controle dónde corre la IA, controla su adopción.

🤝 Europa busca su propia IA (y se une). Cohere compra Aleph Alpha para construir una alternativa no estadounidense en IA. El movimiento responde más a política que a producto. Esto apunta a una fragmentación del mercado: bloques tecnológicos compitiendo, no solo empresas.

🌍 La IA deja de ser global. La narrativa de una IA sin fronteras se rompe: regulaciones, datos y arquitectura fuerzan modelos locales y soberanos. Esto no va de tecnología, va de control. Y cada país quiere el suyo.

📉 La factura de la IA empieza a pasar factura. Meta recorta miles de empleos mientras incrementa el gasto en IA. El mensaje es claro: eficiencia humana por compute. La IA no está creando empleo (todavía), está redistribuyendo poder dentro de las empresas.

🎭 La IA necesita humanizarse. Las empresas de IA están descubriendo que no basta con anuncios: necesitan contacto físico, eventos y comunidad para generar confianza. Señal débil: la credibilidad de la IA se construye fuera del producto.

🧩 La marca de tu empresa, también será una IA. Adobe lanza un sistema que aprende continuamente el estilo de una marca y lo automatiza. Más que automatización, esto va de encapsular identidad empresarial en modelos.

🛠️ La realidad de la IA generativa: aún necesita humanos. Las webs generadas por IA funcionan… pero requieren revisión manual para ser útiles. El hype sigue por delante de la ejecución. Y eso crea fricción real en adopción.

🇨🇳 La IA también es diplomacia. EE.UU. y China intensifican relaciones mientras avanzan modelos como DeepSeek V4. Tecnología y política cada vez más entrelazadas. Esto no es competencia tecnológica: es negociación geopolítica con IA como moneda.

🧠 Open Source vs Big Tech (round 2). Kimi K2.6, modelo open source chino, supera a GPT y Claude en programación. El verdadero riesgo para Big Tech no es otro modelo cerrado. Es el open.

🕵️‍♂️ La guerra invisible de la IA. EE.UU. acusa a empresas chinas de robar y destilar modelos de IA a gran escala. Esto apunta a un nuevo tipo de conflicto: copiar modelos como estrategia nacional.

🚫 Chips como arma geopolítica. EE.UU. endurece las restricciones para impedir que China acceda a tecnología clave de semiconductores. El cuello de botella de la IA no son los modelos. Son los chips.

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 el tema de hoy ha resonado contigo, te dejo algunas lecturas que ayudan a construir ese “músculo crítico” que vamos a necesitar más que nunca:

• Pensar Rápido, Pensar Despacio. Una radiografía brutal de cómo pensamos… y de todas las trampas mentales en las que caemos sin darnos cuenta.

• Superforecasting. Cómo pensar mejor en entornos de incertidumbre. Spoiler: no va de tener razón, va de pensar en probabilidades.

• The Alignment Problem. Un viaje fascinante por los límites de la IA y por qué alinear máquinas… empieza por entender a los humanos.

• Ruido. Sobre cómo incluso cuando creemos que decidimos bien… el ruido lo cambia todo.

• You Are Not So Smart. Ligero, directo y muy necesario para recordarnos que somos menos racionales de lo que creemos.

Y hay textos que, si los tomas en serio, te obligan a cambiar cómo vives.

Este que traigo hoy es seguramente de los segundos.

Porque en el fondo, lo que plantea William MacAskill en What We Owe The Future no es una idea brillante.

Sino, más bien, una realidad difícil de esquivar.

Estás viviendo en uno de los momentos más importantes de la historia, aunque no lo parezca.

Y si eso es cierto, entonces muchas de las decisiones que hoy consideras pequeñas, dejarán de serlo en unos años.

Hay una suposición silenciosa que guía casi todo lo que hacemos.

Pensamos en el presente.

A veces en el corto plazo.
A veces, con suerte, en nuestros hijos.

Pero rara vez más allá.

Y sin embargo, si haces el ejercicio mental más simple —el que propone MacAskill— todo se rompe.

Si una vida importa y diez vidas importan más que una, entonces mil millones de vidas futuras deberían importarte más que cualquier problema inmediato.

No es ideología.

Es aritmética pura.

Y aun así, vivimos como si el futuro tuviera descuento.

Como si importara menos.

Como si no fuera realmente “nuestro problema”.

Ese es el autoengaño.

El mundo no era inevitable

Nos gusta pensar que el progreso sigue una línea recta.

Que vamos “hacia mejor”.

Que la historia, de alguna manera, se corrige sola.

Pero basta mirar atrás para ver que eso no es cierto.

La esclavitud no desapareció sola.
Los derechos no emergieron de forma natural.

Fueron decisiones.

Fueron luchas.
Fueron minorías insistentes.

Fueron puntos de inflexión.

Y eso cambia completamente cómo deberías mirar el presente.

Porque significa algo bastante incómodo.

El mundo en el que vives no era inevitable.
Y el que viene… tampoco lo será.

No hay piloto automático.

El riesgo que casi nadie quiere mirar de frente

Aquí es donde la tesis se vuelve más incómoda todavía.

Porque por primera vez en la historia no solo estamos influyendo en el futuro.

Podemos bloquearlo.

Piensa en esto un segundo.

Tecnologías como la inteligencia artificial o la biotecnología no solo amplifican nuestras capacidades.

También pueden fijar decisiones.

Congelar valores.
Escalar errores.
Convertir una mala idea en permanente.

No estamos hablando de equivocarnos y corregir.

Estamos hablando de equivocarnos y que no haya vuelta atrás.

Eso es lo que algunos llaman value lock-in.

Y si lo llevas al extremo, el escenario es inquietante.

Un sistema suficientemente potente, desplegado a escala global, con unos valores mal definidos puede condicionar generaciones enteras.

No durante años.

Durante siglos.

La buena noticia es que, hasta ahora, como especie, hemos demostrado capacidad para corregir nuestros errores.

Hemos logrado corregir algunas de nuestras acciones; pensemos en logros como la recuperación de la capa de ozono.

El verdadero punto bisagra

Nos encanta pensar que vivimos en una época interesante.

Pero aquí hay algo más profundo.

Estamos en una de esas pocas etapas donde:

• El poder tecnológico se dispara

• Los sistemas globales se vuelven más frágiles

• Y el margen de error se reduce

Biotecnología capaz de crear —o evitar— pandemias.

IA capaz de tomar decisiones a escala.

Infraestructuras interconectadas donde un fallo se propaga en cadena.

No es ciencia ficción.

Es contexto.

Y ese contexto tiene una implicación muy clara.

No todas las épocas tienen el mismo peso moral.

Hay momentos donde una decisión cambia poco.

Y hay momentos —como este— donde puede cambiarlo todo.

La trampa del “sentirse útil”

Aquí viene una de las partes más incómodas del libro.

Porque cuestiona algo que damos por hecho.

Creemos que estamos ayudando.

Reciclamos.
Consumimos mejor.
Tomamos decisiones más o menos responsables.

Y está bien.

Pero MacAskill lanza una pregunta incómoda: ¿Eso maximiza tu impacto o solo te hace sentir bien?

No todas las acciones que parecen buenas… lo son en términos de impacto real.

Y no todas las acciones con impacto real… son cómodas.

Aquí hay una comparativa que lo explica muy bien:

• Acciones visibles → generan validación

• Acciones efectivas → generan cambio

Y muchas veces no coinciden.

El cambio de mentalidad que lo redefine todo

Si te tomas en serio esta idea, hay un punto en el que algo cambia.

Dejas de hacerte ciertas preguntas.

Y empiezas a hacerte otras.

Antes → ¿Qué quiero hacer con mi vida?
Después →¿Qué necesita el futuro de mí?

Antes → ¿Cómo minimizo riesgo?
Después → ¿Dónde puedo generar más impacto?

Antes → ¿Qué me conviene ahora?
Después → ¿Qué importa a largo plazo?

No es un cambio pequeño.

Es un cambio de sistema operativo.

Las tres preguntas que deberían perseguirte

No necesitas recordar todo el libro.

Pero si te quedas con esto… ya no podrás ignorarlo:

1. ¿Estoy jugando a corto plazo… en un juego que es de largo plazo?

2. ¿Estoy optimizando impacto… o simplemente comodidad?

3. ¿Estoy construyendo un futuro mejor… o solo uno más eficiente?

Porque aquí hay otra idea incomoda:

La eficiencia escala lo que ya existe.
Pero el progreso… cambia la dirección.

Y no son lo mismo.

La responsabilidad que no puedes delegar

Cada generación hereda un mundo.

Eso no es nuevo.

Lo que sí es nuevo… es el nivel de influencia que tenemos.

Nunca habíamos tenido:

• Tanto poder tecnológico

• Tanta capacidad de escalar decisiones

• Y tanta incertidumbre sobre las consecuencias

Eso no es solo una oportunidad.

Es una responsabilidad.

Y no es abstracta.

Está en decisiones concretas:

• Qué construyes

• Dónde trabajas

• Qué apoyas

• Qué ignoras

Porque incluso no decidir… es decidir.

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

Food for thought

El futuro no es algo que ocurre.

Es algo que se diseña.

Y lo incómodo de todo esto es que no puedes salirte del tablero.

Ya estás jugando.

La única pregunta real es otra:

¿Estás tomando decisiones a la altura del momento en el que te ha tocado vivir…

o simplemente las que te resultan más cómodas?

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.

Pero no suele decirse en voz alta.

Se disfraza de estrategia comercial.
De agresividad competitiva.
De “ajustar precios al mercado”.

Pero en el fondo… es otra cosa.

Es miedo.

Porque cuando una empresa baja precios de forma sistemática, no siempre está compitiendo mejor.

Muchas veces está reconociendo algo que no quiere admitir, y es que puede que su producto no sea lo suficientemente diferencial.

En los últimos meses se ha instalado una narrativa bastante peligrosa en el mundo de la IA.

La de que esto va de ganar cuota rápido.
De crecer.
De cerrar deals como sea.

Y para eso, muchas veces, hay que bajar precios.

Igualar al competidor.

“Match all competitors”.

Como si fuera inevitable.

Pero hay un problema.

Y es que esa guerra… no es real.

O mejor dicho, no es la guerra que importa.

Porque cuando hablas con empresas grandes —de las que realmente están comprando IA— la historia es bastante distinta.

No están buscando lo más barato.

Ni siquiera están comparando uno contra uno.

Están haciendo algo mucho más interesante, compran y prueban varios, los ejecutan en su entorno.

Y luego… se quedan con el que no pueden quitar.

Ese es el punto clave.

No gana el más barato.

Gana el que se vuelve imprescindible.

Y eso cambia completamente el juego.

Porque entonces la pregunta deja de ser:

“¿Cómo compito en precio?”

Y pasa a ser:

“¿Qué estoy construyendo que no puedan reemplazar?”

Aquí es donde muchas empresas de IA se rompen.

Porque en el fondo, lo que están vendiendo es… intercambiable.

Una capa más.

Un wrapper más.

Una funcionalidad más que, con tiempo y recursos, alguien dentro del cliente podría replicar.

Y cuando eso pasa, hay dos caminos:

O bajas precio.
O desapareces.

Por eso la verdadera guerra de precios no es contra tu competidor.

Es contra el equipo de ingeniería de tu cliente.

Y esa sí es una guerra seria.

Porque cada día que pasa:

• los modelos son más baratos

• las APIs más accesibles

• y construir internamente… más viable

Entonces, ¿qué te protege?

No es el pricing.

No es el branding.

No es ni siquiera la tecnología.

Es todo lo que no se puede copiar fácilmente:

• la integración profunda en workflows reales

• el conocimiento específico de una industria

• la mejora continua basada en uso real

• la capacidad de acompañar al cliente, no solo venderle

Y aquí conecta con algo que empieza a tomar forma en paralelo.

Cuando dejas de vender solo software y empiezas a vender resultados, la conversación cambia otra vez.

Ya no compites por features. Ni por precio.

Compites por impacto.

Y eso tiene una consecuencia bastante incómoda.

Si lo que vendes no está directamente conectado con el resultado, tu precio siempre estará bajo presión.

Quizá por eso muchas empresas están cayendo en la trampa.

No porque el mercado lo exija.

Sino porque su propuesta de valor no aguanta otra conversación.

Y eso no se arregla con descuentos.

Se arregla con una pregunta bastante más difícil:

¿Estoy construyendo algo que mi cliente no podría —ni querría— construir por sí mismo?

🌍 El eco del mercado

🤖 ChatGPT deja de responder y empieza a trabajar. OpenAI lanza Workspace Agents integrados en ChatGPT, capaces de ejecutar tareas conectándose a herramientas reales. Ya no es solo conversación: es ejecución directa dentro del flujo de trabajo. Más que una feature, esto apunta a que OpenAI quiere convertirse en la capa operativa del trabajo digital.

🤝 OpenAI se apoya en Infosys para escalar. La alianza con Infosys refuerza la distribución en entornos enterprise complejos: modernización, DevOps, integración. Esto apunta a una guerra silenciosa: quién consigue desplegar IA en el legacy gana. Ya lo vimos con la llegada del Cloud y rubricas de contratos con Google

🧠 Google construye su plataforma de agentes para IT. Google lanza una propuesta orientada a perfiles técnicos, no al usuario final. Gobernanza, integración y control como punto de entrada. Más que competir en demos, compite en infraestructura empresarial.

🌐 Chrome se convierte en compañero de trabajo. Google transforma su navegador en un AI coworker que automatiza tareas como research o data entry. El navegador vuelve a ser el sistema operativo del trabajo digital.

📩 Gmail deja de ser solo correo. AI Overviews llega a Gmail empresarial, integrando contexto automático en los mensajes. No es una mejora: es convertir el email en un nodo inteligente del workflow.

📝 Google quiere capturar la memoria de las reuniones. Meet ya toma notas incluso en reuniones físicas o en Zoom/Teams. Esto apunta a algo mayor: capturar conocimiento organizativo, no solo reuniones.

📊 Workspace se convierte en un ejército de interns. Google sigue expandiendo automatización en su suite ofimática. Señal débil de algo fuerte: la suite pasa de herramienta a ejecutor de tareas.

📎 Microsoft responde: Office como sistema agentic. “Vibe working” y Agent Mode llegan a Word, Excel y PowerPoint. La batalla ya no es por el modelo, sino por el escritorio de trabajo.

⚡ La IA empieza a tensionar el modelo de negocio. Anthropic plantea limitar Claude Code en el plan Pro por exceso de uso. Señal clara: el problema ya no es adopción, es coste y capacidad.

🍏 Mientras tanto Apple cambia de era en plena carrera de la IA. Tim Cook deja paso a John Ternus como CEO. Más que un relevo, esto apunta a reposicionamiento en la era AI-first.

🧩 Google rompe con Nvidia (pero no del todo). Nuevos TPU y estrategia de chip propio para reducir dependencia. Más que ahorro, esto va de control de márgenes y soberanía tecnológica.

💸 La IA empieza a encarecer el hardware clásico. Intel y AMD prevén subidas de precios en procesadores en 2026 por la presión de la demanda. La ola de la IA ya está afectando a toda la cadena, no solo a las GPUs.

⚖️ El copyright se convierte en el siguiente campo de batalla. La filtración de código de Anthropic reabre el debate sobre propiedad intelectual en IA. Más que legal, esto define quién captura valor en la economía creativa.

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 profundizar en esta idea (valor vs precio, diferenciación real y ventaja competitiva), estas lecturas te dan bastante contexto:

• El Dilema de los Innovadores. Por qué las empresas líderes pierden frente a nuevos entrantes: no por precio, sino por no entender dónde está el verdadero valor.

• De Cero a Uno. Una idea clave: si compites, ya has perdido. El objetivo es construir algo único, no luchar en mercados saturados.

• Good Strategy/Bad Strategy. Diferencia entre estrategia real y “ruido corporativo”. Spoiler: bajar precios rara vez es estrategia.

• 7 Powers. Un framework muy claro sobre qué crea ventaja competitiva duradera (y por qué el precio no suele ser uno de esos factores).

• Play Bigger. Cómo crear tu propia categoría en lugar de competir en la existente. Básicamente, cómo salir de la guerra de precios.

Porque al final, competir en precio suele ser el síntoma.

No la estrategia.

Pero, cuando las entiendes, ya no puedes volver atrás.

Esta es una de ellas.

Durante años, hemos vivido dentro de un mismo marco mental.

El software como producto.
El SaaS como modelo.
Las empresas como consumidoras de herramientas.

Pagas por el acceso.
Pagas por la licencia.
Pagas por usar algo que, en el fondo, alguien en tu organización tiene que aprender, integrar y ejecutar.

Era lógico.

Era lo que había.

Pero algo está empezando a cambiar.

Y no tiene que ver solo con la inteligencia artificial.

Tiene que ver con qué estamos comprando realmente cuando compramos tecnología.

Hace poco leía una tesis que me dejó pensando más de la cuenta:

La próxima gran empresa no venderá software.
Venderá el trabajo hecho.

No herramientas.
No copilots.
No “AI for X”.

Trabajo terminado.

Es una idea sencilla.

Pero si la miras con calma… es bastante disruptiva.

Porque cambia la unidad básica de valor.

Ya no compras:

• un CRM

• un ERP

• un software de contabilidad

Compras:

• clientes gestionados

• procesos ejecutados

• cuentas cerradas

Y en ese cambio hay algo casi invisible… pero muy profundo.

Durante años, el software capturaba una pequeña parte del valor.

El resto —la mayor parte— estaba en los servicios.

Implementación.
Operación.
Mantenimiento.
Personas.

Se suele decir que por cada dólar en software, hay varios en servicios (1:6).

Y eso ha sido así durante décadas.

La inteligencia artificial, y especialmente los agentes, empiezan a tensionar ese equilibrio.

No porque hagan el software mejor.

Sino porque empiezan a hacer el trabajo.

Y cuando eso ocurre, aparece algo que hasta ahora era difícil de imaginar de forma práctica: BPaaS real.

No como etiqueta comercial.

Sino como modelo operativo.

Procesos completos ejecutados de extremo a extremo, donde:

• la IA hace la mayor parte

• el humano supervisa, decide en los bordes

• y el cliente paga por el resultado

No por la herramienta.

Pero aquí viene la parte interesante.

Porque no todo el mundo va a poder jugar este juego.

Ni ganarlo.

Si todos tenemos acceso a modelos cada vez mejores, ¿dónde está la diferencia?

No en el modelo.

No en la tecnología base.

La diferencia empieza a desplazarse hacia otro sitio, la verticalización y la especialización sectorial.

Entender profundamente un dominio.

Sus procesos.
Sus excepciones.
Su regulación.
Sus matices.

Eso es lo que permite empaquetar “trabajo” de verdad.

No una demo.
No una feature.

Trabajo que alguien está dispuesto a pagar porque desaparece de su lista de problemas.

Y aquí es donde todo encaja.

Los agentes no son solo una mejora del software.

Son la pieza que faltaba para cerrar el círculo.

Para pasar de herramientas que ayudan a sistemas que ejecutan.

No significa que el software desaparezca.

Pero sí que cambia su papel.

Se vuelve invisible.

Se convierte en infraestructura.

Y lo que emerge por encima… se parece más a una empresa de servicios que a una empresa de software.

Aunque por dentro sea puro código.

Quizá todavía es pronto.

Quizá en muchos sectores esto tardará más de lo que pensamos.

La confianza, la regulación, el juicio humano… siguen importando.

Y seguirán.

Pero el movimiento ya está en marcha.

Y como suele pasar, no empieza siendo evidente.

Empieza como una idea que parece lógica y acaba cambiando la forma en la que se construyen las empresas.

Te dejo una pregunta para cerrar, más para pensar que para responder:

Si mañana pudieras elegir, ¿preferirías una herramienta mejor o que el problema, directamente, desapareciera?

🌍 El eco del mercado

🖼️ La imagen ya no es un output: es un sistema que piensa. OpenAI lanza Images 2.0, que no solo mejora calidad visual, sino que integra razonamiento, texto y acceso a información web para generar contenido más coherente. Más que generar imágenes, esto apunta a la convergencia real del modelo multimodal como interfaz universal.

🤖 Google activa el modo “investigador autónomo”. Google presenta Deep Research y Deep Research Max: agentes capaces de buscar, sintetizar y operar sobre información compleja sin intervención constante. El verdadero movimiento está en pasar de copilotos a sistemas que ejecutan tareas completas.

🧱 El data stack se rompe: empieza la era agentic. Google redefine su arquitectura de datos para adaptarse a agentes que actúan, no solo consultan. Más que data pipelines, esto va de sistemas que toman decisiones en tiempo real.

💰 Google compra talento, pero sobre todo compute. Acuerdo multimillonario con Thinking Machines Lab apoyado en chips NVIDIA GB300. Señal clara de que la guerra de la IA ya es guerra de infraestructura, no de modelos.

👁️ Meta entrena IA observando a sus propios empleados. La compañía usará interacciones reales (teclado, ratón) como datos de entrenamiento. El dato escaso ya no es texto, es comportamiento humano en contexto.

📦 La IA se baja del cloud al dispositivo. Anker lanza su propio chip para ejecutar modelos localmente en wearables y accesorios. Señal débil de un cambio fuerte: IA ubicua, barata y sin dependencia del cloud.

🎓 La educación se convierte en producto freemium con IA. Duolingo abre contenido avanzado a usuarios gratuitos apoyándose en IA. Más que democratización, esto va de escalar educación sin coste marginal humano.
💸 DeepSeek no necesita dinero, pero sí señal. La startup china levanta capital para fijar valoración y retener talento. El verdadero activo ya no es el capital, es evitar la fuga de cerebros en la guerra de la IA.

🏗️ China convierte Hong Kong en puerta de salida tech. Oleada de IPOs tecnológicas (especialmente biotech) impulsadas por política estatal. Esto apunta a una estrategia clara: financiar innovación doméstica con capital global.

📊 El nuevo commodity no es el dato, es el token. China gana peso en consumo global de tokens de IA. Señal clave: la economía de la IA empieza a medirse en tokens, no en usuarios.

💥 El eslabón débil de la IA: los agentes mal integrados. Un ataque basado en OAuth y herramientas de IA expone sistemas críticos en Vercel. Más que el modelo, el riesgo está en cómo se conecta.

🧨 Datos robados, entrenamiento cuestionado. Clarifai elimina 3 millones de imágenes usadas sin consentimiento. El entrenamiento de modelos sigue teniendo un problema estructural de legitimidad.

🚀 SpaceX quiere dominar también el software. Posible adquisición de Cursor por $60B para integrar desarrollo de código con IA. Más que cohetes, esto va de controlar la capa de productividad del futuro.

🌐 La infraestructura como arma geopolítica. Irán denuncia sabotaje en sistemas de red de origen estadounidense. Dependencia tecnológica = vulnerabilidad estratégica.

🧠 La IA falla más cuando intentas pensar con ella. Los LLMs muestran mayores alucinaciones en tareas complejas o ambiguas. La limitación no es técnica, es epistemológica: no saben lo que no saben.

👥 La IA mejora individuos, no organizaciones. Muchas implementaciones aumentan productividad personal, pero no colaboración. El problema no es la IA, es el diseño organizativo.

⚡ La IA tiene un coste energético que empieza a incomodar. Data centers ligados a OpenAI, Microsoft o Meta podrían emitir más que países enteros. El cuello de botella de la IA no será el modelo, será la energía.

💾 El futuro del almacenamiento podría ser eterno. Investigadores proponen almacenar datos en cristal durante más de 10.000 años. Señal débil de cambio: repensar almacenamiento no solo en escala, sino en tiempo.

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 cambio de modelo (de software a servicios, de herramientas a resultados), te dejo algunas lecturas que ayudan a verlo con más perspectiva:

• El Dilema de los Innovadores de Clayton Christensen

• El Método Lean Startup de Eric Ries

• Play Bigger de Al Ramadan y equipo

• Organizaciones Exponenciales de Salim Ismail

• ReWork de Jason Fried y David Heinemeier Hansson

Ideas distintas, épocas distintas… pero todas con algo en común: explican cómo cambian las reglas cuando cambia la forma de crear valor.

Tiene un problema de diseño.

Se está hablando mucho de “adoptar IA”.

Como si fuera otra herramienta más.

Pero un informe reciente de IBM apunta a otro lado, como parte del problema:

No se trata de usar la IA. Se trata de ser AI-first por diseño.

El dato incómodo

79% de los ejecutivos creen que la IA generará ingresos.

Pero solo el 24% sabe de dónde.

No es falta de tecnología.

Es falta de claridad.

Estamos intentando meter IA en empresas:

• rígidas

• gestionadas por silos

• que deciden lento

… cuando la IA funciona:

• en tiempo real

• aprendiendo constantemente

• adaptándose sin parar

El paradigma de adopción, claramente, no encaja.

Lo que viene

La empresa de 2030 no optimiza procesos.

Se reprograma constantemente.

• decide en tiempo real

• experimenta siempre

• usa la IA como sistema nervioso

Ahora mismo:

1. IA → eficiencia

2. (pocos) → reinvierten en innovación

La mayoría se quedará en el ahorro.

Y ahí no está la ventaja.

No es usar IA.

Es construir algo que otros no puedan copiar:

• tu data

• tu contexto

• tus workflows

IA como sistema.

No como herramienta.

Food for thought

La IA ejecuta.

Pero el valor sigue en:

• pensar

• decidir

• diseñar

Cuanta más IA… más importa esto último.

¿Estás metiendo IA en tu empresa o estás rediseñando tu empresa para que la IA tenga sentido?

Porque en 2030 no competirán empresas que usan IA, competirán empresas diseñadas como IA.

Por cierto, justo de esto hablamos esta semana en el podcast Código Abierto, con .

Bajamos toda esta teoría a tierra: qué significa de verdad ser AI-first y por qué casi nadie lo está haciendo bien todavía.

🌍 El eco del mercado

🤖 China rompe el tablero open source con un modelo que ya compite con OpenAI. Kimi K2.6 no solo iguala a los modelos líderes, sino que lo hace en abierto y con foco en programación autónoma. La brecha ya no es tecnológica, es de modelo.
🧬 La IA empieza a cruzar la línea de lo íntimo: tus fotos como dataset. Gemini ya puede acceder a Google Photos para generar imágenes personalizadas del usuario. La personalización da un salto… pero también lo hace la inquietud. Más que features, esto va de normalizar el uso de datos personales como input directo del modelo.

🎬 Hollywood se automatiza: la IA ya produce contenido, no solo lo asiste
China impulsa películas generadas por IA mientras emergen producciones que reconfiguran la animación tradicional. La herramienta ya no es soporte, es creador. Señal débil de que el contenido se convierte en pipeline industrial, no en obra artesanal.

🧭 OpenAI pierde talento clave en pleno cambio de ciclo. La salida de Kevin Weil y el cierre de iniciativas científicas reflejan un giro estratégico interno. Menos exploración, más foco. El verdadero movimiento está en priorizar negocio frente a investigación abierta.

🏠 La IA empieza a programar por ti (de verdad). Gemini ya se usa para generar automatizaciones en Home Assistant con resultados funcionales. El copiloto empieza a ejecutar. De copiloto a operador: el salto no es técnico, es de confianza.

🔓 La cadena de suministro vuelve a ser el eslabón débil. El hackeo de Vercel llega desde un proveedor previo (Context AI), confirmando que el perímetro ya no existe. Esto apunta a que la seguridad deja de ser local y pasa a ser sistémica.

🧠 Ni siquiera el sistema operativo te cuenta toda la verdad. El Task Manager de Windows no refleja correctamente el uso real de RAM, generando una falsa sensación de control. Más que un bug, es un recordatorio: la observabilidad sigue siendo una ilusión parcial.

⚛️ ¿Y si la carrera real no es la IA, sino los chips cuánticos? Mientras el foco está en modelos, EE.UU. acelera la producción de chips cuánticos a escala. Esto apunta a un cambio de capa: del software al hardware post-silicio.

🔐 El problema no es la tecnología, es que no se entiende. El 88% de líderes en infraestructuras críticas cree entender la seguridad… pero no es así. Más que vulnerabilidades técnicas, el riesgo es cultural.

💰 Corea del Norte convierte el hacking en política de Estado. El robo de 290M$ en crypto refuerza el papel de actores estatales en cibercrimen. La ciberseguridad ya es geopolítica.

💸 Sequoia dobla la apuesta por la IA. El fondo levanta 7B$ para intensificar inversiones en inteligencia artificial. El capital ya no espera: está construyendo la siguiente capa de infraestructura.

🧠 El miedo a la escasez de memoria acelera el consumo. El fenómeno “RAMaggedon” impulsa compras anticipadas de PCs ante previsión de subidas. La IA no solo consume compute: distorsiona mercados enteros.

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 profundizar en este tema:

• Competing in the Age of AI de Iansiti & Lakhani

• The Second Machine Age de Brynjolfsson & McAfee

• Jugar Para Ganar de Lafley & Martin

La idea común de estos tres libros es clara y honesta: no gana quien adopta tecnología, sino quien rediseña cómo compite.

Qué modelo es mejor.
Qué empresa va ganando.
Qué capacidades nuevas han salido esta semana.

Hoy eso ya no es lo importante.

La pregunta ha cambiado.

Y sería algo así como: ¿en qué tipo de profesional te estás convirtiendo al usarla?

Un estudio reciente del MIT Sloan School of Management lo pone negro sobre blanco.

Después de analizar cómo trabajan consultores usando IA generativa, identifican tres perfiles muy claros:

• El que delega todo

• El que colabora constantemente

• El que dirige con criterio

O, como ellos lo llaman:

• Self-automator

• Cyborg

• Centauro

El primero es el más peligroso.

El self-automator.

Le das el problema a la IA.
Copias la respuesta.
La ajustas un poco.
Y listo.

Rápido. Eficiente. Limpio.

Y completamente vacío.

Porque en ese proceso no hay pensamiento.
No hay criterio.
No hay aprendizaje.

Solo hay delegación.

Y lo más preocupante es que funciona.

Al menos al principio.

Luego tenemos el cyborg.

Aquí hay interacción constante.
Conversación. Iteración.

Trabajas con la IA como si fuera un compañero.

Le preguntas. Te responde. Ajustas. Vuelves a probar.

Es mejor.

Pero tiene una trampa.

Aprendes a usar la IA mejor, pero no necesariamente a entender el problema.

Y por último, el centauro.

El menos intuitivo.

El más incómodo.

Y, según el estudio, el más efectivo.

Porque aquí la IA no lidera.

La lideras tú.

Sabes lo que buscas.
Sabes qué preguntar.
Sabes cuándo ignorar la respuesta.

La IA no piensa por ti.

Amplifica lo que ya sabes.

El problema no es la herramienta

Es muy fácil caer en la narrativa equivocada.

“Hay que usar más IA.”

Pero esa no es la conversación correcta.

La conversación actual debería ser otra:

¿Estás usando la IA para pensar mejor o para pensar menos?

Aquí es donde esto conecta con algo que está pasando en paralelo.

Toda la industria está obsesionada con construir agentes.

Sistemas que hagan cosas por ti.
Que ejecuten tareas de principio a fin.
Que automaticen workflows completos.

Y tiene sentido.

Pero también tiene un riesgo enorme.

Porque si tú no tienes el skill, es el agente quien decide por ti.

No estás delegando una tarea. Estás delegando el criterio.

Food for thought

La IA no está remplazando tu trabajo.

Está redefiniendo qué significa trabajar.

Antes, el valor estaba en hacer.

Ahora, cada vez más, está en decidir.

Y aquí es donde se produce la bifurcación.

Gente que usa la IA para acelerar su pensamiento. Y gente que la usa para evitarlo.

Desde fuera parecen iguales.

Por dentro no tienen nada que ver.

Porque dentro de unos años, la diferencia no será quién usa IA y quién no.

Eso será irrelevante.

La diferencia será:

• quién desarrolló criterio

• y quién se acostumbró a delegarlo

No es una cuestión de productividad.

Es una cuestión de identidad profesional.

Y quizá la pregunta más importante que puedes hacerte hoy no es:

“¿Cómo puedo usar mejor la IA?”

Sino:

“¿Qué parte de mi trabajo no debería delegar nunca?”

Esto en el fondo, no va de tecnología, no va de IA.

Van de algo más importante, no dejar de pensar por ti mismo.

🌍 El eco del mercado

🤖 OpenAI en modo supervivencia. OpenAI ya no compite solo por ser el mejor modelo. Ahora compite por sobrevivir como empresa independiente.

Entre adquisiciones y estrategia, la pregunta de fondo es clara: ¿puede seguir liderando mientras otros (Anthropic, Google) optimizan foco y ejecución?

🧠 La NSA usa Anthropic… pese al veto. El gobierno de EE.UU. juega a dos bandas: tensiones con Anthropic por un lado… y uso activo de su tecnología por otro. Cuando la ciberseguridad aprieta, la ideología pasa a segundo plano.

💸 Cerebras se lanza al mercado. Cerebras se suma a un pipeline donde también aparecen OpenAI o Anthropic, el de las IPOs que vienen. Infraestructura de IA = el nuevo oro.

⏳ El reloj corre para las startups de IA. Muchas startups existen solo porque los modelos fundacionales aún no han llegado a su terreno. Como hemos visto en los últimos años, la ventana real es de unos12 meses. Después, los modelos base se lo comen todo.

⚖️ La IA es más sesgada de lo que parece. Los modelos no son “neutrales”, lo sabemos. Son sistemáticamente consistentes… y por eso mismo, amplifican sesgos de forma más peligrosa que los humanos.

🧩 Cómo exprimir Claude sin morir en el intento. El problema ya no es la capacidad del modelo, es el límite de uso, Antrhopic lo está demostrando consistentemente en las últimas semanas. Optimizar prompts empieza a ser una skill crítica.

🍏 Apple prepara una nueva cara para Siri. Apple sigue jugando a largo plazo. Siri no compite en hype, pero sí en integración. Y ahí es donde puede ganar.

🕶️ La IA rompe la barrera del idioma en el teatro. Gafas con traducción en tiempo real para teatro. No es solo tecnología: es exportación cultural asistida por IA.

🧠 El open source contraataca a LM Studio. Una señal clara de que el ecosistema open source de IA no solo compite… empieza a ganar terreno en tooling.

📚 Obsidian + IA = conocimiento vivo. La tendencia ya no es usar IA. Es integrar IA en cómo pensamos, documentamos y trabajamos.

🏛️ Palantir y la ideología en la tecnología. La tecnología ya no es neutral. Las empresas empiezan a posicionarse ideológicamente. Y eso redefine el mercado.

🌐 Internet pende de un hilo (literal). El 99% del tráfico depende de cables submarinos. Y en algunos casos… de un solo barco. Infraestructura invisible = riesgo sistémico.

🚀 Fuego en la Luna: el próximo paso. No es espectáculo. Es preparar la supervivencia humana fuera de la Tierra.

🗺️ Wikipedia escondía un Google Maps. El producto no cambia. Lo que cambia es cómo lo usas. Y ahí es donde está la ventaja.

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 desarrollar ese criterio (con o sin IA), aquí tienes algunas lecturas que van justo al núcleo del problema.

• Pensar Rápido, Pensar Despacio. Para entender cómo decides… y por qué te equivocas

• Céntrate (Deep Work), sobre como entrenar la capacidad de pensar sin distracciones (cada vez más escasa)

• La Ciudadela Interior, sobre disciplina mental y autonomía de pensamiento (esto va mucho más allá de la productividad)

• Indistractable trata de cómo evitar que otros (o la tecnología) decidan por ti

• Superhuman Innovation nos explica cómo amplificar nuestras capacidades con IA sin perder el control, muy en línea con el tema del diario de hoy.

Te esperan.

Y cuando vuelves a ellas… ya no eres el mismo.

Hace unos días escuché 20 de abril del 90 de Celtas Cortos.

Y me ha hecho pensar en algo incómodo, han pasado 36 años.

Pero el salto no es temporal.

Es existencial.

El mundo de hoy es otro.

20 de abril del 90

Ese Álex de 10 años vivía en un mundo que hoy parece casi artesanal.

Un mundo donde la tecnología existía… pero no lo ocupaba todo.

Si cierro los ojos, veo algo así:

• Un ordenador con MS-DOS… si tenías suerte

• Disquetes de 3,5 pulgadas

• Televisión de tubo (y pocos canales)

• Teléfono fijo en casa (uno… y gracias)

• Walkman con cintas

• VHS para grabar películas

• Microondas como adelanto del lujo moderno

• Sin internet en casa

• Sin móvil

• Sin GPS

• Sin inmediatez

La tecnología estaba.

Pero no era el centro.

2026: el mundo de mis hijos

Ahora miro a mis hijos.

Y no han vivido una transición.

Han nacido en otro sistema operativo.

📱 Lo que hay ahora

• Smartphones que son cámara, mapa, banco, ocio y trabajo

• Internet siempre encendido

• Streaming bajo demanda

• Redes sociales como capa social

• Videojuegos online persistentes

• Inteligencia artificial integrada en todo

• Smartwatches midiendo el cuerpo en tiempo real

• Casas conectadas

• Trabajo y educación digitales

• Comunicación instantánea global

Para ellos, lo raro no es esto.

Lo raro sería vivir como vivíamos nosotros.

No es evolución. Es ruptura.

Entre ese salón de los 90 y el de hoy no hay una mejora incremental.

Hay un cambio de paradigma.

Antes:

• La información era escasa

• La comunicación era lenta

• La tecnología era herramienta

Ahora:

• La información es infinita

• La comunicación es instantánea

• La tecnología es todo

No usamos tecnología.

Vivimos dentro de ella.

La gran revolución (que aún no entendemos)

En estos 36 años han pasado tres cosas que lo explican casi todo:

1. El software se comió el mundo: Todo lo físico se volvió digital, replicable y escalable.

2. Internet conectó todo: Personas, empresas, máquinas, ideas… en tiempo real.

3. El móvil lo hizo ubicuo: La tecnología dejó de ser un lugar. Pasó a ser una extensión de nosotros.

Y ahora… lo siguiente

Si esto te parece mucho, espera.

Porque lo que viene no es una continuación.

Es otra ruptura.

• Inteligencia Artificial que no solo responde… decide

• Sistemas que operan sin supervisión humana

• AGI como horizonte (aunque aún difuso)

• Interfaces cerebro-máquina como Neuralink

• Automatización cognitiva

• Posible nueva carrera espacial

• Híbridos entre biología y tecnología

La pregunta ya no es qué herramientas usaremos.

La pregunta es, qué tipo de humanos seremos.

La parte incómoda

Mirando atrás, lo más sorprendente no es la tecnología.

Es lo que ha hecho con nosotros.

• Nuestra atención es más frágil

• Nuestra paciencia más corta

• Nuestra exposición… constante

• Nuestra identidad… más líquida

Hemos ganado capacidades.

Pero también hemos cambiado por dentro.

Food for thought

Si dentro de 30 años alguien escribe otra carta como esta canción.

No hablará solo de recuerdos.

Hablará de otra especie de vida.

Porque lo que estamos viviendo no es una mejora.

Es una transición.

Y probablemente, todavía no entendemos hacia qué.

Y eso es lo que me deja esta canción.

No es nostalgia.

Es perspectiva.

Porque el tiempo no solo pasa.

Reescribe el mundo en el que vivimos.

🌍 El eco del mercado

🤖 La IA empieza a ejecutar, no solo a sugerir. Los asistentes como Canvas AI ya no se limitan a generar texto o ideas: ahora llaman herramientas y construyen directamente diseños. Esto marca el paso de copilotos a sistemas operativos de trabajo. Más que generación, esto va de orquestación de tareas completas.

🧠 Más uso de IA no implica más productividad. El fenómeno del “tokenmaxxing” revela que muchos desarrolladores están usando más LLMs… sin mejorar resultados. El problema no es la herramienta, es el modelo mental. Señal débil de que la ventaja ya no está en usar IA, sino en saber integrarla bien en workflows reales.

⚠️ La IA destapa el agujero del shadow IT. El uso descontrolado de herramientas impulsadas por IA está disparando riesgos de seguridad en empresas. La gobernanza no está siguiendo el ritmo de adopción. El verdadero movimiento está en quién controla el uso de la IA dentro de la organización.

🔐 El cloud se prepara para la era post-cuántica. Tuta lanza almacenamiento cloud resistente a computación cuántica, anticipando un escenario donde el cifrado actual deja de ser suficiente. Esto apunta a una nueva capa competitiva: seguridad criptográfica como diferencial de plataforma.

🧩 Intel empuja el compute hacia lo cotidiano. Los nuevos chips Core Series 3 buscan llevar capacidades avanzadas (nodo 18A) al mercado mainstream. No es solo potencia: es democratización del rendimiento. Más que innovación, esto va de distribuir capacidad de cómputo a escala masiva.

🏗️ El cuello de botella de la IA ya es físico. El 40% de los data centers previstos en EE.UU. para 2026 están sufriendo retrasos. La demanda de IA supera la capacidad de construcción. La carrera de la IA se decide ahora en hormigón, energía y permisos, no en modelos.

🧿 La identidad digital se convierte en producto. El sistema World ID de Sam Altman empieza a integrarse en apps como Tinder para verificar usuarios. La identidad pasa de ser un atributo a un servicio. Señal clara de hacia dónde vamos: identidad como infraestructura básica de internet.

📉 Nuevas narrativas culturales nacen en internet. Crece una comunidad de creadores que normalizan la abstinencia sexual, alejándose de narrativas tradicionales. Más que tendencia social, esto refleja cómo internet redefine normas culturales desde los nichos.

🛡️ Seguridad distribuida: entre usuarios y plataformas. Entre el auge del shadow IT y nuevas capas de cifrado, la seguridad deja de ser centralizada. Se reparte entre herramientas, usuarios y plataformas. El reto ya no es proteger sistemas, sino coordinar comportamientos humanos con tecnología.

🌍 La ciberseguridad se convierte en diplomacia tecnológica. Anthropic mejora su relación con el gobierno estadounidense gracias a su modelo enfocado en ciberseguridad. La tecnología empieza a ser moneda política. Esto apunta a un nuevo rol: las AI companies como actores geopolíticos.

🧬 Programar vida: la biotecnología entra en modo software. Un equipo en España logra programar tejidos vivos como si fueran origami. La biología empieza a comportarse como código. Más que avance científico, esto es una señal: la frontera entre software y vida se está diluyendo.

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 mejor este cambio (y lo que viene), te dejo algunas lecturas que ayudan a ponerle marco:

• The Second Machine Age de Erik Brynjolfsson habla sobre cómo el software transforma la economía

• Life 3.0 de Max Tegmark sobre el futuro de la inteligencia artificial

• La Singularidad Está Más Cerca de Ray Kurzweil sobre el posible salto a AGI

• Where Is My Flying Car? de J. Storrs Hall sobre expectativas vs realidad tecnológica

• Tiempo de Futuros de , una reflexión urgente sobre nuestra capacidad de imaginar un futuro mejor.

Y luego están los que te enseñan a decidir.

Principios es uno de esos.

Cuando Ray Dalio lo escribió, no estaba intentando crear un manual de management al uso.

Estaba intentando resolver algo mucho más incómodo, ¿cómo tomas buenas decisiones cuando todo es incierto, complejo y, a menudo, caótico?

Su respuesta fue simple, necesitas principios.

No opiniones.
No intuiciones del momento.
No improvisación.

Principios.

Es decir, reglas claras que guían tu comportamiento incluso cuando no sabes qué hacer.

Y aquí está lo interesante.

Porque en 2017 esto era útil.

En 2026 es crítico.

El mundo no se ha vuelto más simple. Se ha vuelto más rápido.

Dalio parte de una idea que incomoda bastante.

La realidad no es amable. No es justa. No es sencilla.

Es compleja, competitiva y, muchas veces, dolorosa.

Su analogía de la naturaleza, la gacela y la hiena, no es casual.

Es una forma de recordarte algo importante, no puedes tomar buenas decisiones si niegas la realidad.

Y esto, en la era de la IA, se vuelve todavía más relevante.

Porque ahora no solo tomas decisiones tú.

Las toman los sistemas que diseñas.

Y si esos sistemas parten de datos erróneos, supuestos equivocados o sesgos no identificados.

No fallan una vez.

Fallan a escala.

Tener principios ya no es opcional

Uno de los aprendizajes más potentes del libro es este, los principios son un sistema de navegación.

Como un GPS interno.

Cuando todo está claro, no los necesitas tanto.

Pero cuando estás en mitad de la “torment”, con incertidumbre, presión, ambigüedad.

Ahí es donde marcan la diferencia.

En organizaciones pequeñas, rápidas y apoyadas en IA, esto se multiplica.

Porque ya no puedes depender de procesos pesados o jerarquías complejas.

Necesitas decisiones rápidas y coherentes.

Y eso solo se consigue si hay principios compartidos.

Menos reglas.

Más criterio.

La empresa como máquina (y por qué ahora es literal)

Dalio introduce una idea que ha envejecido sorprendentemente bien.

La empresa es una máquina que produce resultados.

En su momento era una metáfora útil.

Hoy es una descripción bastante precisa.

Porque lo que antes eran procesos humanos, ahora son sistemas donde conviven:

• datos

• modelos

• personas

Antes: Procesos → personas → decisiones

Ahora: Procesos → datos + modelos + personas → decisiones

Hoy deja de ser suficiente con “gestionar personas”.

También tienes que diseñar sistemas.

Sistemas donde:

• los flujos están definidos

• los puntos de decisión son claros

• y las métricas te dicen si algo va mal

Dalio hablaba de flujogramas y métricas.

Hoy hablamos de pipelines, observabilidad y feedback loops.

La lógica es la misma.

La escala y la velocidad no.

Radical truth: la idea más potente y más peligrosa

Uno de los pilares del libro es la “radical truth” y la “radical transparency”.

Decir la verdad.
Siempre.
A todos.

Sin filtros.

En Bridgewater Associates esto se llevaba al extremo:

• reuniones grabadas

• feedback constante

• decisiones basadas en evidencia

La lógica es impecable: Si todo es visible, es más difícil equivocarse.

Pero en la era actual hay un problema.

Ahora todo no solo es visible.

Todo es registrable, analizable y reutilizable.

Y eso cambia la dinámica.

Lo que antes era transparencia, puede convertirse en vigilancia.

Lo que antes generaba confianza, puede generar autocensura.

Aquí es donde toca actualizar el principio:

Transparencia no es exposición total.

Necesitas contexto.

Necesitas límites.

Y necesitas algo que Dalio no enfatizaba tanto, seguridad psicológica.

Porque sin ella, la gente no dice la verdad.

Dice lo que cree que debe decir.

La meritocracia de ideas ya no es suficiente

Dalio defendía que las mejores ideas deben ganar.

Independientemente de quién las proponga.

Esto sigue siendo válido.

Pero hoy hay una variable nueva, la IA.

Y eso complica el sistema.

Porque ahora puedes tener:

• ideas humanas

• ideas generadas por modelos

• validaciones automáticas

• análisis que parecen objetivos pero no siempre lo son

Ahora ya no sólo debemos plantearnos: “¿Quién tiene razón?”

Más bien debemos plantearnos: “¿Qué evidencia tenemos y cómo la hemos validado?”

Porque la IA puede amplificar tanto la verdad como el error.

Y distinguir entre ambos empieza a ser una competencia clave.

El principio más infravalorado: aceptar el dolor

Hay una idea en el libro que pasa desapercibida, pero es fundamental:

El dolor es una señal para aprender.

Dalio habla de “hitting bottom”.

Ese momento incómodo en el que te das cuenta de que algo no funciona.

La reacción natural es evitarlo.

Pero él propone lo contrario. Acércate al error. Analízalo. Sistematízalo.

Y aquí conecta directamente con cómo se construyen sistemas hoy.

Porque iterar implica fallar.

Una y otra vez.

Pero con feedback.

Con aprendizaje.

Con mejora.

El problema no es fallar.

El problema es no tener un sistema que convierta el fallo en progreso.

Donde el modelo se queda corto

Y ahora, lo importante.

Porque no todo en Principles encaja bien con el mundo actual.

Dalio construyó su modelo pensando en organizaciones grandes, estructuradas y jerárquicas.

Pero hoy estamos viendo algo distinto:

Equipos pequeños.
Muy pequeños.
Amplificados por IA.

Y en ese contexto, parte de su enfoque sobra:

• exceso de procesos

• métricas hipercomplejas

• evaluaciones constantes

Eso no escala hacia abajo.

Eso frena.

Pero lo que sí se mantiene (y se vuelve más importante):

1. Principios claros: Sin ellos, el equipo se rompe.

2. Feedback honesto (pero ágil): Sin burocracia. Sin ruido.

3. Diseño del sistema: Aquí está la diferencia. Un equipo de 5 personas hoy puede hacer lo que antes hacían 50. Pero solo si el sistema está bien diseñado.

El cambio que lo redefine todo

Antes optimizábamos decisiones humanas.

Ahora diseñamos sistemas donde muchas decisiones ya no son humanas

Esto no es solo un matiz.

Es un cambio de paradigma.

Porque implica responder a preguntas nuevas:

• ¿Qué decisiones automatizas?

• ¿Dónde necesitas supervisión humana?

• ¿Cuándo confías en el sistema y cuándo no?

Este es el tipo de principios que hoy faltan.

Entonces, ¿sigue teniendo sentido el libro?

Sí.

Pero no como manual cerrado.

Sino como base sobre la que construir algo nuevo.

Porque al final, el mensaje sigue siendo válido, necesitas principios para tomar buenas decisiones.

Pero hoy hay un añadido, también necesitas principios para diseñar sistemas que tomen decisiones por ti.

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

Food for thought

Muchas personas están incorporando IA a su día a día.

Pero siguen tomando decisiones como si no existiera.

Y ahí está el problema.

Porque la ventaja no está en usar la herramienta.

Está en cambiar el modelo mental.

Si no haces eso, la IA no te transforma.

Solo acelera lo que ya eres.

Para bien.

O para mal.

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.

Y hasta que alguien lo dice en voz alta, nadie se da cuenta.

Hace unos días, dos ingenieros de Anthropic soltaron una idea incómoda:

“Dejad de construir agentes. Empezad a construir Skills.”

Y no es una frase más.

Es una grieta en cómo estamos entendiendo la IA hoy.

Durante los últimos meses, la narrativa ha sido clara.

Más agentes, más automatización, más “inteligencia” distribuida.

Cada equipo construyendo su pequeño ejército de agentes:

• uno para atención al cliente

• otro para desarrollo de código

• otro para análisis

• otro para…

Y así, hasta el infinito.

Pero había un problema silencioso:

• cada agente era frágil

• difícil de mantener

• imposible de escalar bien

Mucho ruido.

Poco sistema.

El cambio real (y mucho más simple)

Lo que proponen desde Anthropic es casi lo contrario, no más agentes.

Un agente genérico y una biblioteca de “Skills”.

Algo mucho más aburrido… pero mucho más potente:

• carpetas

• archivos markdown

• documentación viva

• procesos bien definidos

En definitiva, conocimiento estructurado

El problema puede que sea que nos habiamos obsesionado con el modelo.

Pero la ventaja no está ahí.

Está realmente en el conocimiento que le das.

Porque:

• Inteligencia sin contexto → entretenimiento

• Inteligencia + expertise → productividad

Esto es incómodo, porque cambia el foco de la industria, ya no se compite por tener el mejor modelo.

Se compite por tener el mejor conocimiento codificado.

Cómo funciona (y por qué es importante)

El detalle importa.

Y mucho.

El sistema no carga todo el contexto de golpe.

Funciona como lo haría una persona:

1. Lee qué Skills existen

2. Decide cuál aplicar

3. Profundiza solo si lo necesita

El resultado:

• menos contexto inútil

• mejores respuestas

• sistemas más eficientes

Esto no es solo elegante.

Es escalable.

Las primeras señales (esto ya está pasando)

No es teoría.

• Empresas Fortune 100 ya están usando Skills para capturar procesos internos

• Equipos con miles de desarrolladores las utilizan para estandarizar cómo se trabaja

• El conocimiento deja de estar en personas… y pasa a ser reutilizable

Si miras con perspectiva, esto es una señal clara de hacia dónde va todo:

La IA agentica no va de crear más agentes.

Va de construir sistemas donde:

• el agente es el “runtime”

• las Skills son el “software”

Igual que en su día:

• no ganaba quien tenía más ordenadores

• sino quien tenía mejor software

Food for thought

Esto encaja con un patrón que se repite una y otra vez en tecnología:

La innovación real no viene de una idea brillante.

Viene de iterar producto.

De simplificar.

De eliminar lo innecesario.

Anthropic no ha inventado la IA.

Pero está refinando cómo se usa.

Y eso, muchas veces, es lo que cambia el juego.

¿A quién prefieres para hacer tu declaración de impuestos?

¿Al genio con un CI brutal…

o al asesor que lleva 20 años haciendo lo mismo?

La respuesta es obvia.

Y, sin embargo, llevamos meses construyendo genios sin experiencia.

Deja de repetirle al modelo lo que quieres.

Enséñale una vez.

Y reutilízalo siempre.

🌍 El eco del mercado

🤖 OpenAI convierte los agentes en producto empresarial. OpenAI actualiza su Agents SDK para facilitar el despliegue en entornos corporativos. Menos experimentación y más integración real en procesos de negocio. Esto apunta a una transición clara: la IA deja de ser copiloto y empieza a convertirse en sistema operativo del trabajo.

🪪 Anthropic introduce identidad en la IA. Claude empieza a requerir verificación de identidad para ciertos usos. No es una feature, es un cambio de paradigma en cómo se accede a capacidades avanzadas. Más que seguridad, esto va de control: quién puede hacer qué con modelos cada vez más potentes.

💰 Anthropic se mueve en valoraciones de vértigo (800Bn$). El mercado sigue empujando a Anthropic hacia valoraciones extremas, reflejando el apetito por controlar modelos frontier. El verdadero movimiento está en quién domina la capa base de inteligencia, no en las apps.

🧩 Anthropic rediseña el trabajo con IA. Claude Code introduce “Routines”, acercándose a una lógica de workflows reutilizables más que prompts aislados. Esto apunta a una evolución: de hablar con la IA a orquestarla.

🔓 MCP: el talón de Aquiles de los agentes. Expertos alertan de problemas de seguridad en el protocolo MCP, clave en arquitecturas agentic.
→ Más que una vulnerabilidad puntual, esto revela que el stack de agentes aún no es seguro por diseño.

📬 Agentes que hacen demasiado bien su trabajo. Herramientas como OpenClaw muestran cómo agentes pueden ejecutar acciones críticas (como vaciar un inbox) sin suficiente control. Señal clara de que automatizar sin gobernar puede ser más peligroso que no automatizar.

🛡️ Copilot y el problema persistente de la seguridad. Microsoft parchea una prompt injection en Copilot Studio, pero persisten vectores de exfiltración. Esto va de fondo: los agentes amplifican las superficies de ataque existentes.

⚡ La energía entra en el centro del tablero de la IA. EE.UU. obligará a reportar consumo eléctrico de data centers mientras Maine impone una moratoria a nuevos proyectos intensivos. Más que regulación, esto apunta a un nuevo cuello de botella: la licencia energética para escalar IA.

🧠 Chips: el verdadero campo de batalla. ASML mejora previsiones mientras TSMC acelera inversión por demanda de IA, pese a tensiones con China. La historia no está en los modelos, está en quién puede fabricarlos y a qué escala.

🌏 Nvidia reconoce la capacidad de China. La compañía advierte sobre el avance del cómputo chino, en plena guerra tecnológica. Esto no va de chips, va de soberanía computacional.

🚗 Tesla acelera su apuesta por chips propios. El desarrollo del chip AI5 y el empuje a proveedores chinos muestran una integración cada vez más vertical. Más que coches, Tesla está construyendo su propia stack de compute.

🌐 El navegador vuelve a ser la puerta de entrada. Opera integra ChatGPT y Claude directamente en su navegador mediante un connector. Señal débil de una guerra mayor: quién controla la interfaz, controla el acceso a la inteligencia.

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 quieres profundizar en esta idea de “codificar conocimiento” y por qué es la verdadera ventaja competitiva en la era de la IA:

• Working Backwards sobre cómo Amazon convierte procesos en sistemas

• The Knowledge-Creating Company sobre cómo las organizaciones capturan y escalan conocimiento

• Team Topologies nos cuenta cómo estructurar equipos para que el conocimiento fluya (y no se pierda)

• Designing Data-Intensive Applications un clásico para entender sistemas que escalan de verdad

Porque al final, esto no va de modelos.

Va de cómo piensas… y cómo lo conviertes en algo reutilizable.

PD2: Aquí la charla por si la quieres escuchar de primera mano.

No es entre OpenAI y Anthropic.

No es entre Salesforce y HubSpot.

Ni siquiera es entre startups y grandes corporaciones.

Es una guerra mucho más incómoda.

Y está ocurriendo dentro de las empresas.

Entre lo que compras y lo que puedes construir.

Durante años, la decisión era sencilla.

Comprar software era lo lógico.

Más barato.
Más rápido.
Más fiable.

Las economías de escala hacían el resto.

Un proveedor SaaS construía una vez y vendía mil.

Tú te beneficiabas de:

• mejoras continuas

• seguridad gestionada

• innovación constante

Y, lo más importante, te olvidabas del problema.

Pero algo ha cambiado.

Y esta vez no es incremental.

Es estructural.

Hoy, construir ya no es lo que era.

Con IA generativa, cloud y tooling moderno:

• el tiempo de desarrollo se ha reducido drásticamente

• el coste de prototipado es ridículamente bajo

• muchas barreras técnicas han desaparecido

Lo que antes llevaba meses…
ahora se hace en semanas.

A veces, en días.

Y eso introduce una pregunta peligrosa:

¿Por qué pagar por algo que podemos construir nosotros?

Aquí es donde muchos se equivocan.

Porque están comparando mal.

Construir no es solo desarrollar.

Es mantener.
Es evolucionar.
Es securizar.
Es escalar.

Es cargar con una deuda que no aparece en el Excel inicial.

Pero incluso así…

La pregunta no desaparece.

Porque hay un matiz clave importante, y es que no todos los casos de uso son iguales.

Las empresas más inteligentes ya no piensan en “build vs buy”.

Piensan en esto:

• comprar lo que no es diferencial

• construir lo que define su ventaja competitiva

Y aquí es donde entra la tesis donde casi nadie está apostando con suficiente fuerza.

Las economías de escala siguen ganando.

Pero no por el motivo que crees.

No es solo una cuestión de coste.

Es una cuestión de aprendizaje.

Un proveedor SaaS no construye para ti.

Construye para cientos o miles de empresas.

En distintos sectores.
Con distintos problemas.
Con distintos contextos.

Eso genera algo imposible de replicar internamente, aprendizaje cruzado a escala.

Las features que pide tu competencia acaban mejorando el producto que tú usas.

Las optimizaciones que alguien descubre en otro sector, terminan llegando a tu workflow.

La innovación no depende solo de tu equipo.

Depende de una red.

Y eso, sinceramente, es muy difícil de construir dentro de una empresa.

Por eso el SaaS no va a desaparecer.

Pero sí va a cambiar.

Los ganadores no serán los más baratos.

Ni los que tengan más features.

Serán los que construyan algo que duela replicar:

• integración profunda en procesos reales

• mejora continua basada en uso real

• datos y contexto acumulado

• servicios alrededor del producto

Porque cuando eso existe la pregunta deja de ser “¿lo construimos?”

Y pasa a ser:

“¿De verdad queremos competir contra esto?”

🌍 El eco del mercado

🧬 Amazon convierte la biología en software programable. Amazon lanza Bio Discovery, una plataforma que combina más de 40 modelos de IA para diseñar y ejecutar experimentos científicos en semanas en lugar de años. La promesa: automatizar el descubrimiento de fármacos como si fuera desarrollo de software.
🎨 Adobe quiere que diseñar sea hablar. Adobe presenta Firefly AI Assistant, un agente capaz de ejecutar flujos completos entre Photoshop, Premiere o Illustrator a partir de lenguaje natural. El cambio no es incremental: desaparece la interfaz como barrera.

⚠️ Cuando la IA deja de ser métrica y vuelve a ser herramienta. El CEO de Duolingo reconoce que medir a los empleados por uso de IA fue un error: distraía del trabajo real. La adopción forzada empieza a mostrar fricciones internas. Señal clara: el valor de la IA no está en usarla más, sino en usarla mejor.

🛑 El prompt no es gobernanza. Crece la preocupación en empresas: confiar en prompts para controlar sistemas de IA no escala. La brecha entre instrucción y control real se convierte en riesgo operativo. El verdadero movimiento está en la capa de plataforma, no en la interacción.

⚙️ La ingeniería entra en modo copiloto permanente. Los AI copilots están redefiniendo cómo se diseñan productos: más iteración, más velocidad, menos fricción entre idea y ejecución. Esto apunta a una nueva ventaja competitiva: quien itera más rápido gana.

🧠 El software entra en su tercera gran transformación. Tras open source y DevOps, la IA agentica se perfila como el siguiente cambio estructural en ingeniería de software: sistemas que no solo ejecutan, sino que deciden. Más que productividad, esto redefine quién (o qué) escribe software.

🌐 Internet empieza a llenarse (aún más todavía) de ruido sintético. El auge del contenido generado por IA está cambiando la naturaleza de la web: más volumen, menos señal. El problema ya no es acceder a información, sino confiar en ella. Señal débil de un futuro donde la curación será más valiosa que la creación.

💸 Tokenizar el uso de IA como nueva métrica económica. Parasail levanta $32M apostando por el “tokenmaxxing”: medir consumo de IA como proxy de valor. Una idea potente… y peligrosa si se simplifica demasiado. Esto apunta a una nueva economía del software basada en consumo de inferencia.

📊 Reid Hoffman pone freno al hype de las métricas de IA. El cofundador de LinkedIn advierte: medir uso de tokens no equivale a medir productividad. Hace falta contexto. Más que medir más, toca entender mejor qué se está midiendo.

📚 Spotify expande su plataforma hacia el mundo físico. Spotify permite comprar libros impresos desde su app, conectando contenido digital con comercio físico. Más que audiolibros, esto va de convertirse en plataforma cultural completa

🤝 La fatiga de bots empieza a emerger. Fathom introduce un modo sin bots en reuniones, permitiendo elegir entre vídeo, audio o solo transcripción. No todo necesita automatización. Señal interesante: la IA también genera rechazo cuando se vuelve omnipresente.
🇨🇳 La batalla de la IA se juega en la inferencia. Mientras EEUU domina chips, China optimiza el uso: tokens como commodity, inferencia como negocio. Dos estrategias distintas para el mismo tablero. Esto apunta a una guerra económica más que tecnológica

🇪🇺 Soberanía tecnológica: ambición vs realidad. Europa quiere reducir dependencia tecnológica, pero costes, talento e infra limitan la viabilidad del plan. Más que independencia, el reto real es negociar interdependencias

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 mejor este dilema entre construir vs comprar —y, sobre todo, cómo la tecnología redefine dónde está realmente el valor—, estos libros te van a dar bastante contexto:

• El Dilema del Innovador de Clayton M. Christensen. Un clásico. Explica cómo las decisiones aparentemente “racionales” acaban dejando espacio a nuevos modelos que cambian las reglas del juego.

• Platform Revolution de Geoffrey G. Parker, Marshall W. Van Alstyne, Sangeet Paul Choudary. Ayuda a ver cómo las plataformas crean valor a escala y por qué competir contra ese efecto red es tan complicado.

• Working in Public de Nadia Eghbal. Clave para entender cómo el open source y el conocimiento compartido han cambiado la forma de construir software.

• De la EGB a la IA de (sí, este me toca de cerca). Una mirada más personal a cómo ha evolucionado la tecnología y cómo eso impacta en el trabajo, las decisiones y dónde ponemos el foco.

Porque al final, la pregunta no es solo qué es más barato.

Es dónde quieres jugar… y contra quién.

Un sistema encuentra un fallo crítico en un software que usan millones de personas.

Lo arregla.

Y nadie se entera.

Ni titulares.
Ni caos.
Ni crisis.

Solo… silencio.

Hoy quiero hablarte de eso.

De lo que hay detrás de iniciativas como Project Glasswing de Anthropic.

Y de por qué, más allá del anuncio, esto marca un punto de inflexión bastante serio.

Durante años, la ciberseguridad ha sido un juego de humanos:

• expertos buscando vulnerabilidades

• equipos parcheando sistemas

• atacantes intentando ir un paso por delante

Lento. Costoso. Artesanal.

Ahora cambia.

Porque cuando metes modelos avanzados en la ecuación, pasa algo distinto.

Y es que encontrar fallos de seguridad deja de ser un cuello de botella.

No es una mejora incremental.

Es un cambio de régimen.

Porque si puedes analizar código a escala masiva y detectar patrones complejos, entonces:

• lo que antes llevaba semanas… ahora lleva minutos

• lo que antes requería expertos… ahora escala

• lo que antes era escaso… ahora se multiplica

Y aquí viene la parte incómoda, lo mismo que sirve para defender, que sirve para atacar.

Una narrativa (muy bien construida)

Glasswing no es solo tecnología.

Es narrativa.

Una narrativa muy concreta:

“La IA puede romper cosas… pero nosotros estamos aquí para arreglarlas antes.”

Y eso cumple varias funciones a la vez:

• genera confianza en un momento de incertidumbre

• posiciona a Anthropic como actor responsable

• y, sobre todo, define quién juega en esta liga

Porque no todo el mundo tiene acceso a estos modelos.

Ni lo va a tener.

El verdadero movimiento (y donde está el poder)

Si te quedas en la superficie, ves:

• partners como AWS, Google o Microsoft

• inversión en créditos y donaciones

• colaboración con el ecosistema

Pero si rascas un poco más, lo que aparece es otra cosa: la seguridad empieza a depender de quién tiene los mejores modelos.

No de quién tiene más talento.
No de quién tiene mejores procesos.

De quién tiene acceso a esa inteligencia.

Y eso introduce una nueva asimetría:

• unos pueden auditar el mundo

• otros… no

Lo que realmente está pasando

No estamos solo mejorando la ciberseguridad.

Estamos redefiniéndola.

Pasamos de proteger sistemas a competir por quién entiende mejor el código del mundo

Y eso nos lleva a un escenario curioso:

• la IA detecta vulnerabilidades

• la IA las corrige

• la IA también puede explotarlas

Un equilibrio inestable.

Donde la ventaja no es permanente.

Solo temporal.

Food for thought

No si Glasswing funcionará.

Probablemente sí.

La pregunta es otra, ¿qué tipo de internet emerge cuando la seguridad depende de sistemas que no controlas?

Porque si el futuro pasa por modelos cerrados, acceso restringido y alianzas entre gigantes…

Entonces igual no estamos construyendo un internet más seguro.

Sino uno más dependiente.

Y eso, como casi todo en la vida, no es ni bueno ni malo.

Pero sí cambia las reglas.

🌍 El eco del mercado

🛰️ Apple y Amazon convierten el espacio en infraestructura crítica
Amazon compra Globalstar y refuerza su apuesta satelital, mientras Apple se alinea en esta misma capa de conectividad. La batalla ya no es por apps ni dispositivos, sino por quién controla la red desde arriba. Más que conectividad, esto va de soberanía digital distribuida fuera de la Tierra.

🤖 OpenAI baja al terreno: de modelos a productos con dinero en juego. La compra de Hiro, una startup de finanzas personales, marca un paso claro hacia aplicaciones con impacto directo en decisiones económicas reales. El verdadero movimiento está en convertir la IA en interfaz transaccional, no solo conversacional.

🔐 OpenAI empieza a cerrar el grifo: IA potente, pero bajo llave. El acceso restringido a GPT-5.4-Cyber señala un cambio en cómo se distribuyen capacidades avanzadas: menos abierto, más controlado. Esto apunta a un modelo donde la IA se gestiona como infraestructura crítica, no como software abierto.

🏛️ Anthropic entra en el juego político. El briefing de Mythos a la administración Trump muestra cómo los modelos frontier se convierten en actores de seguridad nacional. La IA deja de ser solo tecnología para convertirse en herramienta de poder estatal.

⚠️ La IA ofensiva ya no es teoría: Claude Mythos puede comprometer empresas enteras. Anthropic reconoce capacidades de ataque completas en su modelo, desde acceso inicial hasta escalada de privilegios. Esto cambia el equilibrio: defender sistemas ahora implica asumir atacantes automatizados.

🇪🇺 Europa se queda fuera del club de la IA avanzada. Agencias europeas de ciberseguridad protestan por no tener acceso a herramientas como Mythos. Señal débil de una brecha creciente: quien controla la IA controla también la defensa.

🧠 Microsoft acelera la carrera de agente, pero implementa un freno de mano.Trabaja en un agente tipo OpenClaw para Copilot, pero con foco en seguridad y control. Más que hacer más cosas, ahora importa quién puede permitir que se hagan sin romperlo todo.

📊 Databricks desmonta parte del hype del RAG. Los agentes multi-step superan claramente a los sistemas tradicionales de recuperación en tareas complejas. Esto apunta a una transición: de buscar información a ejecutar procesos completos.

🧑‍💻 Los copilotos siguen en fase beta permanente. Problemas en Claude Code y su versión de escritorio muestran lo lejos que está aún la experiencia de desarrollo asistido. Señal clara: la productividad con IA aún tiene más promesa que realidad en entornos complejos.

👁️ La confianza del desarrollador entra en crisis. La polémica por telemetría en herramientas como Claude Code reabre el debate sobre privacidad en entornos de programación. Más que features, esto va de confianza: sin ella, no hay adopción real.

💳 Booking sufre una brecha y recuerda lo obvio. Datos de reservas comprometidos en un ataque que afecta a usuarios globales. La ciberseguridad sigue siendo el mayor coste oculto de la digitalización.

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 mejor cómo hemos llegado hasta aquí —y por qué la seguridad siempre ha sido una carrera entre atacantes y defensores— estos libros merecen la pena:

• This Is How They Tell Me the World Ends de Nicole Perlroth, una historia brutal sobre el mercado de vulnerabilidades y ciberarmas

• Sandworm de Andy Greenberg es el relato de uno de los ciberataques más sofisticados de la historia

• Countdown to Zero Day de Kim Zetter sobre cómo se descubrió y explotó Stuxnet

• The Code Book de Simon Singh narra el contexto histórico sobre criptografía y seguridad

Y luego está el secreto tecnológico.

No el de un producto cancelado.
No el de una adquisición cocinada en silencio.

Hablo del misterio que lleva casi dos décadas flotando sobre internet como una sombra incómoda: quién demonios es Satoshi Nakamoto.

El nombre detrás de Bitcoin.

La persona —o personas— que diseñaron una pieza de tecnología capaz de desafiar a bancos centrales, alterar la conversación sobre el dinero y levantar una industria de billones.

Y, sin embargo, seguimos sin saber quién fue.

O peor.

Quizá lo hemos tenido delante todo este tiempo.

La historia que he estado leyendo estos días gira alrededor de una tesis que, si fuera una novela, sonaría demasiado obvia. Pero precisamente por eso resulta tan inquietante.

El periodista John Carreyrou reconstruye una hipótesis que lleva años orbitando en el ecosistema cripto, pero que rara vez se había armado con este nivel de detalle: que Adam Back podría ser Satoshi Nakamoto.

Adam Back no es un cualquiera.

Es criptógrafo.
Es británico.
Es cypherpunk.
Inventó Hashcash, una de las piezas conceptuales que Bitcoin reutiliza.
Y lleva décadas pensando justo en los problemas que Bitcoin vino a resolver: privacidad, dinero digital, sistemas distribuidos, resistencia a la censura y desconfianza hacia el poder centralizado.

Hasta aquí, nada concluyente.

Solo que cuando empiezas a juntar las piezas, la cosa deja de parecer una simple coincidencia.

Porque una de las ideas más fascinantes del artículo del NYT no es solo que Back encaje técnicamente.

Es que parece haber imaginado Bitcoin antes de que Bitcoin existiera.

A finales de los 90 ya escribía sobre un sistema de dinero electrónico que debía cumplir varias condiciones: preservar la privacidad, funcionar sin bancos, ser distribuido, tener escasez incorporada, y operar sin necesidad de confiar en una entidad central.

Es decir, un boceto conceptual de Bitcoin una década antes de su lanzamiento.

Y aquí es donde la historia se vuelve especialmente potente.

Porque el gran secreto de la tecnología no siempre está en inventar algo completamente nuevo.

A veces está en conectar piezas dispersas antes que nadie.

Hashcash.
b-money.
Criptografía de clave pública.
Sistemas distribuidos.
Pruebas computacionales.
Privacidad.
Resistencia a la censura.

Durante años todo eso eran fragmentos.

Bitcoin fue la síntesis.

Y la gran pregunta es si esa síntesis la hizo un misterioso desconocido o alguien que llevaba años dejando migas de pan en foros, listas de correo y discusiones técnicas.

Lo interesante del caso no es solo la acumulación de coincidencias biográficas o ideológicas.

Es el patrón.

Carreyrou encuentra paralelismos en el lenguaje, en la forma de escribir, en los errores de guión, en expresiones concretas, en referencias políticas, en obsesiones técnicas y hasta en silencios sospechosos.

No estamos hablando de una prueba definitiva.
No la hay.
Y ese es el punto.

En el mundo Bitcoin, la única prueba que muchos aceptarían sería mover monedas asociadas a Satoshi.

Todo lo demás es circunstancial.

Pero hay algo profundamente moderno en esta historia, hemos construido un mundo donde una persona pudo crear una tecnología que cambió las finanzas globales y, al mismo tiempo, borrar casi por completo su rastro.

Eso hoy suena imposible.

Vivimos en la era del exceso de señal.
Demasiados datos.
Demasiada exposición.
Demasiado historial.
Demasiadas huellas.

Y, aun así, el personaje más influyente de la historia reciente de internet sigue envuelto en las tinieblas, oculto, agazapado.

No porque no se haya investigado. Se ha hecho hasta la obsesión.

Sino porque quizá la gran genialidad no fue solo inventar Bitcoin.

Quizá fue entender que, para que Bitcoin sobreviviera, su creador tenía que desaparecer.

Y aquí hay una lección mucho más amplia que va más allá del folklore cripto.

En tech tendemos a contar la innovación como si fuera una historia de brillo visible:
el fundador carismático, la keynote, la portada, el hilo viral, la narrativa épica,…

Pero algunas de las tecnologías más importantes no nacen del espectáculo.

Nacen de años de conversaciones marginales.
De gente extraña discutiendo en listas de correo.
De ideas que parecen demasiado técnicas, demasiado radicales o demasiado prematuras para el mainstream.

Primero se consideran rarezas.
Luego experimentos.
Luego amenazas.
Y finalmente infraestructura.

Bitcoin pasó exactamente por ese camino.

Durante mucho tiempo fue visto como juguete ideológico, capricho libertario o herramienta para frikis de la criptografía.

Hoy obliga a estados, bancos, fondos y reguladores a posicionarse.

Eso no significa que todo lo que lo rodea sea admirable.
Ni mucho menos.

Pero sí demuestra algo importante, las ideas nacidas en los márgenes, cuando tocan una necesidad profunda, acaban encontrando su sitio en el centro.

Quizá por eso la pregunta sobre Satoshi importa tanto.

No solo por el morbo de ponerle cara.

Sino porque nos obliga a pensar de dónde salen realmente las rupturas tecnológicas.

No suelen venir de laboratorios corporativos perfectamente alineados con el trimestre.
Ni de consensos cómodos.
Ni de la innovación empaquetada para PowerPoint.

Suelen venir de personas que llevan demasiado tiempo obsesionadas con un problema que el resto del mundo aún no considera importante.

Y cuando por fin lo resuelven, ya van diez años por delante.

La historia de Satoshi también es la historia de una tensión que seguimos sin resolver en 2026.

Una historia en la que queremos tecnologías transformadoras, pero desconfiamos de sus creadores; admiramos la disrupción, pero nos incomoda cuando amenaza estructuras reales de poder; pedimos innovación, pero preferimos que llegue sin consecuencias.

Bitcoin no ofrecía eso.

Por eso sigue incomodando.

Y quizá por eso su creador eligió el silencio.

No sé si Adam Back es Satoshi.

Después de leer todo el caso, entiendo mejor por qué algunos están convencidos de que sí.

Y también entiendo por qué probablemente nunca tendremos una confirmación real en caso de que lo fuera.

Pero tal vez esa incertidumbre forma parte de la propia obra.

Como si el anonimato no hubiese sido un accidente biográfico, sino la última pieza del diseño.

La más elegante de todas.

Porque en una industria obsesionada con el ego, la visibilidad y la marca personal, el creador de una de las invenciones más influyentes del siglo decidió hacer justo lo contrario: desaparecer.

Y eso, en sí mismo, ya era una declaración política.

🌍 El eco del mercado

🤖 Anthropic enfría el hype: la IA avanza más rápido que nuestra comprensión.
El CEO de Anthropic advierte que los beneficios de la IA están claros, pero sus riesgos siguen infravalorados incluso dentro del sector. No es una crítica aislada: es una señal de tensión interna en la industria. Más que una advertencia, esto apunta a una fractura: velocidad vs control.

🔥 OpenAI entra en la narrativa de riesgo físico. Un ataque contra la casa de Sam Altman pone a OpenAI en el foco mediático por razones ajenas al producto. La IA ya no es solo software: empieza a generar fricción en el mundo real. Señal débil de algo mayor: la tecnología ya impacta más allá de lo digital.

📈 Los agentes de IA empiezan a traducirse en ingresos reales. Vercel acelera su crecimiento y se prepara para IPO impulsado por el uso de agentes de IA en desarrollo. No es promesa, es monetización. El verdadero movimiento está en pasar de demos a business model.

🤝 La IA en las empresas: más potencial que impacto real. La promesa de transformar la experiencia de cliente sigue dependiendo de algo básico: integración real en procesos y equipos. Más que tecnología, esto va de ejecución.

⚖️ Linux marca territorio: la IA ayuda, pero la responsabilidad sigue siendo humana.
La comunidad open source permite usar código generado por IA, pero deja claro que la responsabilidad es del desarrollador. Esto apunta a un estándar emergente: IA como herramienta, no como autor.

🇫🇷 Europa mueve ficha: soberanía digital vía Linux. Francia planea sustituir Windows por Linux en su administración para reducir dependencia de EE.UU. Más que software, esto va de poder. Aunque creo que este sarampión ya lo pasamos hace años.

🧩 El open source redefine las reglas del desarrollo con IA. El ecosistema Linux empieza a establecer normas claras sobre cómo integrar IA en el ciclo de desarrollo. Señal de madurez: cuando llegan las reglas, el cambio ya es real.

🧭 La regulación ya no es opcional, es inevitable. Las voces dentro de la industria empiezan a alinearse en torno a una idea: el desarrollo de IA necesita límites más claros. Más que freno, la regulación será infraestructura.

🔐 Un hack “tonto” revela un problema estructural. Un ataque a sistemas urbanos evidencia lo poco preparadas que están las infraestructuras públicas ante amenazas digitales. Señal clara: la ciberseguridad sigue siendo reactiva.

⚙️ Intel contraataca: vuelve la guerra de CPUs. Intel prepara respuesta a los chips más potentes de AMD, reactivando la competencia en hardware. Esto apunta a una nueva fase: performance vuelve a importar.

📊 La productividad ya no depende de herramientas, sino de integración. El salto real no está en usar IA, sino en integrarla en flujos de trabajo reales. Más que adopción, esto va de transformación.

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 este tema te ha picado la curiosidad, aquí tienes algunas lecturas para seguir tirando del hilo:

• El Patrón Bitcoin — probablemente el mejor punto de entrada para entender por qué Bitcoin importa (más allá del precio).

• Digital Gold — la historia de los primeros años, con personajes que parecen sacados de una novela.

• The Blocksize War — si quieres ver cómo las decisiones técnicas esconden guerras de poder.

• Mastering Bitcoin — más técnico, pero clave para entender cómo funciona realmente por dentro.

• La Máquina Infinita — la historia de Ethereum y cómo la idea de blockchain evoluciona más allá de Bitcoin.

Porque entender Bitcoin no va de entender una tecnología.

Va de entender una conversación que empezó hace 30 años… y que aún no ha terminado.

Y esto afecta a como operamos en este nuevo sistema operativo que estamos construyendo alrededor de la IA Generativa.

No tiene que ver con que la gente piense mal.
Ni con falta de educación.
Ni siquiera con que la IA “alucine”.

Tiene que ver con algo más profundo: estamos diseñando sistemas que, por defecto, te dan la razón.

Durante años hemos pensado que la desinformación era un problema humano: sesgos cognitivos, falta de pensamiento crítico o baja educación digital.

Y la solución parecía clara: más formación, más criterio.

El paper “Sycophantic Chatbots Cause Delusional Spiraling, Even in Ideal Bayesians” plantea algo más incómodo: aunque hagas todo eso bien… puede no ser suficiente.

Imagina a un sujeto perfectamente racional.

Sin sesgos.

Y ponle delante un chatbot que: selecciona lo que confirma su creencia, evita contradecirle, ajusta el tono para convencer y refuerza su punto de partida

El resultado, esa persona acaba convencida de algo falso.

No porque piense mal.

Sino porque el sistema empuja en esa dirección.

Esto rompe una intuición clave:

“Si eres crítico, no te manipulan.”

Porque hay algo que solemos olvidar: tu razonamiento depende de la información que recibes.

Si esa información está filtrada —aunque sea “verdadera”— pero siempre en la misma dirección tu conclusión también se sesga.

Aquí aparece un concepto peligroso: la mentira por omisión optimizada.

No hace falta inventar.

Basta con, mostrar lo que te da la razón y ocultar lo que no.

El resultado es una cámara de eco personalizada en tiempo real.

Peor que un algoritmo.

Porque interactúa contigo y te convence.

Y tampoco basta con avisar al usuario.

Incluso sabiendo que el sistema puede ser “sacrífico”, sigues siendo influenciado.

Entramos en la persuasión estratégica: como un abogado que no miente, pero elige qué enseñarte.

Sabes que hay sesgo y aun así te convence.

Entonces el problema cambia.

No es solo: cómo usamos la IA

Sino: cómo la IA estructura nuestras creencias

Hay una tensión de diseño clara: ¿optimizar por ser útil… o por ser agradable?

Un sistema que siempre te da la razón, al final del día, es peligroso.

Esto abre una línea necesaria:

• introducir fricción

• forzar contraste

• señalar incertidumbre

• incluso incomodar al usuario

No como fallo.

Como diseño.

Porque no estamos construyendo solo herramientas.

Estamos construyendo interlocutores.

Y uno que siempre asiente, no te hace pensar mejor.

Te hace equivocarte con más confianza.

Y eso, a escala, no es un bug.

Es un riesgo sistémico.

🌍 El eco del mercado

🤖 OpenAI rompe el contador para acelerar la adopción de IA en desarrollo. Elimina los límites de uso de Codex tras alcanzar masa crítica. No es un regalo: es una apuesta por convertir la programación asistida en commodity. Más que una feature, esto va de capturar el workflow del desarrollador antes que nadie.

🏗️ DeepSeek pisa el acelerador de infraestructura antes de su próximo modelo. La startup china intensifica contrataciones en centros de datos antes del lanzamiento de V4. La señal es clara: el modelo importa, pero el cuello de botella está en dónde corre. El verdadero movimiento está en compute + energía, no en benchmarks.

🧠 Google convierte el conocimiento en producto con NotebookLM. Nuevas funciones refuerzan la idea de NotebookLM como asistente cognitivo personal. No es solo IA: es una capa que organiza y da sentido a tu información. Esto apunta a un nuevo sistema operativo del conocimiento.

💻 La IA local se convierte en el nuevo problema invisible de seguridad. Los desarrolladores ya ejecutan modelos en local fuera del control corporativo. El perímetro clásico desaparece. Señal débil de un cambio profundo: el control ya no está en el cloud, sino en el dispositivo.

📊 Google mezcla noticias con apuestas y difumina la frontera de la verdad. Google empieza a integrar datos de Polymarket en resultados de noticias. Información y predicción se funden en la misma interfaz. Más que búsqueda, esto va de quién define la narrativa probabilística del mundo.

⚔️ OpenAI y Musk vuelven a chocar: la batalla es más estratégica que tecnológica. El conflicto entre OpenAI y Elon Musk vuelve a escalar, reflejando tensiones más profundas sobre control, modelo de negocio y dirección de la IA. Esto apunta a una lucha por el “sistema operativo” de la inteligencia artificial.

📦 Xiaomi desafía el modelo Prime y abre la guerra de las suscripciones. El gigante chino cuestiona el valor de pagar por membresías tipo Amazon Prime. El movimiento apunta a erosionar uno de los pilares del ecommerce actual. Más que precios, esto va de quién controla la relación con el cliente.

🔓 Las APIs viejas de Google abren la puerta a abusos masivos en IA. Prácticas de desarrollo heredadas permiten a atacantes explotar Gemini sin control y generar costes desorbitados. El problema no es la IA, es la deuda técnica acumulada.

🗳️ Miles de credenciales de políticos expuestas: la seguridad institucional en entredicho. Más de 3.500 legisladores con emails y contraseñas filtradas en la dark web. Un fallo sistémico, no puntual. Esto no va de ciberseguridad, va de resiliencia democrática.

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 profundizar en por qué creemos cosas falsas:

• Pensar Rápido, Pensar Despacio de Daniel Kahneman
  The Elephant in the Brain de Kevin Simler & Robin Hanson
  Ruido de Kahneman, Sibony, Sunstein
  De la EGB a la IA

Todos apuntan a lo mismo: no basta con pensar mejor, hay que cambiar el sistema con el que pensamos.

Solo cambian de contexto.

Y luego están los que, cuando los vuelves a leer años después, te das cuenta de que no eran una fotografía del presente… sino una advertencia del futuro.

Eso es lo que pasa con You Are Not a Gadget de Jaron Lanier.

Publicado en 2010, cuando Facebook aún era casi inocente y la palabra “IA generativa” no formaba parte de ninguna conversación seria, Lanier ya intuía algo incómodo: que la forma en la que diseñamos la tecnología no es neutral.

Moldea cómo pensamos.

Cómo creamos.

Y, sobre todo, quién captura el valor de lo que hacemos.

Hoy, en pleno boom de la inteligencia artificial, su tesis no solo sigue viva.

Se ha vuelto inevitable.

Lanier construyó su argumento alrededor de una idea sencilla pero profunda:

Internet estaba diseñado para glorificar lo colectivo… a costa de diluir al individuo.

En 2010, eso significaba Wikipedia, los blogs, los mashups, la cultura del “todo es remix”.

En 2026, significa algo mucho más radical.

Significa sistemas capaces de:

• imitar estilos creativos con precisión quirúrgica

• recombinar millones de obras sin atribución

• producir contenido a escala industrial

• y competir directamente con sus propios creadores

Ya no estamos hablando de compartir contenido.

Estamos hablando de automatizar la creatividad.

De la mente colectiva… a la mente estadística

Lanier criticaba la “mente colmena”: esa idea de que muchas personas contribuyendo pequeñas piezas podían generar algo superior a cualquier individuo.

Hoy hemos dado un paso más.

La IA generativa no es una mente colectiva.

Es una destilación estadística de millones de mentes individuales.

Pero con una diferencia clave:

• En Wikipedia, puedes rastrear contribuciones.

• En la IA, no sabes de dónde viene nada.

El resultado es una paradoja:

Cuanto más potente es el sistema, menos visible es el individuo.

Crear ya no es el cuello de botella

Aquí es donde la tesis original de Lanier necesita actualizarse, ese es el gran cambio que hemos vivido en estos quince años.

Porque hay algo que él no pudo anticipar del todo.

Estas herramientas no solo sustituyen.

También amplifican.

Hoy, una sola persona puede:

• escribir como si fuera un equipo editorial

• diseñar como si tuviera un estudio creativo

• programar como si contara con un batallón de programadores

Esto conecta directamente con otra idea poderosa de Roba Como un Artista de Austin Kleon:

Nada es completamente original. Todo es una recombinación.

La diferencia es que antes esa recombinación era humana, lenta y limitada.

Ahora es automática, instantánea y escalable.

Y eso introduce una tensión brutal: Empoderamiento individual vs Commoditización de la creatividad

Nunca ha sido tan fácil crear.

El problema que nadie quiere resolver: quién cobra

En 2010, el problema era claro:

El contenido se copiaba gratis.

En 2026, el problema es más sofisticado:

El contenido se usa para entrenar sistemas que luego compiten contigo.

Es un cambio sutil, pero devastador.

Porque introduce una nueva forma de trabajo no remunerado:

• escribir un artículo

• publicar una imagen

• compartir código

ya no solo genera valor directo.

También alimenta sistemas que extraen ese valor de forma diferida.

Lanier propuso en su momento ideas como micropagos o trazabilidad de contenido.

Durante años sonaron utópicas.

Hoy, con tecnologías como watermarking, linaje de datos, sistemas de atribución o infraestructuras tipo blockchain, empiezan a parecer inevitables.

Pero seguimos sin resolver lo esencial:

¿Cómo se reparte el valor en un sistema donde todos contribuyen… pero pocos capturan?

Cuando el modelo se convierte en estándar

Lanier hablaba del “lock-in” tecnológico usando el ejemplo del MIDI.

Sistemas diseñados con limitaciones iniciales que se vuelven imposibles de cambiar.

Hoy estamos viendo algo parecido, pero a otra escala.

Los grandes modelos de IA empiezan a comportarse como nuevos estándares de facto:

• definen cómo interactuamos con la información

• condicionan cómo se construyen productos

• moldean expectativas de usuarios

Y aquí aparece una tensión interesante.

Por un lado:

• modelos cerrados → riesgo de concentración

• dependencia de pocos actores

Por otro:

• ecosistemas abiertos como PyTorch

• modelos abiertos tipo LLaMA

que han demostrado algo clave:

La apertura no degrada necesariamente la innovación. Puede acelerarla.

Esto matiza el pesimismo de Lanier.

Pero introduce un nuevo dilema:

• si todo es abierto → ¿quién captura valor?

• si todo es cerrado → ¿quién controla el sistema?

No hay solución trivial.

Cuando ya no sabes si hablas con un humano

Otra de sus preocupaciones era la anonimidad online.

Los trolls.

El comportamiento de masa.

La degradación del discurso.

Hoy eso se queda corto.

Porque el problema ya no es solo quién habla.

Es si hay alguien hablando.

Bots, deepfakes, contenido sintético…

La línea entre humano y máquina se difumina.

Y eso tiene consecuencias profundas:

• erosión de la confianza

• dificultad para validar información

• manipulación a escala

Lanier temía la deshumanización de internet.

La IA añade una capa nueva, la posibilidad de un entorno donde lo humano es indistinguible.

La economía que se está formando

Si hay una predicción de Lanier que hoy resuena con más fuerza que nunca, es esta:

La tecnología tiende a concentrar valor en quienes la poseen.

Y la IA generativa acelera ese proceso.

Porque combina tres dinámicas:

1. Escala masiva

2. Costes marginales cercanos a cero

3. Efectos de red brutales

El resultado es una economía donde:

• unos pocos controlan la infraestructura

• muchos contribuyen con datos

• y casi nadie entiende realmente cómo se distribuye el valor

Esto conecta con algo que vemos constantemente, las empresas que ganan no son necesariamente las que crean…

Son las que:

• empaquetan

• distribuyen

• escalan

La creatividad ya no es la ventaja competitiva principal.

La captura de valor sí lo es.

La pregunta que importa ahora

Y aquí es donde la tesis actualizada de Lanier cobra todo su sentido.

El problema ya no es solo tecnológico.

Es sistémico.

No se trata de:

• IA abierta vs cerrada

• modelos grandes vs pequeños

• más capacidad vs menos coste

La pregunta real es:

¿Cómo diseñamos sistemas donde la inteligencia artificial no sustituya silenciosamente a las personas, sino que las reconozca, compense y potencie?

Porque si no lo hacemos, el escenario es bastante claro:

• creatividad abundante

• valor concentrado

• individuos invisibles

• cultura plana

Una idea para quedarte este fin de semana

Hay una tentación muy humana cuando aparece una tecnología nueva, pensar que el progreso es inevitable.

Que todo lo que ocurre es parte de una evolución natural.

Lanier nunca compró esa idea.

Y probablemente hoy diría algo así:

La tecnología no es destino. Es diseño.

Cada decisión que tomamos ahora:

• cómo entrenamos modelos

• cómo distribuimos datos

• cómo compensamos a los creadores

• cómo diseñamos plataformas

define el tipo de sociedad que vamos a construir.

Y eso nos devuelve a una idea sencilla, pero potente:

No eres un gadget.

Pero podrías acabar siéndolo si no diseñamos bien el sistema.

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

Food for thought

La publicación de hoy nos deja una ironía es bonita.

Nunca hemos tenido herramientas tan potentes para amplificar lo humano.

Y, al mismo tiempo, nunca ha sido tan fácil diluirlo.

Entre esos dos polos se juega todo.

El futuro de la creatividad.

El futuro del trabajo.

Y, en gran medida, el futuro de cómo entendemos el valor.

Porque en un mundo donde cualquiera puede crear la verdadera pregunta ya no es quién puede hacerlo.

Es quién consigue que eso importe.

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.

Seguimos hablando de IA, sí. Pero ya no basta con tener un buen modelo. La diferencia empieza a estar en cómo se empaqueta, dónde se ejecuta, cuánto cuesta alimentarla… y si las instituciones se fían de ti.

La primera señal viene de Google, que ha lanzado discretamente una app de dictado con IA que funciona en local, incluso offline, en iPhone.

No es la típica demo espectacular.

Y precisamente por eso es interesante.

La jugada no es “más IA”, sino una IA más útil: privada, rápida y menos dependiente de la nube. Si esto escala, la próxima ola de producto no irá de asistentes brillantes, sino de herramientas que desaparecen dentro del flujo de trabajo y simplemente funcionan.

La segunda pista llega desde Rocket, una startup india que quiere hacer con la consultoría lo que las herramientas de “vibe coding” hicieron con el desarrollo: abaratarla y acelerarla.

Su propuesta no es escribir código, sino ayudar a decidir qué construir: documentos de estrategia, pricing, unit economics, recomendaciones de salida al mercado.

Es una lectura bastante fina del momento. Si programar se está comoditizando, el cuello de botella deja de ser ejecutar y pasa a ser elegir bien.

En otras palabras: menos obsesión con producir cosas, más obsesión con no producir las equivocadas.

La tercera historia baja la conversación del software al suelo, literalmente. Microsoft, Google y Meta están apostando por enormes plantas de gas natural para alimentar sus centros de datos.

Esto nos indica dos cosas a la vez.

La primera: la demanda energética de la IA no es una nota al pie, es parte central del negocio.

La segunda: cuando una industria empieza a asegurar suministro eléctrico como ventaja competitiva, deja de ser solo digital. Se convierte también en una industria física, pesada, con dependencia de infraestructura, regulación y costes de largo plazo.

La IA ya no compite solo por talento y chips. Compite por electricidad.

La cuarta noticia introduce otra capa. Anthropic ha perdido una apelación para frenar su designación como riesgo en cadena de suministro, así que seguirá fuera de nuevos contratos del Pentágono.

Es un recordatorio útil de hacia dónde va el mercado institucional.

No basta con ser técnicamente bueno.

Para vender a gobiernos, defensa o sectores sensibles, la confianza operativa pesa tanto como el rendimiento del modelo. La gobernanza, la trazabilidad y la percepción de riesgo ya no son temas secundarios: son parte del producto.

Si juntas estas piezas, la foto empieza a ser bastante clara.

La innovación tecnológica de 2026 ya no se juega solo en el laboratorio. Se juega en la experiencia de usuario, en la capa de decisión, en la infraestructura energética… y en la legitimidad institucional.

La IA sigue siendo el motor, pero el valor se está desplazando hacia todo lo que la rodea.

Y en paralelo, hay otro movimiento más silencioso.

Las grandes tecnológicas ya no quieren solo construir modelos. Quieren controlar más capas del stack: modelo, voz, imagen, herramientas, plataforma, distribución… y confianza.

Microsoft está empujando una estrategia cada vez más integrada, cubriendo texto, voz e imagen y reforzando su posición como plataforma.

Meta, por su parte, ha presentado nuevos modelos dentro de una reorganización más profunda de su esfuerzo en IA.

La lectura no es “han sacado otro modelo”. Es algo más estructural: quieren controlar los puntos de entrada al ecosistema.

Eso conecta con otra obsesión creciente del sector: usar IA para construir mejor IA.

No solo entrenar modelos, sino acelerar evaluación, refinamiento, diseño de chips, tooling y workflows de desarrollo. Silicon Valley cada vez se parece menos a una carrera por apps visibles… y más a una carrera por construir la infraestructura que hace posible la siguiente generación.

El problema es que el uso está creciendo más rápido que la confianza.

Las herramientas de IA para programar se utilizan cada vez más, pero eso no significa que el código sea más seguro. Y el patrón es extrapolable: más adopción no garantiza más fiabilidad, más criterio ni mejor gobernanza.

En algunos casos, pasa justo lo contrario.

Y ahí aparece otro cuello de botella que empieza a ser evidente.

Ya no es solo computacional. También es energético, legal y social.

La IA no tropieza solo con chips y centros de datos. Tropieza con energía, propiedad intelectual, regulación, estructura económica… y con algo más difícil de medir: la tolerancia social al coste de toda esta expansión.

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

Food for thought

Durante años, la conversación sobre IA ha sido casi romántica: qué puede hacer, hasta dónde puede llegar, cuánto nos puede sorprender.

Ahora está cambiando.

La pregunta ya no es solo “qué puede hacer el modelo”, sino algo bastante más incómodo:

qué hace falta para que esto funcione de verdad… y quién está dispuesto a asumir ese coste.

Porque ahí es donde se está moviendo la ventaja competitiva.

No en el modelo más brillante, sino en quien controla el contexto: la infraestructura, la energía, la distribución… y, sobre todo, la confianza.

Y eso cambia bastante el juego.

La IA deja de ser solo una carrera tecnológica.

Empieza a parecerse mucho más a una carrera industrial, política y económica.

Menos épica.

Pero bastante más real.

Si algo de lo que has leído te ha removido, me encantaría saberlo.

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

Y no es un mal cambio.

De hecho, probablemente es el más sano que hemos tenido en mucho tiempo.

Porque esta semana, en el último episodio de Código Abierto, Diego y yo nos metimos justo en ese terreno. Ya no hablamos solo de capacidades, sino de consecuencias: de la democratización del conocimiento, del auge del shadow AI dentro de las empresas, de la velocidad descontrolada a la que estamos construyendo… y de algo que empieza a asomar por debajo de todo esto: un cambio de modelo, no solo tecnológico, sino social y económico.

Porque cuando cualquiera puede acceder al conocimiento, lo que deja de ser diferencial no es saber… sino cómo decides, cómo aplicas y en qué contexto operas.

Y cuando las máquinas empiezan a ejecutar —no solo a sugerir—, aparecen nuevas preguntas:
¿Quién es responsable?
¿Dónde ponemos los límites?
¿Y qué pasa cuando la confianza ya no está entre personas, sino entre sistemas?

La sensación que nos quedó al cerrar el episodio es sencilla, pero potente:
esto ya no va de herramientas, va de infraestructuras invisibles que están redefiniendo cómo trabajamos, cómo competimos… y cómo nos organizamos como sociedad.

Y ahí es donde empieza lo interesante.

Microsoft quiere jugar a todo: modelo, voz, imagen y plataforma

Microsoft ha presentado tres nuevos modelos fundacionales desde su división MAI: uno de transcripción, otro de voz y otro de generación visual. La lectura rápida sería “otro lanzamiento más en la carrera de la IA”. La lectura útil es otra: las grandes tecnológicas ya no quieren depender de una sola capa del stack.

Durante un tiempo, parecía que el negocio consistía en invertir en OpenAI, integrar sus modelos y correr. Ahora ya no. Ahora Microsoft quiere tener partnership, sí, pero también producto propio, infraestructura propia y, sobre todo, capacidad de fijar precios y diferenciarse.

Lo interesante no es solo que saque modelos. Lo interesante es que los presente como más prácticos, más baratos y más integrables. La guerra de la IA se está moviendo desde el espectáculo hacia algo mucho menos glamuroso, pero bastante más importante: márgenes, control y distribución.

Silicon Valley está obsesionado con una idea: IA que ayuda a crear mejor IA

TechCrunch pone foco en una de esas ideas que parecen de ciencia ficción hasta que empiezan a colarse en los roadmaps reales: sistemas que automatizan parte de la propia investigación en IA.

No estamos hablando aún de máquinas diseñando por sí solas la siguiente generación completa de modelos. Pero sí de asistentes que aceleran trabajo de investigación, código, revisión de literatura, optimización de procesos y experimentación. Es decir: no una explosión repentina, sino una especie de turbo incremental.

Y aquí hay una tensión muy de 2026: por un lado, la industria lo vende como productividad. Por otro, mucha gente lo escucha como “la cinta transportadora se acaba de acelerar”. Creo que esta será una de las grandes historias del año: no tanto si llega una IA “mágica”, sino cuánto se acorta el ciclo de mejora cuando la IA empieza a participar en su propia cadena de desarrollo.

Se usa más la IA, pero se confía menos en ella

Una encuesta recogida por The Register resume muy bien el momento: más gente usa herramientas de IA, pero la confianza sigue siendo baja. La adopción sube; la tranquilidad, no.

Y tiene bastante sentido. Mucha gente ya utiliza IA para investigar, escribir, resumir o trabajar mejor. Pero eso no significa que la considere fiable, transparente o beneficiosa. De hecho, cada vez más personas temen su impacto en empleo, consumo energético y calidad de la información.

Es una señal importante para cualquiera que construya productos en este espacio: uso no equivale a entusiasmo. A veces significa simplemente que la herramienta ya está demasiado cerca del flujo de trabajo como para ignorarla. La lección no es “la gente ama la IA”. La lección es más incómoda: la gente la incorpora mientras sigue sospechando de ella.

El cuello de botella ya no es solo computacional: también es energético, legal y social

En The Atlantic insisten en varias de las cuestiones que llevamos hablando en este boletín y que van en la misma dirección: centros de datos con hambre energética, presión política para flexibilizar privacidad en nombre de la competitividad y más fricción con bots, scrapers y agentes autónomos.

Ese es, quizá, el mejor antídoto contra el hype: recordar que la IA no vive en el vacío. Vive conectada a redes eléctricas, marcos regulatorios, comunidades locales, costes de hardware y límites físicos bastante poco futuristas.

Cuanto más madura la industria, más evidente resulta que el debate no va solo de modelos. Va de permisos. De energía. De infraestructuras. De responsabilidad. Y de quién absorbe las externalidades mientras otros capturan el valor.

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

Food for thought

Y es que estamos viendo cómo la IA está dejando de parecer una promesa abstracta y empieza a comportarse como una industria de verdad, con sus cadenas de suministro, sus costes políticos y sus contradicciones públicas.

Eso, paradójicamente, me parece una buena noticia.

Menos magia. Más realidad.

Y en tecnología, casi siempre se piensa mejor desde ahí.

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.

Habrás leído seguro esta frase en los últimos años, todo texto generado por un LLM incluye esta coletilla, casi por defecto.

Ahora ha llegado el momento de demostrar tres cosas mucho menos glamourosas: que funciona, que compensa y que no se come medio planeta por el camino.

Y esto se nota en los ecos del mercado de hoy.

La IA entra en fase “enséñame el retorno”

Una encuesta de Gartner recogida por The Register pone números a algo que ya se venía oliendo: solo una minoría de proyectos de IA aplicados a infraestructura está dando un retorno claro, y una parte relevante directamente fracasa. El problema no parece ser solo técnico. También hay expectativas absurdas, proyectos mal acotados y equipos que querían automatizar procesos complejos antes de tener buenos datos o capacidades internas.

La idea importante aquí no es que “la IA no funcione”.

Es otra: la era del copiloto simpático se está acabando. En 2026, la conversación ya no es “¿tenemos estrategia de IA?”, sino “¿qué caso de uso aguanta una revisión financiera seria?”.

Más potencia, más local, más abierta

Google ha presentado Gemma 4 y, quizá más interesante que el salto de modelo, ha movido ficha en licencias y despliegue. Según Ars Technica, la familia viene pensada para trabajar también en entornos locales y cambia a una licencia Apache 2.0, algo que reduce fricción para desarrolladores y empresas.

Esto importa porque la siguiente capa competitiva no es solo quién tiene el modelo más brillante en la nube. También cuenta quién facilita que equipos pequeños, productos específicos y dispositivos concretos puedan usar IA sin depender por completo de un proveedor central.

Menos épica y más utilidad real: correr cosas cerca del usuario, con menos latencia y con más control.

El cuello de botella ya no es solo el software: es la infraestructura física

Entre Reuters y The Register aparece otro patrón: la carrera de la IA se está volviendo muy material.

Chips a medida, networking, centros de datos, electricidad, agua. Broadcom desarrollará nueva generación de chips de IA para Google, mientras crece la presión política y social sobre el coste energético de los datacenters en EE. UU.

Este es uno de los temas más relevantes del año y a veces pasa demasiado desapercibido: la IA no escala solo con mejores prompts o mejores modelos. Escala con suelo, cable, refrigeración, permisos y megavatios. La innovación vuelve a pesar, literalmente.

La adopción sigue subiendo, pero la confianza no acompaña

TechCrunch resumía una encuesta de Quinnipiac con una contradicción muy actual: más gente usa IA para investigar, escribir o trabajar, pero la mayoría sigue sin fiarse demasiado de sus resultados.

Es decir, la IA ya está dentro del flujo diario, pero no ha ganado todavía legitimidad social.

Esto me parece clave para cualquiera que construya producto: el usuario puede usar algo sin concederle confianza. Y esa es una relación frágil. Si una herramienta te ahorra tiempo pero te obliga a revisar cada línea, sigue siendo útil, sí, pero aún no es infraestructura invisible.

La IA parece que todavía está a prueba.

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

Food for thought

La innovación en IA está dejando atrás la fase del deslumbramiento para entrar en la fase de la disciplina. Menos “wow”, más preguntas incómodas:

• ¿da retorno?

• ¿se puede desplegar con control?

• ¿hay suficientes chips, energía y datos para sostenerlo?

• ¿la gente se fía lo suficiente como para integrarlo de verdad?

Eso, en el fondo, es una buena noticia. Significa que el mercado empieza a madurar. Y cuando madura, se separan mejor las demos impresionantes de las herramientas que de verdad cambian cómo trabajamos.

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.

Si hace un año la conversación era “qué modelo responde mejor”, ahora la pregunta empieza a ser otra: quién controla la infraestructura, quién se queda con los datos y qué partes de la cadena generan una ventaja real.

Cuatro señales que podemos ver a día de hoy, según los ecos que deja el mercado.

1. La IA quiere diseñar los chips que luego harán correr más IA

Cognichip, una startup que acaba de levantar 60 millones de dólares, quiere usar modelos entrenados específicamente en diseño de semiconductores para acelerar el desarrollo de chips. Su promesa: reducir el coste de desarrollo en más de un 75% y recortar a la mitad los tiempos.

Esto importa porque el cuello de botella de la IA ya no es solo el modelo. También es el hardware. Si diseñar chips sigue siendo lentísimo, carísimo y artesanal, toda la carrera se frena. Así que la siguiente capa de automatización parece bastante obvia: usar IA para construir mejor la infraestructura que alimenta a la IA.

La parte interesante aquí no es solo la financiación. Es el patrón: ya no se trata de meter un LLM en cualquier producto, sino de atacar procesos industriales muy concretos, muy caros y muy lentos.

2. Microsoft enseña una estretegia cada vez más clara: no depender tanto de OpenAI

Microsoft ha lanzado tres modelos fundacionales propios desde su división de IA: uno para transcripción, otro para voz y otro para imagen/vídeo. Más allá del detalle técnico, la lectura estratégica es bastante transparente: seguir siendo socio de OpenAI, sí, pero al mismo tiempo construir una pila propia.

Tiene lógica. Si eres Microsoft, no quieres que tu posición en IA dependa por completo de un proveedor externo, por muy aliado que sea. Quieres negociar desde más fuerza, controlar costes y tener modelos ajustados a tus productos.

La conclusión es sencilla: la era de “integrar IA” se está quedando pequeña. Los grandes ya están en otra fase: controlar el stack entero.

3. Google abre más la mano con Gemma 4

Google ha presentado Gemma 4, su nueva familia de modelos open-weight, y además cambia la licencia a Apache 2.0. Esto puede parecer un detalle legal, pero no lo es. En software —y ahora también en IA— la licencia es parte del producto.

Lo relevante aquí es doble. Primero, Google intenta ganar tracción entre desarrolladores que quieren correr modelos en local, en móvil o en hardware más modesto. Segundo, reconoce algo que ya era evidente: si pones demasiadas fricciones, la comunidad se va a otro sitio.

Hay una especie de normalización silenciosa en marcha: no todo el valor futuro estará en modelos cerrados y gigantescos en la nube. También habrá bastante valor en modelos suficientemente buenos, más abiertos, más baratos y más fáciles de desplegar cerca del usuario o dentro de la empresa.

4. La privacidad vuelve a entrar en escena, y con razón

Una demanda contra Perplexity sostiene que su “modo incógnito” no sería tan incógnito como promete y que conversaciones de usuarios habrían acabado compartiéndose con trackers de Google y Meta. Habrá que ver en qué queda judicialmente, pero el mensaje de fondo ya está aquí.

Durante bastante tiempo, muchas herramientas de IA han crecido bajo una especie de pacto implícito: “pruébalo, ya veremos luego la letra pequeña”. Ese margen se está acabando. En cuanto la IA entra en búsquedas, trabajo, salud, finanzas o decisiones personales, la privacidad deja de ser un añadido de relaciones públicas y pasa a ser parte central del producto.

Y probablemente 2026 vaya bastante de esto: menos fascinación ingenua por la interfaz, más preguntas incómodas sobre qué se guarda, quién lo ve y para qué se usa.

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

Si juntamos todo esto, sale una foto bastante clara: la innovación ya no está solo en hacer modelos más capaces, sino en decidir dónde se captura el valor.

• En la infraestructura: chips, compute, despliegue local

• En la distribución: productos que llegan a millones

• En la propiedad del stack: modelos propios frente a dependencia externa

• En la confianza: privacidad, gobernanza, control

Dicho de otra forma: la IA se está volviendo menos mágica y más industrial.

Y eso, en realidad, es una buena señal.

Cuando una tecnología deja de vivir solo de la sorpresa y empieza a reorganizar cadenas de valor enteras, es cuando de verdad empieza a cambiar cosas.

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.

Y no es falta de tecnología.

Es falta de dirección.

Porque si te paras un segundo a mirar con calma, la mayoría de lo que se está construyendo ahora mismo no es tan diferente entre sí.

Otro copiloto.

Otro asistente.

Otro producto con un wrapper por encima de un LLM.

Cambia la interfaz. Cambia el naming.

Pero el fondo… es el mismo.

Y eso tiene una consecuencia directa: estamos compitiendo todos en el mismo sitio.

En el mismo océano.

Rojo.

Esta semana he vuelto a dos ideas que, cuando las juntas, te obligan a replantearlo todo.

Por un lado, Las claves de la Estrategia del Océano Azul.

Por otro, De Cero a Uno, de Peter Thiel.

La primera te dice: deja de competir.

La segunda te dice: construye monopolios.

Pero en realidad, no son ideas distintas.

Son la misma.

Un océano azul bien ejecutado acaba convirtiéndose en un monopolio.

Y si no lo hace… probablemente nunca fue tan azul.

La trampa actual: construir sobre lo que no controlas

Aquí está el punto incómodo.

Gran parte del ecosistema actual de IA se apoya en modelos que no son suyos.

OpenAI.

Anthropic.

Google.

Eso implica algo muy simple:

• no controlas el core

• no tienes ventaja estructural

• compites en la superficie

Prompts. UX. Features.

Es decir: puedes parecer innovador… y aun así estar en un océano rojo.

Entonces, si no es ahí… ¿dónde están los océanos azules ahora?

No están en hacer mejores prompts.

Ni en añadir otra feature.

Están en cambiar la unidad de valor.

Y ahora mismo, hay tres espacios donde esto ya empieza a ser evidente.

1. La IA que se puede defender

No la más potente.

La que puedes explicar cuando algo sale mal.

Porque el problema ya no es si la IA funciona.

El problema reside en el proceso de toma de decisión, ¿puedes justificar una decisión cuando hay dinero, clientes o regulación de por medio?

Hoy, la respuesta suele ser “más o menos”.

Y eso, en empresa, no escala.

Aquí hay una capa entera por construir:

• trazabilidad real (qué entró, qué salió, qué se hizo)

• auditoría de decisiones

• evaluación continua de modelos

• cumplimiento normativo integrado

No es vistoso.

Pero es lo que desbloquea la adopción real.

2. El dato que todavía no existe

Este es el elefante en la habitación.

Todo el mundo habla de modelos.

Pero en empresa, el problema sigue siendo el mismo de hace 15 años: los datos no están listos.

• fragmentados

• inconsistentes

• inaccesibles

• dependientes de IT

Y la IA no lo arregla.

Lo amplifica.

La oportunidad no está en el modelo.

Está en:

• generar datos sintéticos útiles

• conectar legacy sin migraciones traumáticas

• transformar datos desordenados en contexto usable por LLMs

• automatizar la “preparación para IA”

No es analytics.

Es otra cosa.

Es hacer que una empresa, por fin, pueda usar su propio conocimiento.

3. La decisión como producto

Durante años hemos vendido información.

Dashboards. Reports. Insights.

Y, siendo honestos, la mayoría no se usan.

No sabemos como explotarlos del todo.

El valor no está en saber.

Está en hacer.

La siguiente capa es esta:

• pricing automático

• inventario autónomo

• priorización de leads sin intervención

Pasamos del: No “te doy datos”.

A, “tomo decisiones por ti dentro de unos límites”.

Esto cambia:

• el modelo de negocio

• la integración con las operaciones

• la percepción de valor

Y aquí es donde empiezas a capturar valor de verdad.

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

Food for thought

Al final, todo esto se resume en una elección.

Puedes seguir en el juego actual:

• más features

• más velocidad

• más iteraciones

O puedes jugar a otra cosa.

Diseñar un espacio donde no compitas directamente.

No es inmediato.

No es evidente.

No es cómodo.

Pero es ahí donde se construyen las ventajas que duran.

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.

P.D.: Estos días estaré desconectado, disfrutando de la Semana Santa y bajando un poco el ritmo (que también toca).

Nos vemos el martes 7 de vuelta por aquí, con un nuevo Diario de Innovación.

Nos encanta pensar que el software —y ahora la IA— es una especie de catedral construida con bloques sólidos, donde cada pieza encaja perfectamente.

Pero la realidad se parece más a un castillo de naipes.

Y el caso de litellm no es una excepción. Es un recordatorio.

Internet, el open source y ahora la IA han crecido sobre una idea muy poderosa:

La buena voluntad de otros.

Alguien escribe una librería.

Otro la mejora.

Otro la empaqueta.

Y tú haces un pip install… y listo.

Magia.

Esto ha sido —literalmente— el motor de todo:

• Linux

• Python

• npm

• Hugging Face

• PyTorch

Sin esto, no habría ecosistema. No habría velocidad. No habría innovación.

Pero hay una cara B.

El caso de litellm es especialmente interesante porque no lo instalas tú directamente.

Te llega.

Por debajo.

Como dependencia de otra cosa.

Como en el ejemplo de dspy.

Y ahí está el verdadero riesgo: no sabes realmente qué estás ejecutando.

Hoy un proyecto medio puede tener:

• cientos de dependencias

• miles de dependencias transitivas

Cada una mantenida por alguien distinto.

Cada una con su nivel de rigor… o de abandono.

Esto no es nuevo (y eso es lo más preocupante)

Lo que estamos viendo ya ha pasado.

Varias veces.

1. event-stream(2018)

Un paquete aparentemente inocuo en npm.

• Millones de descargas.

• Un mantenedor lo cede a otra persona.

• Se introduce código malicioso dirigido a robar criptomonedas.

Nadie se da cuenta durante semanas.

2. ua-parser-js

Una librería ampliamente usada.

• Se publica una versión comprometida.

• Instala malware para robar credenciales.

Impacto masivo.

Respuesta: retirar versiones y rotar credenciales.

3. log4j

Aquí no hubo malware… pero casi peor.

• Una vulnerabilidad crítica en una librería omnipresente.

• Permitía ejecución remota de código.

• Afectó a medio internet.

Parchear esto llevó meses.

4. colors.js

Ni siquiera un ataque externo.

• El propio autor rompe su librería en protesta.

• Miles de proyectos fallan.

La fragilidad no siempre viene de fuera.

¿Qué cambia ahora con la IA?

Que el problema se amplifica.

Porque:

1. Más dependencias que nunca

   • SDKs de modelos

   • wrappers

   • plugins

   • agentes

   • MCPs

2. Más automatización

   • pipelines que instalan cosas sin supervisión

   • agentes que ejecutan código

   • copilots que sugieren dependencias

3. Más superficie de ataque

   • credenciales cloud

   • tokens de APIs

   • acceso a clusters

   • datos sensibles

El caso de litellm lo deja claro:

ya no es “te rompo el build” es “te robo las credenciales y hago lo que quiero con toda la infraestructura”

El trade-off que nadie quiere aceptar

El open source nos ha dado:

• velocidad

• innovación

• democratización

Pero a cambio hemos aceptado:

• dependencia ciega

• confianza implícita

• seguridad probabilística

No es gratis.

Nunca lo ha sido.

La paradoja de Karpathy

La idea de “yoinkear” funcionalidad con LLMs en lugar de depender de librerías es provocadora… pero tiene lógica.

Menos dependencias → menos superficie de ataque.

Pero tampoco es la panacea:

• introduces código no probado

• reduces estandarización

• aumentas deuda técnica

Es cambiar un riesgo por otro.

Entonces, ¿qué hacemos?

No hay una solución perfecta para todos los problemas.

Pero sí hay una actitud más realista:

• Desconfiar por defecto

• Auditar dependencias críticas

• Reducir el número de dependencias

• Usar entornos aislados

• Rotar credenciales automáticamente

• Asumir compromiso como escenario base

Y sobre todo:

dejar de pensar que el software es determinista y empezar a tratarlo como un sistema vivo, imperfecto y vulnerable

Food for thought

Internet y la IA funcionan porque confiamos.

Pero cada vez que haces un:

pip install algo

Estás tomando una decisión de seguridad.

Aunque no lo parezca.

Y el problema no es que eso sea peligroso.

El problema es que durante años nos han hecho creer que no lo era.

🌍 El eco del mercado

🤖 La IA ya es la partida presupuestaria dominante. Las empresas están duplicando su inversión en IA mientras OpenAI, Anthropic y herramientas AI-native capturan el gasto que antes iba a SaaS tradicional. Más que una moda, esto apunta a un cambio estructural: el software deja de vender licencias y empieza a vender “capacidad cognitiva”.

🧩 Mistral y Cohere empujan el open source hacia el edge. Nuevos modelos de voz y speech open source capaces de correr en dispositivos pequeños reducen la dependencia del cloud. Señal débil de algo grande: la batalla ya no es solo por el mejor modelo, sino por dónde se ejecuta.

🧠 ByteDance mete IA generativa de vídeo directamente en la creación. CapCut integra modelos avanzados de generación de vídeo con controles de seguridad sobre identidad e IP. Esto apunta a una capa creativa automatizada: la IA no solo genera contenido, define quién puede generarlo y cómo.

🧱 GitHub confirma lo inevitable: tu código es entrenamiento. Microsoft usará datos de usuarios para entrenar sus modelos, con opción de opt-out. La frontera entre producto y dataset desaparece. Usar software ya no es gratis: estás pagando con datos.

🧩 Intercom desafía el dominio de los modelos generalistas. Lanza un modelo específico para customer service que supera a modelos frontier en tareas concretas. Más que AGI, esto va de especialización: modelos pequeños, pero optimizados para negocio real.

⚔️ China entra en fase de desacople científico en IA. Investigadores chinos son llamados a boicotear conferencias tras restricciones de EE.UU. La IA ya no es solo competencia tecnológica: es infraestructura geopolítica.

⚖️ La justicia empieza a rediseñar internet. Meta y YouTube son declaradas responsables por adicción en un caso histórico. Más que multas, esto abre una grieta: el diseño de producto puede ser ilegal.

📜 Europa frena la regulación de IA… pero endurece el control. Se retrasa parte del AI Act mientras se prohíben apps de desnudos generados por IA. Tensión clara: regular sin frenar innovación sigue sin resolverse.

📱 Herramientas de hackeo industrial se democratizan. Un exploit avanzado para iPhone se filtra online, poniendo a millones en riesgo. La ciberseguridad entra en fase industrial: ya no son hackers, son cadenas de suministro.

📊 Google reduce memoria… pero no el problema. Un avance como TurboQuant reduce el uso de memoria en modelos, pero podría aumentar la demanda total al expandir aplicaciones. Paradoja clásica: eficiencia → más uso → más consumo.

🚕 Europa entra en la carrera del robotaxi. Uber se alía con Pony.ai y startups europeas para lanzar el primer servicio comercial en el continente. Más que movilidad, esto va de plataforma: quien controle la red, controla el mercado.

⚡ El consumo energético de la IA entra en la agenda política. Senadores de EE.UU. exigen transparencia sobre el consumo eléctrico de los data centers. El verdadero cuello de botella ya no es el modelo: es la energía.

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 este tema te ha hecho pensar, hay algo que se repite en todos los sistemas complejos: no fallan por una gran decisión… sino por pequeñas dependencias que nadie cuestionó a tiempo.

Estos libros ayudan a verlo con otros ojos:

• El Proyecto Unicornio: caos, cuellos de botella y por qué todo parece ir bien… hasta que deja de hacerlo.

• The Mythical Man-Month: añadir más gente no arregla un sistema roto.

• Meltdown: cómo la complejidad convierte pequeños fallos en desastres.

• Kill It with Fire: legacy, deuda técnica y castillos de naipes en producción.

• Systemantics: los sistemas complejos que funcionan… casi siempre vienen de algo simple que funcionaba antes.

Porque al final, no es solo un problema de tecnología.

Es un problema de cómo construimos sobre lo que otros ya han construido.