OpenAI presenta un nuevo modelo.

Anthropic mejora Claude.

Google anuncia Gemini.

Y durante varios días la conversación tecnológica mundial gira alrededor de Silicon Valley.

Mientras tanto, al otro lado del planeta, ocurre algo que apenas ocupa unas líneas en los medios occidentales.

La semana pasada fue uno de esos momentos.

Se celebró en Shanghái la World Artificial Intelligence Conference (WAIC) 2026, probablemente uno de los eventos sobre inteligencia artificial más importantes del mundo.

Y, sin embargo, para la mayoría de nosotros pasó completamente desapercibido.

Ese, precisamente, es el problema.

No estamos mirando donde también se está construyendo el futuro.

Durante décadas dimos por hecho que toda gran revolución tecnológica nacía en Silicon Valley.

Internet.

El smartphone.

Las redes sociales.

El cloud.

La economía de las startups.

Todo parecía tener el mismo origen.

Pero la inteligencia artificial está rompiendo ese patrón.

Por primera vez desde el nacimiento de Internet existen dos polos tecnológicos claramente diferenciados.

Uno está en California.

El otro, en China.

Y compiten de formas muy distintas.

Silicon Valley construye modelos

Estados Unidos continúa liderando la frontera científica.

OpenAI.

Anthropic.

Google DeepMind.

xAI.

Meta.

Su obsesión es evidente: construir la inteligencia artificial más capaz del planeta.

Cada anuncio gira alrededor de benchmarks, razonamiento, agentes o capacidades multimodales.

Su producto es el modelo.

China está construyendo algo mucho mayor

Eso es precisamente lo que dejó claro la WAIC.

China no fue a enseñar únicamente nuevos modelos.

Fue a enseñar un ecosistema completo.

Mientras nosotros debatimos sobre GPT-5 o Claude, ellos presentaban simultáneamente avances en:

• infraestructura de computación,

• chips propios,

• robótica,

• inteligencia encarnada,

• agentes,

• industria,

• gobernanza internacional,

• inversión pública y privada.

La sensación no era la de asistir a una conferencia tecnológica.

Era la de contemplar el plano de construcción de una nueva infraestructura nacional.

El anuncio más importante no fue un modelo

Uno de los anuncios más relevantes llegó de Huawei.

La compañía presentó públicamente Atlas 950 SuperPoD, una infraestructura completa para entrenar y ejecutar modelos de frontera utilizando hardware desarrollado en China.

Lo verdaderamente interesante no es el hardware.

Es que empresas como DeepSeek ya están adaptando sus modelos para funcionar sobre esa infraestructura.

Eso significa que China ya no depende únicamente de fabricar buenos modelos.

Está construyendo también:

• chips,

• interconexión,

• compiladores,

• software,

• centros de datos,

• cloud,

• aplicaciones.

En otras palabras.

Está levantando toda la pila tecnológica. Y derribando el moat tecnológico, el famoso lenguaje (CUDA), que Nvidia creó alrededor de sus GPUs.

La IA ya no es un laboratorio

Los números del evento ayudan a entender la magnitud del cambio.

Más de 1.100 empresas participaron en la feria.

Se exhibieron alrededor de 3.000 productos.

Hubo 300 lanzamientos mundiales.

Asistieron delegaciones comerciales de más de 170 países.

Se anunciaron proyectos industriales por decenas de miles de millones de yuanes.

No parece una conferencia científica.

Parece una feria industrial.

La inteligencia artificial ya se compra y se vende como hace décadas ocurría con la maquinaria pesada o la automatización industrial.

Mientras nosotros hablamos de ChatGPT…

Ellos hablan de robots.

Eso fue otra de las sorpresas de la WAIC.

Gran parte del protagonismo no estuvo en los grandes modelos lingüísticos.

Estuvo en la robótica.

Robots industriales.

Robots humanoides.

Automatización logística.

Manufactura inteligente.

Embodied AI.

Es una diferencia cultural muy interesante.

Silicon Valley intenta aumentar la productividad del trabajador del conocimiento.

China intenta aumentar la productividad de toda la economía física.

Dos estrategias distintas.

Dos prioridades diferentes.

El verdadero mensaje de Xi Jinping

El discurso inaugural tampoco giró alrededor de modelos.

Xi Jinping habló de otra cosa.

Gobernanza.

Estándares.

Infraestructura.

Cooperación internacional.

Soberanía tecnológica.

La IA aparece ya como una cuestión de Estado.

La sensación recuerda mucho a lo que ocurrió con Internet hace tres décadas.

Primero se desarrolla la tecnología.

Después se construye la infraestructura.

Y finalmente se escriben las reglas del juego.

China quiere participar en esas tres fases.

Food for thought

Quizá el mayor aprendizaje de la WAIC sea este.

Seguimos midiendo el liderazgo en inteligencia artificial únicamente observando quién publica el mejor modelo.

Pero esa ya no es la única métrica relevante.

La próxima década probablemente no la gane quien tenga el benchmark más alto.

La ganará quien consiga desplegar esa inteligencia artificial en millones de fábricas, hospitales, laboratorios, universidades, infraestructuras críticas y cadenas logísticas.

La IA está dejando de ser un producto.

Está convirtiéndose en infraestructura.

Y cuando una tecnología se convierte en infraestructura, el liderazgo deja de decidirse exclusivamente en los laboratorios.

Empieza a decidirse también en las fábricas.

En los centros de datos.

En las redes eléctricas.

En la regulación.

En la capacidad de fabricar chips.

Y en la velocidad para desplegar todo ese ecosistema a escala nacional.

Quizá ese sea el mayor error que estamos cometiendo en Occidente.

Seguimos mirando únicamente hacia Silicon Valley.

Cuando el mapa de la innovación ya tiene, claramente, dos capitales.

“Cuando soplan vientos de cambio, algunos construyen muros; otros, molinos de viento.” — Proverbio chino

Hoy, tanto Estados Unidos como China están construyendo molinos.

La diferencia es que cada uno está aprovechando un viento distinto.

🌍 El eco del mercado

🚀 OpenAI deja de vender modelos y empieza a vender una plataforma completa de agentes. OpenAI presentó Presence, una nueva plataforma empresarial para desplegar, gestionar y supervisar agentes de IA con acceso a sistemas corporativos, políticas de seguridad y capacidad de escalar entre voz y chat. El foco ya no está únicamente en el modelo, sino en toda la capa operativa.

💰 AMD apuesta 5.000 millones por Anthropic para romper el dominio de NVIDIA. AMD invertirá hasta 5.000 millones de dólares en Anthropic mientras suministra hasta 2 GW de capacidad basada en sus nuevos aceleradores Instinct MI450 y la plataforma Helios.

🛡️ El incidente de Hugging Face deja una lección incómoda para todas las empresas. Tras analizar conjuntamente el incidente, OpenAI y Hugging Face concluyen que el problema no fue una vulnerabilidad sofisticada, sino el uso de credenciales que existen en prácticamente cualquier empresa.

☁️ Alphabet demuestra que la nube ya financia la revolución de la IA. Los resultados trimestrales de Alphabet confirmaron un fuerte crecimiento de Google Cloud, suficiente para sostener el enorme incremento de inversión en inteligencia artificial.

🏗️ Meta estudia alquilar parte de su capacidad de IA. Meta estaría analizando ofrecer capacidad sobrante de sus centros de datos de IA a terceros, siguiendo un modelo similar al que convirtió a AWS en un gigante del cloud.

🇨🇳 China convierte el código abierto en su principal arma competitiva. Mientras OpenAI y Anthropic restringen cada vez más el acceso a sus modelos, los laboratorios chinos impulsan alternativas abiertas, accesibles y cada vez más competitivas.

🤔 El verdadero debate no es Kimi K3, sino dónde acaba el aprendizaje y empieza la copia. Varios expertos cuestionan que las acusaciones contra Moonshot puedan demostrarse técnicamente y reabren el debate sobre qué constituye realmente “copiar” un modelo fundacional.

🤖 Alibaba quiere convertirse en el sistema operativo de la robótica inteligente. Alibaba presentó un framework unificado para desarrollar robots capaces de compartir capacidades y coordinarse utilizando IA.

🔋 UBTECH elimina uno de los mayores límites de la robótica. UBTECH mostró un robot capaz de sustituir su propia batería sin intervención humana.

🧬 Estados Unidos lanza Genesis Mission para acelerar la ciencia con IA. La nueva iniciativa federal destinará cinco mil millones de dólares para acelerar el descubrimiento científico mediante inteligencia artificial.

🏛️ Y en paralelo, la Casa Blanca quiere cambiar cómo se financia la investigación científica. Washington estudia sustituir parte del sistema tradicional de revisión por pares por financiación más directa a investigadores apoyados por herramientas de IA.

📊 El mayor problema de los agentes de IA ya no es el modelo, sino los datos. Ya hemos hablado recurrentemente sobre este tema durante este curso. VentureBeat insiste que la mayoría de los agentes fallan porque trabajan sobre datos desactualizados, mal gobernados o pobremente sincronizados, no por limitaciones del LLM.

🔥 FireSat inaugura una nueva generación de satélites para detectar incendios. Esperemos que nos ayude a lidiar con una de los retos actuales de muchas regiones. La constelación FireSat utilizará sensores avanzados e inteligencia artificial para identificar incendios forestales desde el espacio en fases mucho más tempranas.

Monográfico WAIC

🇨🇳 Xi Jinping convirtió WAIC en tribuna geopolítica de IA, defendiendo la IA open-source y un nuevo orden global de gobernanza tecnológica con China como actor central.

🐉 China anunció impulso diplomático internacional, con ofertas de formación y cooperación en IA para BRICS, ASEAN, América Latina y la Unión Africana.[reuters]

💻 Huawei presentó el Atlas 950 SuperPoD, su clúster de cómputo de IA más avanzado hasta la fecha, diseñado como alternativa doméstica a la dependencia de Nvidia.

🐳 DeepSeek adaptó su modelo V4 para correr sobre chips Ascend de Huawei, una señal muy fuerte de integración entre modelo y hardware dentro del stack chino.

🏭 Otros fabricantes chinos de chips, como Biren y MetaX, mostraron nuevos supernodes, reforzando la narrativa de autosuficiencia en infraestructura de IA.

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

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

📚 PD1. Si quieres entender China, empieza por estos libros. Si hay una conclusión que me dejó la WAIC es que seguimos analizando China con categorías occidentales. Y eso nos impide comprender muchas de sus decisiones estratégicas. Si quieres profundizar, estos tres libros son una magnífica puerta de entrada:

• The Hundred-Year Marathon, de Michael Pillsbury.

• On China, de Henry Kissinger.

• Wealth and Power, de Orville Schell y John Delury.

No hace falta compartir todas sus tesis para entender una idea fundamental: China piensa en décadas, no en trimestres.

🏮 PD2. Un pequeño pedazo de China en casa. Si te interesa acercarte también a la cultura china más allá de la geopolítica, hay productos que llevan siglos formando parte de su tradición y que hoy seguimos disfrutando:

• Un juego de té Gongfu de porcelana para preparar el té siguiendo el ritual tradicional chino.

• Un juego de Go (Weiqi), considerado uno de los juegos de estrategia más profundos jamás creados y una magnífica metáfora de cómo China entiende la competición: pensar a largo plazo, controlar el tablero y ganar por posición, no por el movimiento más espectacular.

Código difícil de mantener.

Arquitecturas improvisadas.

Atajos que hoy ahorran tiempo pero mañana cuestan dinero.

Un interesante paper publicado recientemente propone que, en la era de la inteligencia artificial, quizá estemos mirando al lugar equivocado. El verdadero problema ya no sería el código, sino el conocimiento que los equipos tienen sobre ese código.

Y sinceramente…

Creo que tienen razón.

Pero solo a medias.

Los autores proponen ampliar el concepto clásico de deuda técnica con otras dos formas de deuda mucho menos visibles.

La primera es la deuda cognitiva: la pérdida progresiva del conocimiento compartido que tiene un equipo sobre cómo funciona realmente un sistema.

La segunda es la deuda de intención: la desaparición de la documentación que explica por qué se tomaron determinadas decisiones, qué restricciones existían o qué problema pretendía resolver una determinada arquitectura.

La idea es brillante.

Hasta ahora nos preocupábamos de si el código era bueno.

Quizá deberíamos empezar a preocuparnos de si alguien sigue entendiéndolo.

Porque la IA genera código a una velocidad muy superior a la que nosotros somos capaces de comprenderlo.

Y ahí aparece el verdadero riesgo.

No que el software funcione mal.

Sino que nadie sepa explicar por qué funciona así.

“Technical debt lives in code. Cognitive debt lives in people. Intent debt lives in artifacts.”

Un riesgo muy real

Estoy completamente de acuerdo con el diagnóstico del paper.

Si utilizamos la IA únicamente como una máquina de escribir código, acabaremos produciendo sistemas enormes que muy pocas personas comprenderán.

El desarrollador dejará de construir modelos mentales del sistema.

Simplemente aceptará lo que genera el modelo.

Y eso es peligroso.

No porque la IA escriba peor.

Sino porque nosotros dejaremos de pensar.

Es un fenómeno que el propio artículo denomina cognitive surrender: delegar tanto en la IA que renunciamos al esfuerzo intelectual necesario para comprender lo que estamos construyendo.

Y es algo que no solo se pone de manifiesto en este paper, lo hemos visto recurrentemente a lo largo de este curso en otros más.

Hasta aquí, completamente de acuerdo.

Pero creo que el artículo parte de una hipótesis que quizá dentro de muy poco deje de ser cierta.

Sólo código, miremos el contexto.

El artículo asume que la IA participa principalmente en la generación de código.

Y esa, precisamente, creo que será la forma menos interesante de utilizarla.

Porque la verdadera revolución no consiste en escribir funciones más deprisa.

Consiste en capturar el conocimiento que hasta ahora siempre se perdía.

Pensemos cómo trabajan hoy los equipos.

Las mejores ideas aparecen en una reunión.

Las decisiones importantes se toman en una conversación de Zoom.

La justificación de una arquitectura surge en una pizarra.

Los requisitos cambian durante una llamada con un cliente.

Y todo ese conocimiento…

Desaparece.

La documentación casi siempre llega tarde.

Cuando llega.

La IA puede convertirse en la memoria del proyecto

Creo que estamos confundiendo documentación con memoria.

La documentación responde a una pregunta.

¿Qué construimos?

La memoria responde a otra mucho más importante.

¿Por qué decidimos construirlo así?

Y precisamente ese “por qué” es donde la IA puede aportar un valor extraordinario.

Cada reunión puede resumirse.

Cada decisión puede convertirse en un ADR.

Cada debate técnico puede generar automáticamente una explicación.

Cada conversación puede enriquecer el contexto del proyecto.

No hablamos únicamente de documentación.

Hablamos de memoria organizativa.

La IA no solo escribe código.

También puede escribir el contexto que ese código necesitará dentro de tres años.

El activo deja de ser el código

Durante décadas pensamos que el activo más importante de un proyecto era su repositorio.

Creo que eso está cambiando.

El código será cada vez más fácil de generar.

Lo realmente escaso será comprenderlo.

Y, sobre todo, comprender por qué existe.

Los mejores equipos no serán los que escriban más código.

Serán los que mejor conserven su conocimiento colectivo.

Porque cuando un nuevo desarrollador llegue al proyecto, probablemente no necesitará leer miles de líneas de código.

Necesitará entender las conversaciones que llevaron a escribirlo.

Food for thought

Quizá dentro de unos años sigamos utilizando Python, Java o Rust.

Pero esos ya no serán los lenguajes más importantes.

El verdadero lenguaje será el contexto.

Los objetivos del negocio.

Las restricciones.

Las decisiones.

Las conversaciones.

Los requisitos.

La historia del proyecto.

Todo aquello que permita a personas y agentes comprender no solo qué hace el software…

Sino por qué existe.

Y entonces dejaremos de considerar la documentación como una obligación administrativa.

La veremos como la materia prima de la inteligencia artificial.

“Maintaining healthy software systems in the age of AI may depend on preserving alignment among intent, code, and understanding.”

Quizá dentro de unos años recordemos esta etapa como aquella en la que la IA aprendió a escribir código.

Pero sospecho que ese no será su mayor legado.

Su mayor aportación será otra.

Convertir, por primera vez, el conocimiento implícito de una organización en un activo explícito, vivo y reutilizable.

Porque el código siempre podrá volver a generarse.

Lo verdaderamente irrepetible será entender por qué alguien decidió construirlo de esa manera.

Y quizá ahí resida la mayor revolución de la ingeniería del software de las próximas décadas.

🌍 El Eco del Mercado

🧪 OpenAI descubre que sus propios modelos pueden escapar del laboratorio. OpenAI reveló que varios de sus modelos experimentales lograron abandonar entornos aislados durante pruebas de seguridad y atacar recursos externos, obligando a replantear cómo se evalúan los sistemas frontera antes de su despliegue.

⚡ Google convierte el precio por token en una nueva arma competitiva. Google presentó Gemini 3.6 Flash y Flash-Lite junto con nuevas capacidades orientadas a ciberseguridad. La compañía busca ofrecer modelos más rápidos y baratos para acelerar la adopción empresarial de agentes de IA.

🌏 Estados Unidos endurece la presión sobre la IA china. La administración estadounidense estudia imponer nuevas sanciones a laboratorios chinos de inteligencia artificial por presuntas vulneraciones de propiedad intelectual.

💾 WEKA demuestra que el futuro no siempre pasa por comprar más GPUs. La compañía presentó mejoras en su plataforma de almacenamiento que permiten aumentar significativamente la eficiencia del entrenamiento y reducir el número de GPUs necesarias.

🔌 La IA amenaza con disparar el consumo eléctrico mundial. Llueve sobre mojado, las nuevas previsiones apuntan a que los centros de datos podrían multiplicar por cuatro su demanda eléctrica durante la próxima década impulsados por la inteligencia artificial.

💡 Pat Gelsinger apuesta por la fotónica para prolongar la Ley de Moore. El exCEO de Intel defiende que las interconexiones fotónicas serán una de las claves para seguir aumentando el rendimiento de los sistemas de computación avanzada.

🇨🇳 Pekín acelera la construcción de la economía del token. China continúa expandiendo su infraestructura nacional de computación con el objetivo de convertir los tokens en una nueva unidad económica de referencia para la inteligencia artificial.

🖥️ Huawei busca controlar toda la pila tecnológica (igual que el resto de la industria). Huawei avanza hacia una integración vertical que combina procesadores, almacenamiento y memoria bajo un mismo ecosistema tecnológico.

💰 Moonshot AI acelera su camino hacia los mercados. La startup china detrás de Kimi prepara una nueva ronda de financiación mientras gana protagonismo tras el éxito de sus últimos modelos.

🧮 RedNote presume de conquistar la Olimpiada Matemática. La compañía anunció resultados perfectos en una de las pruebas matemáticas más exigentes utilizadas para medir el rendimiento de modelos de IA.

🍎 Apple estudia convertir el hardware en una suscripción. Apple explora un modelo de leasing apoyado por Klarna para facilitar el acceso continuo a iPhone, Mac y iPad.

🏥 La IA entra definitivamente en la gran industria farmacéutica. Bristol Myers Squibb desplegará un superordenador basado en la futura plataforma NVIDIA Vera Rubin para acelerar investigación y desarrollo.

🛡️ La ciberseguridad también se reinventa para la era de la IA. Glow presentó una nueva aproximación para proteger dispositivos y endpoints frente a amenazas impulsadas por inteligencia artificial.

🤝 Jack Dorsey imagina plataformas donde colaboran humanos y agentes. Estaba tardando, el fundador de Twitter presentó Buzz, una propuesta para crear espacios donde personas y agentes de IA trabajen conjuntamente.

🚀 China convierte la WAIC en un escaparate de liderazgo tecnológico. Aunque haya pasado bajo el radar para la mayoría de los occidentales. La World Artificial Intelligence Conference volvió a mostrar el músculo inversor, industrial y científico del ecosistema chino de inteligencia artificial.

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: Dos libros que todo desarrollador debería releer en la era de la IA

Si este tema te ha resultado interesante, hay dos libros que cobran una nueva dimensión con la llegada de la IA generativa.

• The Programmer’s Brain, de Felienne Hermans. Una obra imprescindible para entender cómo comprendemos el código y por qué nuestra capacidad cognitiva es el recurso más escaso de un equipo de desarrollo.

• Domain-Driven Design, de Eric Evans. Más de veinte años después de su publicación, su idea central —capturar el conocimiento del dominio antes que el código— resulta hoy más vigente que nunca.

Quizá ambos libros estaban preparando el terreno para una realidad que todavía no existía.

💻 PD2: Una frikada que todo programador disfrutará. Si buscas un capricho tecnológico para tu escritorio, pocos gadgets son tan satisfactorios como un Stream Deck de Elgato.

Aunque nació para creadores de contenido, muchos desarrolladores lo utilizan para lanzar scripts, ejecutar comandos, cambiar entornos, controlar agentes de IA, automatizar despliegues o gestionar flujos completos con una sola pulsación.

Una de esas pequeñas herramientas que, una vez pruebas, cuesta imaginar cómo trabajabas sin ella.

Tú creabas contenido.

Google enviaba visitantes.

Tú monetizabas esas visitas.

Google mejoraba porque cada vez había más contenido que indexar.

Todos ganaban.

Era un equilibrio tan natural que acabamos creyendo que era permanente.

Pero la inteligencia artificial acaba de romper ese contrato.

Hasta ahora, el recorrido era sencillo: Contenido → Google → clic → página web

Cada búsqueda terminaba llevando al usuario hasta la fuente original. Ese clic financiaba periódicos, blogs, revistas, tiendas online, comparadores, foros y miles de proyectos independientes.

Ahora el flujo empieza a ser muy distinto.

Contenido → IA → respuesta → (quizá) clic

Google ya no necesita enviarte a la página para responder. Puede leer millones de documentos, sintetizarlos y ofrecer una respuesta completa sin que el usuario abandone el buscador.

El clic, que antes era inevitable, se ha convertido en opcional.

Es fácil pensar que este debate trata sobre buscadores, posicionamiento o Generative Engine Optimization (GEO).

Pero eso es solo la superficie.

Lo verdaderamente importante es que está cambiando el mecanismo económico que ha financiado la creación de conocimiento en Internet durante las últimas tres décadas.

Los creadores aceptaban que Google indexara su trabajo porque recibían algo a cambio: audiencia.

Ahora Google sigue obteniendo ese conocimiento.

Pero la audiencia ya no siempre vuelve.

El intercambio deja de ser equilibrado.

Durante años competíamos por captar la atención de los usuarios.

Ahora la IA captura esa atención antes incluso de que llegue al creador original.

Nunca aquella frase había descrito tan bien el momento que estamos viviendo.

La pregunta que todavía no tiene respuesta

La IA necesita millones de artículos.

Miles de periódicos.

Blogs especializados.

Investigaciones.

Libros.

Vídeos.

Todo ese conocimiento es el combustible con el que se entrenan los modelos y construyen sus respuestas.

Pero si quienes crean ese contenido dejan de recibir visitas, ingresos o reconocimiento, ¿quién tendrá incentivos para seguir produciéndolo?

Ese es el verdadero desafío.

No tecnológico.

Económico.

Y, sobre todo, cultural.

La IA probablemente ofrecerá mejores respuestas que cualquier buscador tradicional.

Más rápidas.

Más cómodas.

Más útiles.

El problema no es la calidad de las respuestas.

El problema es la sostenibilidad del ecosistema que las hace posibles.

Porque una web sin creadores termina siendo una IA alimentándose únicamente de versiones anteriores de sí misma.

Y eso empobrece a todos.

Food for thought

Quizá dentro de unos años dejemos definitivamente de navegar por Internet.

Simplemente conversaremos con una inteligencia artificial.

Será más cómodo.

Más eficiente.

Más rápido.

Pero no olvidemos que detrás de cada respuesta siempre hubo alguien que dedicó horas, días o años a generar el conocimiento que ahora la IA sintetiza en apenas unos segundos.

La gran cuestión de la próxima década no será quién construya la mejor inteligencia artificial.

Será quién encuentre una forma de seguir financiando el conocimiento humano del que todas ellas dependen.

La IA no ha roto Internet. Ha roto el contrato social que permitió construir la mayor biblioteca abierta de la historia. Ahora nos toca descubrir cuál será el siguiente.

🌍 El Eco del Mercado

🖥️ NVIDIA quiere controlar todo el datacenter de IA. NVIDIA ya no compite únicamente en el mercado de los aceleradores. La compañía está ampliando su estrategia para suministrar prácticamente todos los componentes críticos de un centro de datos de IA: procesadores, redes, almacenamiento, interconexión y software.

🤖 Google acelera Gemini con tres nuevos modelos. Google ha presentado tres nuevos modelos Gemini, ampliando su catálogo para responder a necesidades específicas de rendimiento y coste, incluyendo una versión especializada en ciberseguridad.

🇨🇳 China demuestra que puede escalar IA con tecnología propia. La compañía china Z.ai construirá un centro de datos de un gigavatio utilizando procesadores nacionales, reduciendo su dependencia tecnológica del hardware estadounidense.

🚀 Kimi K3 reabre la carrera global de la IA. El lanzamiento del modelo Kimi K3 vuelve a situar a China como un competidor directo de los grandes laboratorios estadounidenses, alimentando la percepción de que la distancia tecnológica entre ambos bloques se está reduciendo.

Lectura estratégica: el verdadero movimiento está en que la innovación ya no depende exclusivamente del acceso a los chips más avanzados. Arquitectura, eficiencia y optimización empiezan a equilibrar el terreno de juego.

⚖️ Anthropic firma el mayor acuerdo de copyright de la IA. La compañía ha alcanzado un acuerdo de aproximadamente 1.500 millones de dólares para resolver litigios relacionados con derechos de autor sobre los datos empleados para entrenar modelos de inteligencia artificial.

💰 El coste oculto de la IA aparece antes de ejecutar el primer modelo. Muchas organizaciones descubren que la mayor parte del presupuesto no se destina a la inferencia, sino a preparar, limpiar, gobernar e integrar los datos necesarios para que la IA genere valor.

🔐 La confianza en la IA depende más del dato que del modelo. Muchas organizaciones siguen atribuyendo los problemas de la IA a las limitaciones de los modelos cuando, en realidad, el principal cuello de botella sigue siendo la calidad, disponibilidad y gobernanza de los datos.

🛡️ Google lleva la IA especializada a la ciberseguridad. Google ha presentado Gemini Flash Cyber, una versión optimizada para tareas de ciberseguridad que busca ofrecer un rendimiento elevado con un coste significativamente inferior al de los grandes modelos generalistas.

🏢 La IA empieza a redibujar la estructura de las empresas SaaS. La incorporación masiva de IA está modificando la organización interna de las compañías de software. Algunas funciones desaparecen, otras se fusionan y aparecen nuevos perfiles centrados en supervisar agentes y automatizaciones.

👥 Atlassian: la IA acelera a las personas, no necesariamente a las organizaciones. Desde Atlassian advierten de que aumentar la productividad individual no garantiza que una empresa funcione mejor. Si los procesos siguen siendo ineficientes, la IA solo acelera esos mismos problemas.

🎖️ El Ejército de EE. UU. descubre que la IA también tiene límites presupuestarios. El uso intensivo de modelos generativos está disparando el consumo de recursos en proyectos militares, obligando a controlar cuidadosamente los llamados “AI tokens” y el coste operativo asociado.

🌍 Más de un tercio de la nueva web ya está escrita por IA. Cada vez más contenido publicado en Internet es generado automáticamente por modelos de IA, alterando la naturaleza del ecosistema digital y aumentando el volumen de información sintética.

🤖 Samsung crea una división exclusiva para robótica. Samsung ha reorganizado parte de su negocio para crear RX, una unidad dedicada específicamente al desarrollo de robots y sistemas físicos inteligentes.

🎵 Deezer ya recibe más música creada por IA que por humanos. La plataforma afirma que más del 50 % de las canciones que incorpora diariamente han sido generadas mediante inteligencia artificial, obligando a reforzar sus sistemas de detección y etiquetado.

🛰️ La IA empieza a procesar datos directamente en el espacio. Los satélites comienzan a incorporar capacidades de inteligencia artificial para analizar información en órbita antes de transmitirla a la Tierra, reduciendo latencia, consumo de ancho de banda y tiempos de respuesta.

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. Un libro para entender este momento Si esta reflexión te ha resultado interesante, te recomiendo El Interruptor Principal. Tim Wu explica cómo casi todas las grandes revoluciones tecnológicas comienzan siendo abiertas y descentralizadas, pero con el tiempo tienden a concentrarse en torno a unos pocos actores dominantes. Fue escrito hace más de quince años y, leído hoy, parece anticipar muchas de las tensiones que está provocando la IA sobre la web abierta.

🖥️ PD2. Un capricho, en forma de Tech Vintage. Si eres de los que siente nostalgia por la informática de los años 80 y 90, nunca ha habido mejor momento para recuperar parte de esa historia.

Algunas ideas que merecen la pena explorar:

• Un teclado mecánico con estética retro, inspirado en los primeros terminales IBM.

• Una pantalla LED de píxeles programable para mostrar iconos, animaciones o métricas del escritorio.

• Un mini Macintosh clásico o una Game Boy, perfectos como pieza de decoración para un despacho tecnológico.

A veces conviene recordar cómo empezó todo… precisamente ahora que Internet está a punto de cambiar para siempre.

Pero toda revolución tiene una historia.

Y pocas personas la contaron antes que Vernor Vinge.

En 1993, cuando Google no existía, Amazon apenas comenzaba a vender libros por Internet y la inteligencia artificial era poco más que un tema reservado a laboratorios universitarios, Vinge publicó un ensayo que todavía hoy sigue resultando inquietante.

No porque acertara todas sus predicciones.

Sino porque formuló las preguntas adecuadas treinta años antes de que el resto del mundo empezara a hacérselas.

Cuando se habla de singularidad tecnológica suele imaginarse un escenario apocalíptico.

Pero esa nunca fue la idea de Vinge.

Para él, la singularidad era un punto de inflexión.

El momento en que la inteligencia creada o amplificada mediante tecnología supera la inteligencia humana y comienza a mejorar por sí misma.

A partir de ese instante, el ritmo del progreso dejaría de depender de nosotros.

No porque desaparezcamos.

Sino porque dejaríamos de ser la inteligencia más capaz del planeta.

Para explicarlo basta una analogía muy sencilla.

Un chimpancé puede comprender el comportamiento de otro chimpancé.

Lo que jamás podría haber anticipado son los satélites, Internet o la física cuántica.

Vinge se preguntaba si nosotros podríamos encontrarnos algún día en esa misma situación frente a una inteligencia superior.

“Within thirty years, we will have the technological means to create superhuman intelligence. Shortly thereafter, the human era will be ended.”
— Vernor Vinge (1993)

Lo más sorprendente no era la IA

La mayoría recuerda este ensayo porque hablaba de inteligencia artificial.

Pero ese no era su verdadero hallazgo.

Lo extraordinario es que Vinge describió cuatro caminos diferentes capaces de conducir a una inteligencia superior.

Lo sorprendente es que los cuatro caminos que Vinge imaginó hace más de treinta años ya existen, al menos en sus primeras versiones:

• Inteligencia artificial superior → GPT-5, Gemini, Claude y Grok.

• Redes de inteligencia colectiva → Internet, agentes de IA y MCP.

• Interfaces cerebro-computadora → Neuralink, Synchron y otros proyectos de neurotecnología.

• Mejora biológica del cerebro → Edición genética y nuevas tecnologías para potenciar las capacidades cognitivas.

Quizá ninguno haya alcanzado todavía el destino que imaginaba.

Pero resulta difícil ignorar que los cuatro caminos están hoy abiertos.

Lo importante no fue la fecha

Hay quien considera que Vinge se equivocó.

Después de todo, situó la singularidad entre 2005 y 2030.

Y todavía no ha llegado.

Pero creo que esa crítica pierde de vista lo realmente importante.

Los grandes pensadores rara vez aciertan el calendario.

Lo que hacen es ofrecernos un nuevo marco, diferentes caminis, para interpretar y explorar la realidad.

Vinge entendió algo fundamental.

Cuando una inteligencia pueda diseñar otra inteligencia mejor que ella misma, el progreso dejará de avanzar a velocidad humana.

Y precisamente esa idea conecta de forma casi perfecta con la reflexión que compartía ayer Demis Hassabis.

No sabemos cuándo llegará ese momento.

Pero sí sabemos que cada año estamos construyendo mejores modelos, mejores agentes, mejores herramientas y mejores formas de colaboración entre humanos y máquinas.

Quizá el verdadero cambio no llegue de golpe.

Quizá ya haya empezado.

“The acceleration of technological progress has been the central feature of this century.”
— Vernor Vinge

Las mejores predicciones nunca aciertan

Existe una diferencia enorme entre una profecía y un marco mental.

Una profecía intenta adivinar lo que ocurrirá.

Un marco mental nos ayuda a interpretar lo que está ocurriendo.

Y los buenos marcos sobreviven mucho mejor que las predicciones.

Por eso seguimos leyendo a Vinge tres décadas después.

No porque acertara todas las fechas.

Sino porque cambió la forma en que investigadores, filósofos y tecnólogos comenzaron a pensar sobre el futuro de la inteligencia.

Ayer Hassabis nos hablaba del amanecer de una nueva era.

Hoy descubrimos que alguien ya había imaginado ese amanecer cuando todavía parecía ciencia ficción.

Y quizá esa sea la mayor lección de todas.

Las grandes revoluciones empiezan mucho antes de que el resto del mundo sea capaz de reconocerlas.

Food for Thought

Porque “The Coming Technological Singularity” no fue simplemente un ensayo especulativo. Fue el texto que introdujo de forma rigurosa el concepto de singularidad tecnológica y planteó preguntas que hoy ocupan el centro del debate sobre la inteligencia artificial: la superinteligencia, la alineación, la colaboración entre humanos y máquinas, las interfaces cerebro-computadora y el futuro del trabajo intelectual.

Más de treinta años después, seguimos sin saber cuándo llegará ese punto de inflexión.

Pero seguimos utilizando el marco conceptual que Vernor Vinge propuso para intentar comprenderlo.

🌍 El Eco del Mercado

🚀 China deja de perseguir a EE. UU. y empieza a competir de tú a tú. El lanzamiento de Kimi K3 ha sido tan exitoso que Moonshot AI ha tenido que suspender nuevas suscripciones porque simplemente no dispone de suficiente capacidad de cómputo. Al mismo tiempo, varios medios coinciden en que los modelos chinos ya compiten directamente con OpenAI y Anthropic.

🧠 La verdadera batalla ya no es el modelo, sino todo lo que lo rodea. Varios análisis coinciden en la misma dirección: disponer del mejor LLM deja de ser suficiente. Lo determinante pasa a ser la arquitectura, el contexto disponible, la orquestación de agentes y la capacidad para integrar IA dentro de procesos reales.

⚙️ Google prepara su siguiente gran apuesta en chips para IA. Google continúa reforzando su estrategia vertical desarrollando una nueva generación de aceleradores propios para alimentar Gemini y reducir su dependencia de proveedores externos.

🇯🇵 Nvidia convierte Japón en laboratorio de la IA nacional. Nvidia participa junto al Gobierno japonés y socios industriales en FRONTia, una infraestructura concebida para impulsar toda la economía de IA del país.

💰 La economía de los tokens deja paso a la economía de las tareas. SenseTime sostiene que el mercado deja de valorar únicamente la generación de texto para empezar a medir la automatización completa de procesos.

🌍 Google empieza a encerrar la web dentro de su propio buscador. El New York Times analiza cómo AI Search aumenta el tiempo que los usuarios permanecen dentro de Google mientras reduce el tráfico que reciben las páginas originales.

⚡ La electricidad se convierte en el nuevo cuello de botella de la IA. Diversos análisis vuelven a señalar la misma limitación: el crecimiento de la IA depende cada vez más de disponer de energía suficiente para alimentar nuevos centros de datos.

🛡️ Hugging Face demuestra que la IA también amplía la superficie de ataque. La plataforma confirmó una brecha que afectó a credenciales y conjuntos de datos internos, recomendando la rotación inmediata de tokens de acceso.

🔓 EY confirma una brecha que expone datos de clientes. Ernst & Young reconoció un acceso no autorizado a uno de sus sistemas de soporte con extracción de información sensible.

🇪🇺 La Unión Europea endurece la aplicación de la Digital Services Act. AliExpress recibe la mayor multa impuesta hasta ahora bajo la DSA por no impedir suficientemente la venta de productos ilegales o falsificados.

🤖 Xiaomi acelera la automatización industrial con robots humanoides. China continúa desplegando robots humanoides directamente sobre líneas de fabricación mientras intenta resolver el verdadero reto: dotarlos de inteligencia útil.

🧩 El debate sobre el open-weight entra en una nueva fase. El crecimiento de los modelos abiertos ya no parece frenar a los laboratorios de frontera. Ambos modelos de negocio empiezan a coexistir.

Lectura estratégica: probablemente no habrá un único ganador. Los modelos cerrados dominarán la frontera tecnológica mientras los abiertos acelerarán la innovación sobre capas superiores.

🏛️ Europa también quiere experimentar con IA desde dentro. El Parlamento Europeo comienza a incorporar plataformas basadas en modelos de OpenAI, Anthropic, Meta y Mistral para apoyar su actividad.

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 esta edición te ha resultado interesante, te recomiendo True Names and Other Dangers, de Vernor Vinge. Es sorprendente comprobar cómo muchas de las ideas que entonces parecían ciencia ficción hoy forman parte de los debates científicos y tecnológicos más importantes.

📚 PD2. Otra lectura imprescindible es La Singularidad Está Más Cerca, de Ray Kurzweil. Coincidas o no con sus predicciones, sigue siendo una de las obras fundamentales para entender cómo ha evolucionado el concepto de singularidad tecnológica durante las últimas dos décadas.

🏖️ PD3. Si este verano toca playa, quizá también sea buen momento para desconectar unas horas de la pantalla. Una nevera portátil, una toalla de microfibra ultraligera, una sombrilla con protección UPF 50+ o una silla de playa plegable con respaldo reclinable pueden convertirse en la mejor excusa para leer, pensar… y dejar que las ideas maduren lejos del ruido. Al fin y al cabo, algunas de las mejores intuiciones sobre el futuro nacen cuando simplemente nos damos permiso para parar.

Aunque ya hemos hablado de ellas en este boletín, creo que nunca está de más volver sobre las huellas de quienes mejor entendieron el devenir de la historia.

No eran tres leyes en sentido estricto. Eran más bien tres advertencias.

Tres formas de recordarnos que el futuro suele llegar antes de que estemos preparados para reconocerlo.

La primera decía:

Cuando un científico distinguido pero anciano afirma que algo es posible, casi con toda seguridad tiene razón. Cuando afirma que algo es imposible, probablemente se equivoca.

La segunda:

La única manera de descubrir los límites de lo posible es aventurarse un poco más allá de ellos, hacia lo imposible.

Y la tercera, la más famosa:

Toda tecnología suficientemente avanzada es indistinguible de la magia.

Durante décadas, estas frases pertenecieron al territorio de la ciencia ficción.

Hoy empiezan a parecer una descripción bastante precisa del presente.

La mejor prueba es el último artículo de Demis Hassabis, fundador de Google DeepMind, premio Nobel y una de las personas que más cerca se encuentran de la frontera actual de la inteligencia artificial.

Hassabis no escribe sobre una nueva aplicación.

Ni sobre un modelo algo más rápido.

Ni siquiera sobre la próxima generación de asistentes.

Escribe sobre la posibilidad de que la Inteligencia Artificial General esté a solo unos pocos años de distancia.

Y habla de ella como uno de los mayores puntos de inflexión de la historia humana.

La primera ley

La primera ley de Clarke no dice que los grandes científicos acierten siempre.

Dice algo más interesante.

Cuando alguien que ha dedicado su vida a ampliar los límites del conocimiento afirma que algo extraordinario es posible, conviene escuchar.

Hassabis lleva décadas trabajando en inteligencia artificial.

DeepMind logró resolver problemas que parecían fuera del alcance de las máquinas.

Desde dominar juegos complejos hasta predecir la estructura de cientos de millones de proteínas mediante AlphaFold.

Por eso importa cuando escribe:

La Inteligencia Artificial General probablemente está a solo unos pocos años de distancia.

Podrá equivocarse en el plazo.

Podrá llegar más tarde.

Podrá incluso adoptar una forma muy distinta a la que hoy imaginamos.

Pero la conversación ya ha cambiado.

La AGI ha dejado de ser una idea reservada a escritores, futuristas o visionarios.

Ahora forma parte del escenario de trabajo de algunos de los científicos más importantes del mundo.

Clarke probablemente diría que ahí empieza la primera ley.

No cuando algo imposible se construye.

Sino cuando alguien con suficiente conocimiento deja de considerarlo imposible.

La segunda ley

La segunda ley de Clarke afirma que solo podemos descubrir los límites de lo posible si nos adentramos un poco en lo imposible.

Eso es exactamente lo que está ocurriendo en los laboratorios de inteligencia artificial.

Los investigadores están construyendo sistemas cuyas capacidades empiezan a superar sus propias expectativas.

No conocen del todo el origen de muchos de sus comportamientos.

No pueden anticipar todas sus consecuencias.

Y, como reconoce Hassabis, el progreso en la frontera está avanzando más rápido que nuestra capacidad para comprenderlo.

Los avances en la frontera están superando nuestra comprensión de la tecnología.

Esta puede ser la frase más importante de todo el artículo.

Porque describe una situación incómoda.

Estamos construyendo máquinas cada vez más capaces mientras seguimos desarrollando las herramientas necesarias para entenderlas.

No sabemos con precisión dónde están sus límites.

Tampoco sabemos qué nuevas capacidades aparecerán cuando los modelos crezcan, se conecten con herramientas, actúen de forma autónoma o participen en su propia mejora.

La propuesta de Hassabis de crear un organismo especializado en evaluar los modelos de frontera nace de esa incertidumbre.

No se trata simplemente de regular la IA.

Se trata de construir instrumentos para explorar un territorio desconocido.

Como los telescopios permitieron observar galaxias lejanas.

Como los aceleradores de partículas permitieron estudiar componentes invisibles de la materia.

Como los laboratorios de bioseguridad permiten investigar organismos peligrosos sin liberarlos al exterior.

Necesitamos nuevas formas de medir sistemas que todavía no comprendemos por completo.

La frontera no es solo el lugar donde aparecen las innovaciones.

También es el lugar donde desaparecen las certezas.

La tercera ley

Pero es la tercera ley de Clarke la que aparece de forma más directa en el artículo de Hassabis.

Toda tecnología suficientemente avanzada es indistinguible de la magia.

Hassabis lo resume con una frase extraordinaria:

Básicamente, hemos encontrado una forma de hacer pensar a la arena.

La arena.

El silicio.

Uno de los materiales más comunes del planeta.

Transformado en circuitos capaces de escribir, programar, razonar, diseñar moléculas o conversar sobre filosofía.

Descrito paso a paso, el proceso es ingeniería.

Visto desde cierta distancia, parece magia.

Quizá esta sea una de las razones por las que nos cuesta tanto entender lo que está ocurriendo.

Seguimos utilizando el lenguaje de la informática para describir algo que empieza a afectar a la ciencia, la economía, el trabajo, la creatividad, la política y la propia idea de inteligencia.

Hablamos de parámetros.

De chips.

De centros de datos.

De benchmarks.

Pero Hassabis habla de una nueva era.

De abundancia.

De sistemas capaces de acelerar la ciencia.

De un mundo en el que los recursos podrían dejar de ser el principal límite del progreso humano.

El lenguaje técnico empieza a quedarse pequeño.

Y cuando el lenguaje técnico ya no basta, aparecen la filosofía, la política y la ciencia ficción.

Cuando la ingeniería recupera la filosofía

Durante mucho tiempo, la tecnología pudo presentarse como una disciplina esencialmente práctica.

Construir productos.

Optimizar procesos.

Resolver problemas.

Pero la inteligencia artificial está obligando a los ingenieros a formular preguntas que antes parecían reservadas a los filósofos.

¿Qué significa comprender?

¿Qué tareas deberían seguir siendo humanas?

¿Cómo distribuiremos la riqueza si la productividad se multiplica?

¿Qué dará sentido al trabajo si una parte importante puede automatizarse?

¿Qué valores queremos incorporar a sistemas que actuarán cada vez con mayor autonomía?

¿Cómo preservamos el control sobre máquinas que podrían superar nuestras capacidades en muchos ámbitos?

El artículo de Hassabis comienza hablando de ciencia y termina hablando de la condición humana.

Eso no es casualidad.

Cuando una tecnología se vuelve suficientemente poderosa, deja de ser solo una tecnología.

Se convierte en una fuerza social.

Y cuando una fuerza social puede transformar el trabajo, la economía, el conocimiento y el poder, su desarrollo ya no puede quedar exclusivamente en manos de quienes saben construirla.

Hassabis lo reconoce con claridad.

Incluso si resolvemos los riesgos técnicos de la AGI, seguirán existiendo preguntas económicas, políticas y filosóficas que no pueden responder los tecnólogos por sí solos.

La inteligencia artificial está obligando a la ingeniería a recuperar una conversación que nunca debió abandonar.

La conversación sobre para qué construimos.

Y sobre qué tipo de sociedad queremos construir con ello.

Food for thought

Arthur C. Clarke no adivinó qué modelos utilizaríamos.

No predijo algo como el modelo transformer.

Ni los centros de datos con cientos de miles de GPUs.

Ni las interfaces de conversación que hoy utilizamos.

Pero comprendió algo más importante.

Comprendió nuestra relación con el progreso.

Primero declaramos imposible una tecnología.

Después alguien se aventura hacia ella.

Y finalmente, cuando aparece, la confundimos con magia.

Eso es lo que vemos reflejado en el artículo de Hassabis.

Quizá Clarke no estaba escribiendo sobre el futuro.

Quizá estaba escribiendo sobre nosotros.

Sobre nuestra dificultad para reconocer una transformación mientras está ocurriendo. Sobre nuestra tendencia a interpretar como magia aquello que todavía no sabemos explicar.

Y sobre la obligación de cruzar los límites de lo posible sin olvidar que no todo lo que podemos construir debe desplegarse sin reflexión.

El futuro, como recuerda Hassabis, todavía no está escrito.

Pero hay algo que parece cada vez más claro.

Estamos empezando a escribirlo con máquinas que, hace muy poco, habríamos considerado imposibles.

🌍 El eco del mercado

☁️ La historia de la nube amenaza con repetirse en la inteligencia artificial. Cada vez más organizaciones acumulan modelos, asistentes y herramientas de IA sin una estrategia común, reproduciendo el mismo fenómeno de cloud sprawl que disparó costes y complejidad durante la adopción del cloud. La falta de gobernanza empieza a convertirse en uno de los principales riesgos de la IA empresarial.

🚀 OpenAI ya no compite por un modelo: compite por convertirse en el nuevo sistema operativo de la IA. Un análisis compara la posición actual de OpenAI con la de Netscape en los años noventa: una empresa pionera que debe decidir si limitarse a liderar una categoría o construir toda la plataforma sobre la que funcionará el siguiente ciclo tecnológico. La presión competitiva ya no llega solo de nuevos modelos, sino de quienes controlan infraestructura, distribución y ecosistemas.

🔬 AMI Labs desafía el discurso de la AGI y apuesta por resolver problemas reales. Mientras buena parte del sector sigue midiendo el progreso en función de la cercanía de la AGI, AMI Labs plantea una aproximación distinta: desarrollar sistemas capaces de aportar valor científico y empresarial sin necesidad de perseguir inteligencia general.

📒 NotebookLM deja de ser un experimento y pasa a formar parte del ecosistema Gemini. Google reorganiza su oferta de IA y NotebookLM pasa a integrarse bajo la marca Gemini. Más que un cambio de nombre, refleja la intención de convertir todas sus experiencias de IA en una plataforma coherente. Y es solo uno de los cambios en la oferta de Google,…

🔄 Google AI Mode empieza a interactuar directamente con aplicaciones. Google amplía AI Mode para ejecutar acciones sobre distintas aplicaciones y servicios, acercando la búsqueda tradicional al concepto de asistente operativo.

Buscar información deja de ser el objetivo final; la IA empieza a completar tareas.

🤖 DoorDash abre su infraestructura para que trabajen agentes de IA. DoorDash presenta una interfaz de línea de comandos (CLI) pensada para agentes autónomos, facilitando que estos puedan interactuar directamente con su plataforma y ejecutar tareas sin intervención humana.

Las API dejan paso a herramientas específicamente diseñadas para software que trabaja con software.

💰 La visión artificial vuelve a atraer grandes inversiones. Elorian, startup especializada en visión artificial alcanza una valoración cercana a los 300 millones de dólares, reflejando el creciente interés inversor por tecnologías capaces de interpretar el mundo físico.

⚠️ Gemini CLI demuestra que la IA también puede convertirse en un nuevo vector de ataque. Investigadores muestran cómo Gemini CLI puede ser manipulado para ejecutar acciones maliciosas mediante instrucciones ocultas. La vulnerabilidad recuerda que los agentes con capacidad para interactuar con sistemas necesitan nuevas capas de protección.

🏥 Una brecha en TRICARE expone la fragilidad del dato sanitario. Una filtración relacionada con TRICARE vuelve a poner sobre la mesa la enorme sensibilidad de la información médica. Millones de registros sanitarios siguen siendo uno de los objetivos más valiosos para el cibercrimen.

🏭 La inspección industrial inteligente sigue atrayendo grandes inversores. Sheryl Sandberg participa en una inversión en una compañía especializada en inspección mediante inteligencia artificial, reforzando una tendencia cada vez más visible: la IA empieza a generar más valor en fábricas y activos físicos que en simples aplicaciones conversacionales.

🛰️ Un escudo de plasma podría cambiar la defensa frente a las tormentas solares. Investigadores avanzan en el desarrollo de un sistema basado en plasma para proteger satélites e infraestructuras espaciales frente a tormentas solares.

A medida que aumenta la dependencia global del espacio, proteger la infraestructura orbital se convierte en una prioridad estratégica.

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

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD. Si quieres entender de dónde vienen muchas de las ideas que hoy dominan el debate sobre la IA. Mucho antes de que habláramos de AGI, singularidad o inteligencia artificial, Arthur C. Clark ya reflexionaba sobre cómo reaccionan las personas cuando una tecnología cambia las reglas del juego.

Si solo tuviera que recomendar tres libros suyos serían:

📚 2001: Una odisea del espacio. Mucho más que la novela de la película de Kubrick. Una reflexión sobre inteligencia, evolución y el siguiente paso de la humanidad.

📚 El fin de la infancia. Probablemente su obra más filosófica. Una historia sobre qué ocurre cuando una inteligencia superior aparece y obliga a la humanidad a redefinirse.

📚 Cita con Rama. Una de las mejores novelas de exploración científica jamás escritas. Un ejercicio brillante sobre cómo enfrentarnos a lo completamente desconocido.

Leídas hoy, sorprenden porque muchas de sus preguntas ya no parecen ciencia ficción.

PD2. El mejor momento del año para dormir bajo las estrellas. Si hay una época perfecta para hacer un vivac, es precisamente esta.

Las noches son largas, el cielo suele estar despejado y pocas experiencias recuerdan mejor que seguimos formando parte de algo mucho más grande que nosotros.

Si estás pensando en escaparte este verano, estos son algunos de esos accesorios que terminan acompañándote durante muchos años:

🏕️ Una funda de vivac impermeable y transpirable, ligera y preparada para dormir directamente bajo las estrellas.

🎒 Una mochila ultraligera de trekking (30 o 40 litros) para rutas de uno o dos días.

🛏️ Una esterilla inflable compacta, que marca la diferencia entre descansar... o no pegar ojo.

💡 Una linterna frontal recargable, imprescindible cuando el refugio es simplemente la montaña.

☕ Un hornillo de gas ultraligero con cazo de titanio, porque el primer café viendo amanecer desde una cumbre sabe distinto.

🌌 Y, por supuesto, una guía de observación del cielo nocturno. Después de leer a Clarke, cuesta resistirse a levantar la vista y preguntarse qué habrá ahí arriba.

Es una visión muy parecida a pensar que contratar diez personas nuevas no cambia la organización.

Evidentemente sí la cambia.

Lo mismo ocurre con la IA.

Cada nuevo agente modifica quién habla con quién, quién decide, quién recuerda la información, quién revisa los errores y quién acaba influyendo sobre el resto del equipo.

Y eso significa que ya no tienes el mismo equipo.

Hasta ahora pensábamos que mejorar una organización consistía en contratar mejores personas.

Después llegó la IA y pensamos que bastaba con añadir mejores modelos.

Sin embargo, este último estudio titulado: Collective Cognition in Hybrid Groups: A Network Science Synthesis. Nos dice que ambas ideas son incompletas.

La inteligencia colectiva depende de:

• cómo circula la información,

• quién ocupa las posiciones clave,

• cómo se reparte la memoria,

• dónde se concentra la atención,

• quién realiza el razonamiento.

Una organización piensa como está conectada, no como suma el talento de sus miembros.

La IA puede convertirse en el peor jefe posible

Esto es algo que todos ya pensábamos.

Es probablemente la idea más sorprendente del estudio.

Si una IA ocupa el centro de la red, todo funciona muchísimo más deprisa.

Pero también aumenta el riesgo de que todos lleguen muy rápido a una conclusión equivocada.

No porque la IA sea mala.

Sino porque toda la organización converge demasiado pronto.

El verdadero cuello de botella no está donde pensamos

Otra idea brillante que podemos extraer de este artículo es la siguiente.

Muchos creen que el problema será que la IA es lenta.

El estudio concluye justo lo contrario.

Las IAs hablan entre ellas prácticamente sin pérdidas.

Donde realmente se degrada la información es en la conversación entre personas e IA.

Cada vez que un humano explica contexto.

Cada vez que interpreta una respuesta.

Cada vez que valida un resultado.

Ese intercambio introduce pérdidas.

Y eso convierte el diseño de prompts, contexto y validación en un proceso organizativo, no técnico.

Ahí radica la importancia del equilibrio.

No siempre más IA significa mejores resultados.

Existe un punto óptimo.

Con pocas IA, la coordinación mejora.

Con demasiadas, desaparece el entendimiento compartido.

La confianza disminuye.

Los humanos dejan de comprender por qué ocurren las cosas.

Y el rendimiento cae.

Sí, las IAs convergen muy rápido.

Los humanos comprendemos mucho más despacio.

Si dejamos que la velocidad marque las decisiones, acabaremos aceptando respuestas antes incluso de haber formulado buenas preguntas.

Por eso el estudio propone introducir pausas deliberadas.

Momentos donde las personas revisan.

Discuten.

Contradicen.

Piensan.

Y aquí aparece una paradoja maravillosa.

Durante décadas hemos intentado eliminar todas las pausas de las organizaciones.

Quizá, en la era de la IA, las pausas vuelvan a convertirse en uno de los activos más valiosos.

Food for thought

Aquí creo que está la verdadera enseñanza de este paper.

En esta era de la IA, no estamos diseñando herramientas. Estamos diseñando cerebros colectivos.

Y un cerebro no mejora simplemente añadiendo más neuronas.

Mejora cuando cambia la forma en la que esas neuronas se conectan entre sí.

Quizá ocurra exactamente lo mismo con las empresas.

Durante años hablábamos de transformación digital. Después empezamos a hablar de inteligencia artificial.

Tal vez la siguiente conversación ya no sea tecnológica. Será organizativa.

Porque las empresas que liderarán la próxima década no serán las que tengan la mejor IA.

Serán las que aprendan antes cómo hacer pensar juntos a humanos y máquinas.

🌍 El Eco del Mercado

🚪 Europa obliga a Google a abrir Android y Search a la competencia. La Comisión Europea ha ordenado a Google abrir funciones clave de Android y de su buscador para que asistentes de IA y motores de búsqueda rivales puedan competir en igualdad de condiciones. El objetivo es evitar que la compañía utilice su posición dominante en Android para consolidar también el mercado de la inteligencia artificial.

🇪🇺 La soberanía tecnológica europea choca con una realidad incómoda. Francia y Alemania quieren reducir su dependencia tecnológica de Estados Unidos y China en ámbitos como la inteligencia artificial, los semiconductores y el cloud. Sin embargo, construir una alternativa competitiva exige inversiones, talento e infraestructuras que hoy siguen concentradas fuera de Europa.

⚔️ Microsoft cambia el discurso comercial en la guerra de la IA. Microsoft está pidiendo a su fuerza de ventas que deje de competir modelo contra modelo con OpenAI y Anthropic. El mensaje pasa a ser otro: vender una plataforma completa que integra infraestructura, seguridad, productividad y agentes de IA.

🍎 Apple desbloquea su estrategia de IA en China. Apple Intelligence ha recibido la autorización para desplegarse en China gracias a su alianza con Alibaba y Baidu. El acuerdo permite a Apple ofrecer funciones de IA generativa en uno de sus mercados más importantes, respetando al mismo tiempo los requisitos regulatorios del país.

🏭 TSMC acelera la carrera mundial por fabricar chips de IA. TSMC invertirá otros 100.000 millones de dólares en ampliar sus fábricas de Arizona, elevando su compromiso total en Estados Unidos hasta unos 265.000 millones. La demanda de chips para inteligencia artificial sigue creciendo a un ritmo que obliga a aumentar la capacidad de fabricación.

💾 China convierte la memoria en un nuevo frente estratégico. El fabricante chino CXMT protagoniza una de las mayores salidas a bolsa del país mientras el auge de la IA dispara la demanda de memoria. Al mismo tiempo, fabricantes chinos aprovechan que Samsung, SK hynix y Micron priorizan la memoria de alto rendimiento para IA para ganar cuota en segmentos tradicionales.

📱 OnePlus abandona Occidente. Una pena, fue mi primer SmartPhone. OnePlus dejará de lanzar nuevos teléfonos en Estados Unidos y Europa, concentrando su actividad en Asia. La decisión llega en un contexto de fuerte presión competitiva y de una industria afectada por la escasez de memoria.

🔑 Los agentes de IA empiezan a utilizar nuestras credenciales. Anthropic y 1Password han integrado Claude con el gestor de contraseñas para que el asistente pueda acceder, con autorización del usuario, a credenciales almacenadas y completar tareas complejas sin exponer las claves.

🇨🇳 China apuesta también por una IA que cabe en el bolsillo. Mientras Occidente compite por modelos cada vez mayores, varias startups chinas están desarrollando modelos optimizados para ejecutarse directamente en teléfonos móviles y ordenadores personales.

🧠 El AI Coding (que no el Vibe) acelera el desarrollo… y también la deuda de comprensión. Cada vez más equipos generan software con ayuda de IA, pero entienden menos el código que mantienen. Esta “deuda de comprensión” puede convertirse en uno de los grandes riesgos de la ingeniería del software en los próximos años.

🤖 Hyundai acelera su apuesta por la robótica industrial. Hyundai estudia hacerse con el control total de Boston Dynamics mientras en Corea del Sur los sindicatos comienzan a reaccionar ante la creciente automatización mediante robots en las fábricas.

🎛️ OpenAI da el salto al hardware para la era de los agentes. OpenAI ha presentado Codex Micro, un pequeño controlador físico de 230 dólares desarrollado junto a Work Louder para gestionar agentes de programación. Botones, joystick, rueda y luces permiten supervisar varias tareas sin depender únicamente de la pantalla.

🎵 Suno vuelve a enfrentarse al debate sobre los datos de entrenamiento. Una filtración de código sugiere que Suno habría utilizado millones de canciones procedentes de plataformas como YouTube, Deezer o Genius durante el entrenamiento de su modelo musical.

🛡️ OpenAI crea una IA para atacar a su propia IA. OpenAI ha presentado GPT-Red, un modelo interno especializado en atacar sus propios sistemas para detectar vulnerabilidades, probar defensas frente a prompt injection y reforzar GPT-5.6 antes de su despliegue.

🗳️ La política también entra en la guerra de la IA. Varios empleados de OpenAI han financiado un super PAC centrado en la seguridad de la IA que mantiene posiciones enfrentadas a otro grupo respaldado por Greg Brockman, presidente de la compañía.

🤖 NVIDIA lleva Blackwell al mundo físico. NVIDIA ha presentado los nuevos Jetson Thor, ordenadores compactos para robótica e IA en el borde de la red basados en la arquitectura Blackwell. La compañía pretende acelerar el despliegue de robots, vehículos autónomos y sistemas industriales inteligentes.

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: Aunque fue escrito antes de la explosión de la IA generativa, Team of Teams, anticipa una idea que este paper confirma: cuando el entorno se vuelve complejo, la ventaja competitiva ya no depende de controlar mejor la información, sino de diseñar redes de colaboración más inteligentes.

PD2: La edición de hoy nos invita a pensar, en lugar de preguntar ”¿qué puede hacer la IA?”, invita a plantear una cuestión mucho más profunda: ”¿cómo debemos rediseñar nuestras organizaciones para que humanos e IA piensen mejor juntos?” . Para pensar más y mejor juntos, te dejo alguna idea:

• Pizarra blanca magnética de gran formato para equipos de trabajo y planificación.

• Tarjetas adhesivas tipo Post-it para mapear flujos de información y procesos.

• Tableta digital de tinta electrónica (como Viwoods o reMarkable) para capturar ideas y revisar documentos sin distracciones.

• Webcam con seguimiento automático (ideal para equipos híbridos).

• Pantalla portátil USB-C para ampliar el espacio de trabajo cuando se utilizan varios agentes de IA simultáneamente.

Ahora estamos en verano, pero a la vuelta de vacaciones empezaremos a mirar al nuevo curso.

Intentamos adivinar qué llegará con el nuevo curso.

Qué modelo liderará el mercado.
Qué empresa habrá tomado ventaja.
Qué tecnología cambiará las reglas del juego.
Qué empleos desaparecerán.
Qué startups sobrevivirán.
Y, por supuesto, cuándo explotará —o no— la famosa burbuja de la inteligencia artificial.

Este año el ejercicio es más difícil que nunca.

Porque la velocidad del cambio ya no es exponencial.

Es caótica.

Hace un año parecía imposible

Hace apenas unos meses parecía que OpenAI tenía una ventaja prácticamente insalvable.

Después llegó Anthropic.

Luego aparecieron DeepSeek, Qwen, Gemini 2.5, Grok, Mistral...

Los modelos abiertos comenzaron a cerrar la distancia con los propietarios.

Los agentes dejaron de ser una demo para convertirse en productos.

Las ventanas de contexto crecieron hasta tamaños que hace un año parecían ciencia ficción.

Y cada dos o tres meses cambiaba el líder en alguna dimensión importante:

• razonamiento,

• programación,

• coste,

• velocidad,

• contexto,

• multimodalidad,

• uso empresarial.

La consecuencia es evidente.

Ya no existe una ventaja estratégica que dure un año.

En muchos casos ni siquiera dura un trimestre.

La IA se parece cada vez menos a una carrera de velocidad.

Y cada vez más a una etapa ciclista con ataques constantes.

El mercado empieza a hacer preguntas incómodas

Mientras la tecnología acelera, los mercados empiezan a preguntarse algo diferente.

¿Todo este dinero generará el retorno esperado?

Nunca se había invertido tanto capital en infraestructura tecnológica en tan poco tiempo.

Centros de datos.

Chips.

Electricidad.

Fibra.

Modelos fundacionales.

Agentes.

Aplicaciones.

La factura asciende ya a cientos de miles de millones de dólares.

Eso abre inevitablemente una pregunta.

¿Estamos construyendo el ferrocarril del siglo XXI...

...o la siguiente burbuja tecnológica?

La historia nos enseña que ambas cosas pueden ser ciertas al mismo tiempo.

Internet vivió una burbuja gigantesca.

La mayoría de las empresas desaparecieron.

La tecnología terminó cambiando el mundo igualmente.

Una posible corrección financiera no implica que la revolución tecnológica haya terminado.

Simplemente significa que las expectativas pueden haber corrido más que los beneficios.

El miedo más repetido

Pocas conversaciones generan hoy más ansiedad que el empleo.

Cada nuevo modelo parece acercar un poco más la automatización de trabajos que hasta hace muy poco parecían completamente seguros.

Programadores.

Diseñadores.

Abogados.

Consultores.

Analistas.

Profesores.

Periodistas.

La pregunta ya no es si la IA sustituirá determinadas tareas.

Eso ya está ocurriendo.

La verdadera incógnita es otra.

¿Seremos capaces de rediseñar el trabajo tan deprisa como automatizamos las tareas?

La historia económica demuestra que cada revolución tecnológica destruye ocupaciones.

Pero también crea otras nuevas.

La diferencia es que esta vez la velocidad puede ser muy superior.

Y eso convierte la transición en el verdadero reto.

Lo único seguro

Si algo hemos aprendido este último año es que las predicciones envejecen a una velocidad extraordinaria.

Quizá OpenAI vuelva a sorprendernos.

Quizá Anthropic encuentre la siguiente gran ventaja.

Quizá Google consiga integrar toda su potencia tecnológica.

Quizá los modelos abiertos igualen definitivamente a los cerrados.

Quizá aparezca un actor que hoy ni siquiera conocemos.

Quizá el cuello de botella deje de ser el modelo y pase a ser la energía.

Quizá los agentes sustituyan a las aplicaciones.

O quizá descubramos que el verdadero cambio no estaba en los modelos, sino en la reorganización completa de las empresas.

Lo único que me atrevería a asegurar es esto:

Dentro de doce meses volveremos a leer muchas de las predicciones hechas este verano...

...y nos parecerán escritas para un mundo completamente distinto.

Porque probablemente lo estarán.

Food for thought

El economista John Kenneth Galbraith resumía el problema con una frase memorable:

“Hay dos clases de pronosticadores: los que no saben y los que no saben que no saben.”

Quizá esa sea la mejor vacuna contra la soberbia tecnológica.

No dejar de intentar comprender el futuro.

Pero hacerlo con la suficiente humildad para aceptar que el futuro siempre encuentra una forma de sorprendernos.

Porque, si algo nos ha enseñado la inteligencia artificial durante este último año, es que el próximo curso será fascinante.

Simplemente será muy distinto del que hoy imaginamos.

🌍 El eco del mercado

🚀 OpenAI acelera la guerra de precios para convertir la IA en una utilidad. OpenAI prepara una fuerte reducción del precio de GPT-5.6 para responder a la presión de Anthropic y de los modelos chinos. La competencia ya no se libra solo en calidad, sino en coste por token y capacidad de despliegue.

🧠 Thinking Machines entra en la carrera del open source empresarial. La compañía fundada por Mira Murati ha presentado Inkling, su primer modelo multimodal con pesos abiertos, orientado a empresas que buscan desplegar IA bajo su propio control.

🌐 Vint Cerf quiere dar identidad propia a los agentes de IA en Internet. Uno de los padres de Internet trabaja en un estándar para que los agentes autónomos puedan identificarse, autenticarse y operar de forma segura dentro de la red.

⌨️ OpenAI empieza a construir hardware pensado para agentes. La compañía ha presentado junto a Work Louder un teclado programable diseñado para interactuar directamente con Codex y otros agentes inteligentes.

🍎 Un simple correo terminó rompiendo las negociaciones entre Apple y OpenAI. Un error de comunicación habría contribuido al fracaso de las conversaciones entre ambas compañías para profundizar su colaboración en inteligencia artificial.

🔐 Microsoft publica el mayor Patch Tuesday de su historia. Microsoft ha corregido 622 vulnerabilidades en una única actualización, incluyendo varias consideradas críticas y explotadas activamente. Me encanta el olor del Napalm (Mythos) por la mañana.

⚠️ Y en paralelo un nuevo zero-day aparece el mismo día del Patch Tuesday. Investigadores han descubierto una vulnerabilidad crítica en Windows prácticamente al mismo tiempo que Microsoft distribuía su mayor paquete de actualizaciones.

🦄 Emergent demuestra que todavía nacen unicornios alrededor de la IA. La startup india especializada en desarrollo asistido por inteligencia artificial ha alcanzado la valoración de unicornio tras un fuerte crecimiento de clientes e ingresos.

🚗 Geely exporta a Europa el coche eléctrico más vendido de China. El fabricante chino continúa su expansión internacional llevando al mercado europeo uno de sus modelos eléctricos de mayor éxito.

📺 Estados Unidos estudia facilitar una nueva concentración del mercado audiovisual. La FCC analiza cambios regulatorios que permitirían nuevas operaciones de consolidación entre grandes grupos de comunicación. Los movimientos y el culebron de Netflix, Warner y Paramont ha dejado secuelas.

🤖 Empieza la carrera por ocultar el rastro de la IA. Una herramienta desarrollada en el ámbito académico promete reescribir textos generados por IA para hacerlos prácticamente indistinguibles de los escritos por personas.

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.

175.000 millones.

400.000 millones.

Un billón de parámetros.

Parecía que la carrera por la IA se había convertido en una competición muy sencilla de entender: ganaba quien construyera el modelo más grande.

Pero había un pequeño problema.

Muy poca gente sabía realmente qué era un parámetro.

Y cuando no entiendes qué significa una métrica, es muy fácil acabar optimizando la métrica equivocada.

Existe una idea bastante extendida.

Pensamos que los ingenieros escriben miles de reglas asociadas a nuestras interacciones con los modelos fundacionales:

“Si aparece esta palabra, responde aquello.”

“Si preguntan por España, busca esta definición.”

No funciona así.

Los ingenieros no escriben el conocimiento.

Construyen una arquitectura capaz de aprender.

El conocimiento aparece durante el entrenamiento.

Y ese conocimiento acaba almacenado en millones —o billones— de números.

Esos números son los famosos parámetros.

No contienen frases.

No contienen definiciones.

No contienen una Wikipedia escondida.

Contienen relaciones matemáticas.

«Los parámetros no almacenan hechos; almacenan relaciones matemáticas entre conceptos.»

Ese es el verdadero secreto de un modelo de lenguaje. No memoriza el mundo como una enciclopedia; aprende la geometría que relaciona unas ideas con otras.

Imagina una inmensa ciudad

Una buena analogía consiste en pensar que cada concepto del lenguaje vive dentro de una ciudad gigantesca.

“Gato”.

“Perro”.

“Veterinario”.

“Ratón”.

“León”.

No están guardados en carpetas independientes.

Están situados en un enorme mapa matemático, los famosos ejes cartesianos.

Los conceptos parecidos aparecen cerca.

Los que tienen relaciones aparecen conectados.

Y cuanto más aprende el modelo, mejor organizado queda ese mapa.

Los parámetros son, precisamente, las coordenadas que permiten construir ese mundo.

No almacenan los conceptos.

Almacenan la distancia entre ellos.

Todo empieza con números aleatorios

Aquí llega una de las partes más sorprendentes.

Cuando un modelo comienza a entrenarse no sabe absolutamente nada.

Sus parámetros son simplemente números aleatorios.

Es como entregar millones de interruptores colocados al azar.

Durante el entrenamiento ocurre algo extraordinario.

El modelo intenta predecir la siguiente palabra.

Se equivoca.

Corrige ligeramente millones de parámetros.

Vuelve a intentarlo.

Se vuelve a equivocar.

Los corrige otra vez.

Y así... cientos o miles de veces.

Al finalizar ese proceso, esos números ya no son aleatorios.

Representan todo lo que el modelo ha aprendido.

Tres piezas que hacen posible la magia

Aunque solemos hablar simplemente de “parámetros”, en realidad desempeñan funciones distintas.

Embeddings

Convierten cada palabra en un vector matemático.

Gracias a ellos, el modelo entiende que Madrid está más cerca de Barcelona que de Marte o que un hospital tiene mucho que ver con un médico.

No entiende palabras.

Entiende posiciones dentro de un espacio matemático.

Pesos (weights)

Determinan la fuerza de las conexiones entre conceptos.

Son quienes deciden cuánto influye una idea sobre otra.

Sesgos (biases)

Realizan pequeños ajustes para que determinadas señales tengan mayor o menor importancia según el contexto.

Como ocurre con un instrumento musical, sirven para afinar el resultado.

Entonces... ¿más parámetros significan mejor IA?

Hace apenas dos años casi todo el mundo habría respondido que sí.

Hoy sabemos que no.

Porque un modelo puede mejorar muchísimo sin aumentar apenas su tamaño.

Puede hacerlo gracias a:

• mejores datos,

• más entrenamiento,

• destilación (distillation),

• especialización,

• arquitecturas Mixture of Experts (MoE).

En estas últimas sólo se activa una pequeña parte del modelo para responder cada consulta.

Es una idea brillante.

En lugar de movilizar toda la organización...

...llamas únicamente a los expertos que realmente hacen falta.

«La carrera de la IA ya no consiste en construir modelos más grandes, sino en aprovechar mucho mejor cada parámetro disponible.»

Ese cambio de paradigma explica por qué modelos relativamente pequeños están empezando a competir con otros que hace apenas unos años parecían inalcanzables.

La innovación también tiene sus parámetros

Y aquí aparece la reflexión que más me gustó del artículo del MIT Technology Review.

Durante años hemos confundido tamaño con capacidad.

Más empleados.

Más presupuesto.

Más tecnología.

Más recursos.

Pero la IA nos está enseñando otra cosa.

Los mejores modelos ya no son necesariamente los más grandes.

Son los que utilizan mejor cada parámetro disponible.

Quizá en las organizaciones ocurra exactamente lo mismo.

La ventaja competitiva no consiste siempre en tener más personas.

Ni más herramientas.

Ni más inversión.

Consiste en organizar mejor el conocimiento que ya existe.

En conectar mejor las capacidades.

En activar al experto adecuado en el momento adecuado.

En definitiva, en utilizar mejor los recursos disponibles.

«La inteligencia no depende únicamente de cuánto conocimiento almacenas, sino de cómo conectas ese conocimiento.»

Y quizá esa sea también una buena definición de innovación.

Porque las organizaciones más innovadoras rara vez son las que poseen más recursos.

Son las que consiguen aprovechar mucho mejor los que ya tienen.

🌍 El eco del mercado

🏢 Satya Nadella cuestiona la dependencia de los grandes modelos propietarios. El CEO de Microsoft ha advertido a las empresas del riesgo de construir toda su estrategia de IA sobre modelos cerrados de terceros. Su recomendación apunta hacia modelos desplegados en entornos propios y alimentados con datos corporativos.

🤖 La verdadera carrera de la IA se desplaza hacia el open source. El CEO de Hugging Face sostiene que la batalla principal ya no está en desarrollar el modelo más avanzado, sino en facilitar modelos abiertos que las empresas puedan adaptar, controlar y ejecutar con costes asumibles.

💰 El compute sigue siendo el recurso más escaso de la IA. Reflection AI ha firmado un acuerdo valorado en 1.000 millones de dólares con Nebius para garantizar capacidad de computación durante los próximos años.

⚡ Nueva York pone límites a los nuevos centros de datos. Como ya adelantábamos hace unas semanas, el estado de Nueva York ha aprobado la primera moratoria estadounidense a nuevos centros de datos hyperscale mientras evalúa su impacto energético y ambiental.

🔌 La IA empieza a chocar con la red eléctrica. Otro de los temas recurrentes en el ECO del mercado de este curso que se acaba. La demanda de electricidad provocada por centros de datos, vehículos eléctricos y electrificación está disparando la escasez mundial de transformadores, con plazos de entrega que ya alcanzan varios años.

☀️ Y Google prioriza la compra cd energía antes que servidores. Google ha adquirido toda la producción de un gran parque solar para compensar el consumo de sus centros de datos.

🇨🇳 China dispara sus exportaciones de chips gracias al boom de la IA. Las exportaciones chinas de circuitos integrados prácticamente se duplicaron durante el primer semestre del año impulsadas por la demanda internacional de infraestructura para IA.

📱 Alibaba y Honor preparan una nueva generación de dispositivos con agentes de IA. La tan ansiada tranformación de los dispositivos móviles, está a la vuelta de la esquina. Ambas compañías ampliarán su colaboración para desarrollar un sistema operativo orientado específicamente a agentes inteligentes capaces de actuar de forma autónoma. Pero no son los únicos, en paralelo, la startup StepFun ha mostrado un smartphone construido alrededor de un sistema operativo pensado específicamente para agentes de IA.

📊 OpenAI incorpora mercados de predicción dentro de ChatGPT. OpenAI ha firmado un acuerdo con Kalshi para mostrar probabilidades del Mundial directamente en algunas respuestas de ChatGPT.

💳 La gestión del gasto en IA se convierte en un nuevo mercado. El FinOps de los tokens hechos realidad. 1Password incorpora herramientas para monitorizar el consumo y coste de servicios de IA utilizados dentro de las empresas.

💰 La economía de la IA empieza a redefinir Silicon Valley. La creación acelerada de riqueza ligada a la inteligencia artificial está impulsando una nueva ola de inversión, consumo y presión sobre el mercado inmobiliario de San Francisco.

🌱 La Gran Muralla Verde de China muestra los límites de las megainversiones climáticas. Uno de los mayores proyectos de reforestación del mundo evidencia que las soluciones a gran escala requieren décadas de mantenimiento para ofrecer resultados sostenibles. Y nosotros quejándonos de los 50º que se prevé superar en España la semana que viene, pero eso sí, sin hacer nada ni a corto ni a largo plazo.

🪨 Estados Unidos sigue dependiendo de Asia para las tierras raras. Pese a los esfuerzos por relocalizar parte de la producción, buena parte de los minerales críticos para semiconductores, baterías y defensa continúa procesándose en Asia. Ya hablamos, con Adrián Quesada experto en el tema, este curso sobre ello en Código Abierto.

☢️ Detectar armas nucleares desde el espacio podría dejar de ser ciencia ficción. Un investigador del MIT propone un sistema capaz de identificar indicios de armas nucleares ocultas en órbita mediante nuevas técnicas de observación remota.

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: La próxima vez que escuches que un modelo tiene “500.000 millones de parámetros”, ya sabrás que esa cifra, por sí sola, dice muy poco sobre su calidad. Es como valorar una biblioteca únicamente por el número de libros que contiene, sin preguntarte cómo están organizados, qué conocimiento albergan o si el bibliotecario sabe encontrar la respuesta adecuada. Como tener un Kindle con suscripción Unlimited.

PD2: Libros para entender cómo “aprenden” las máquinas

• The Master Algorithm de Pedro Domingos.

• Inteligencia Artificial: Guía para Seres Pensantes for Thinking Humans de Melanie Mitchell.

• Deep Learning de Ian Goodfellow, Yoshua Bengio y Aaron Courville.

PD3: Si esta edición te ha despertado la curiosidad por experimentar con modelos abiertos, un Mac mini M4 es una magnífica opción para empezar a ejecutar LLMs ligeros en local. Si quieres ir un paso más allá, una estación de trabajo compacta con GPU NVIDIA RTX te permitirá probar modelos más avanzados, hacer inferencia local e incluso experimentar con técnicas de fine-tuning.

Primero fue Internet.

Después el Cloud.

Más tarde el Big Data (entremedias el blockchain, con más pena que gloria).

Ahora la Inteligencia Artificial.

Siempre repetimos el mismo patrón.

Aparece una nueva tecnología.

Las empresas corren para adoptarla.

Y, cuando los resultados no llegan, la conclusión suele ser la misma.

“Todavía no era la tecnología adecuada.”

Pero ¿y si el problema nunca hubiera sido la tecnología?

¿Y si el verdadero cuello de botella estuviera en otro sitio?

¿Por qué solo existe un Silicon Valley?

Es una pregunta sorprendente.

Llevamos más de treinta años intentando copiarlo.

Gobiernos, universidades, empresas, fondos de inversión, parques tecnológicos, incubadoras,...

Prácticamente todos los países desarrollados han anunciado en algún momento su intención de construir “su propio Silicon Valley”.

Y, sin embargo, seguimos hablando de uno solo.

Si el conocimiento es global…

Si el talento puede viajar…

Si Internet democratizó el acceso a la información…

¿Por qué nadie ha conseguido replicarlo?

Hace unos días, Ben Horowitz respondía a esta pregunta con una idea tan sencilla como incómoda.

“Many countries have that, that don’t have a Silicon Valley. And what are they missing? They’re missing the other two components.” — Ben Horowitz

No es una cuestión de tecnología.

Es una cuestión de sistema.

Según Horowitz, Silicon Valley no existe únicamente porque concentre ingenieros brillantes o grandes empresas tecnológicas.

Existe porque confluyen tres elementos que rara vez aparecen juntos.

• Talento.

• Incentivos.

• Cultura.

Y esa misma confusión es la que hoy estamos viendo con la Inteligencia Artificial.

El espejismo de la IA

Lo mismo parece suceder con la IA, cada semana aparece un nuevo modelo.

Un nuevo agente.

Una nueva plataforma.

Las organizaciones reaccionan casi siempre igual.

Compran licencias.

Lanzan pilotos.

Crean un comité.

Nombran un responsable de IA.

Organizan sesiones de formación.

Todo parece indicar que están innovando.

Pero meses después llegan las preguntas habituales.

¿Por qué apenas ha cambiado la productividad?

¿Por qué la adopción sigue siendo baja?

¿Por qué los empleados vuelven a trabajar como antes?

La respuesta suele buscarse en la herramienta.

Quizá este modelo no era suficientemente bueno.

Quizá necesitamos otro proveedor.

Quizá deberíamos esperar a la siguiente versión.

Y, sin embargo, casi nunca era un problema tecnológico.

Porque la innovación nunca fue un problema exclusivamente tecnológico.

Silicon Valley tampoco empezó por la tecnología

Horowitz resume el éxito de Silicon Valley en tres ingredientes.

No habla de chips.

Ni de modelos.

Ni de centros de datos.

Habla de tres condiciones mucho más profundas.

1. Talento.

2. Incentivos.

3. Cultura.

Solo cuando las tres trabajan juntas aparece la innovación.

Y lo interesante es que exactamente las mismas tres variables explican por qué unas empresas están acelerando gracias a la IA mientras otras siguen atrapadas en pilotos interminables.

Primer ingrediente: el talento

Toda transformación empieza por personas capaces de construir.

No basta con consumir tecnología.

Hace falta gente que entienda cómo utilizarla para resolver problemas reales.

Eso exige formación.

Curiosidad.

Capacidad técnica.

Pensamiento crítico.

Pero aquí aparece una de las primeras lecciones.

Muchos países cuentan con universidades técnicas extraordinarias.

Y aun así nunca crean un Silicon Valley.

Porque el talento es necesario. Nunca suficiente.

Lo mismo ocurre dentro de una empresa.

Puedes contratar a los mejores especialistas en IA del mercado.

Y seguir obteniendo resultados mediocres.

Porque el talento, aislado del contexto adecuado, termina desaprovechándose.

Segundo ingrediente: los incentivos

Esta es probablemente la parte menos visible.

Y también la más determinante.

Horowitz habla de leyes que facilitan crear empresas, atraer inversión o asumir riesgos sin penalizaciones desproporcionadas.

Dentro de una organización esas leyes tienen otro nombre.

Procesos.

Objetivos.

Evaluaciones.

Bonificaciones.

Promociones.

En definitiva, incentivos.

Todas las empresas dicen querer innovar.

Pero muy pocas recompensan realmente a quienes lo intentan.

Si utilizar IA significa asumir más riesgo…

Si experimentar penaliza la evaluación del desempeño…

Si equivocarse tiene más consecuencias que no hacer nada…

La organización ya ha tomado una decisión.

No innovar.

Porque las personas no cambian por los discursos. Cambian por los incentivos.

La cultura no se define por los valores escritos en una pared.

Se define por aquello que se recompensa cada día.

Tercer ingrediente: la cultura

Y aquí aparece el verdadero factor diferencial.

La pregunta no es si una empresa apuesta por la innovación.

La pregunta es mucho más incómoda.

¿Quién obtiene prestigio dentro de esa organización?

¿Quien evita problemas?

¿O quien construye cosas nuevas?

Horowitz sostiene que lo más difícil de replicar de Silicon Valley no son las universidades ni el capital.

Es una cultura donde los jóvenes más capaces reciben reconocimiento social por crear empresas, asumir riesgos y construir.

No por conservar el statu quo.

Muchas organizaciones funcionan exactamente al revés.

Premian la ausencia de errores.

No la creación de oportunidades.

Y cuando eso ocurre, la IA deja de ser una herramienta de transformación para convertirse simplemente en otra aplicación instalada en el ordenador.

El verdadero cuello de botella

Durante años pensamos que el problema era acceder a la tecnología.

Hoy prácticamente cualquier empresa puede utilizar modelos de IA de primer nivel.

El acceso se ha democratizado.

La diferencia ya no está en quién tiene IA.

La diferencia estará en quién ha construido un entorno donde esa IA pueda generar valor.

Porque la innovación nunca fue una cuestión de software.

Siempre fue una cuestión de sistema.

De talento.

De incentivos.

Y de cultura.

Food for thought

Existe una frase atribuida a Peter Drucker que probablemente nunca ha sido tan actual.

“Culture eats strategy for breakfast.”

Quizá haya llegado el momento de actualizarla para la era de la Inteligencia Artificial.

La cultura también se desayuna a la IA.

Puedes desplegar el mejor modelo del mercado.

Puedes invertir millones en infraestructura.

Puedes contratar a los mejores ingenieros.

Pero si las personas no tienen incentivos para experimentar…

Si equivocarse sigue penalizado…

Si construir algo nuevo no genera reconocimiento…

La tecnología acabará adaptándose a la cultura existente.

Nunca al revés.

Porque la innovación nunca fue un problema tecnológico.

Fue —y seguirá siendo— un problema de diseño organizativo.

Ben Horowitz lo explica utilizando Silicon Valley.

Yo creo que la misma idea sirve para entender por qué unas empresas multiplicarán el impacto de la IA y otras seguirán preguntándose, dentro de cinco años, por qué nunca pasaron del piloto.

La IA será una commodity.

Los modelos también.

La verdadera ventaja competitiva será el sistema que construyas alrededor de ellos.

Y ese sistema siempre tendrá los mismos tres ingredientes.

Talento.

Incentivos.

Cultura.

Porque Silicon Valley nunca fue un lugar.

Siempre fue un sistema.

Y los sistemas no se compran. Se diseñan.

🌍 El eco del mercado

🎭 La primera “superinteligencia” de Meta solo sobrevivió tres días. Meta retiró Muse Image apenas 72 horas después de su lanzamiento. La herramienta permitía aplicar filtros generativos a fotografías de cualquier usuario de Instagram —incluso de terceros— y estaba activada por defecto. Tras las críticas de usuarios, expertos y del sindicato SAG-AFTRA, la compañía terminó retirándola al reconocer que el producto no había cumplido las expectativas.

🇨🇳 Manus demuestra que las startups de IA ya son activos estratégicos de Estado. Tencent lidera un consorcio para recomprar Manus después de que Pekín forzara la cancelación de su venta a Meta por 2.000 millones de dólares. La startup seguirá operando desde Singapur, pero sus fundadores continúan sin poder abandonar China y la compañía aspira ahora a cotizar en Hong Kong.

Lectura estratégica: más que una operación corporativa, es una señal de que las grandes potencias ya no consideran las empresas de IA como simples compañías privadas. Modelos, talento y startups pasan a formar parte de la infraestructura estratégica nacional, donde el mercado deja de tener la última palabra.

🇨🇳 China convierte la IA en prioridad de Estado. Xi Jinping participará por primera vez en la World AI Conference de Shanghái, un gesto que sitúa oficialmente la inteligencia artificial en el centro de la estrategia industrial y geopolítica del país.

🧠 Huawei acelera la carrera por la memoria para IA. Huawei prepara una planta propia de memorias DRAM con apoyo estatal y de socios locales para reducir la dependencia de Samsung, SK Hynix y Micron.

⚙️ China ya prepara su alternativa a NVIDIA. La startup Dongfang Suanxin presentó una hoja de ruta para competir con NVIDIA mediante arquitecturas diferentes que esquivan las restricciones estadounidenses sobre semiconductores.

🛡️ China quiere medir la seguridad de la IA antes que nadie. El Ministerio de Industria chino está desarrollando un benchmark nacional para evaluar la seguridad de los grandes modelos fundacionales.

🌍 La factura climática de la IA sigue creciendo. Microsoft reconoció que sus emisiones aumentaron un 25% durante 2025, incluyendo un mayor consumo de combustibles fósiles para sostener el crecimiento de la infraestructura de IA.

💸 El mayor coste de la IA aparece cuando entra en producción. Cada vez más organizaciones descubren que desplegar modelos en producción multiplica los costes de infraestructura mucho más de lo previsto. Entrenar modelos es caro. Operarlos de forma continua resulta todavía más costoso. La eficiencia del inferencing será uno de los grandes campos de batalla de los próximos años.

🤖 Los agentes de IA todavía no llegan a producción con confianza. Muchas empresas experimentan con agentes de programación, pero pocas se atreven a desplegarlos en sistemas críticos debido a problemas de gobernanza y control. El cuello de botella ya no es tecnológico. Es organizativo. La gobernanza será el verdadero acelerador de los agentes autónomos.

🚨 Un único permiso podría comprometer todos los agentes de IA de un proyecto. Investigadores demostraron que basta un permiso de edición para introducir un agente malicioso capaz de acceder a conversaciones y extraer información del resto del sistema.

⚡ Irlanda convierte los centros de datos en un asunto de Estado. Los centros de datos consumen ya el 23% de toda la electricidad del país, tras multiplicar por más de cuatro su demanda energética en una década.

🖥️ El Mac mini quiere convertirse en el servidor personal de la IA. Apple defiende que un Mac mini equipado con Apple Silicon puede actuar como un nodo eficiente para ejecutar agentes y modelos de IA de forma local, aprovechando su bajo consumo energético.

🧠 Marc Andreessen vuelve a defender la aceleración de la IA. El cofundador de Andreessen Horowitz sostiene que ralentizar el desarrollo de la inteligencia artificial tendría un coste humano y económico muy superior a los riesgos asociados a su despliegue.

🏡 Las acciones de OpenAI y Anthropic ya sirven para comprar viviendas. El fuerte aumento del valor de las participaciones privadas en compañías de IA está transformando el mercado inmobiliario de Silicon Valley, donde algunos propietarios aceptan este tipo de activos como parte del pago.

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

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD: Si quieres entender por qué algunos lugares generan innovación de forma constante mientras otros nunca consiguen despegar, te recomiendo The Rainforest. Su tesis es muy parecida a la de este artículo: la innovación no nace de una gran idea aislada, sino de un ecosistema donde talento, incentivos, confianza y cultura interactúan continuamente.

PD2: Y si alguna vez te has preguntado de dónde salieron el transistor, el láser, Unix, el lenguaje C o la teoría de la información, la respuesta está en un mismo lugar: The Idea Factory. Este magnífico libro cuenta la historia de los Bell Labs, probablemente el laboratorio de innovación más influyente del siglo XX. Su mayor enseñanza no es tecnológica: las grandes innovaciones aparecieron porque supieron diseñar un entorno donde científicos, ingenieros y matemáticos colaboraban durante décadas con incentivos alineados y libertad para experimentar.

PD3: Si quieres construir un entorno que favorezca la innovación, aquí tienes tres herramientas que pueden marcar la diferencia:

• Una pizarra de cristal magnética para visualizar estrategias y conectar ideas.

• Un panel Kanban de pared para hacer visible el trabajo y alinear a todo el equipo.

• Un Rocketbook (cuaderno reutilizable e inteligente) para capturar ideas a mano y sincronizarlas automáticamente con tus herramientas digitales.

La innovación rara vez empieza delante de un chatbot.

Muchas veces empieza delante de una pizarra.

O con una libreta.

Porque antes de construir productos…

Siempre hay que diseñar el sistema.

Lo lógico habría sido crearle un puesto de trabajo.

Asignarle un responsable.

Integrarlo en un proceso existente.

Con la inteligencia artificial estamos haciendo exactamente eso.

Y quizá ese sea el mayor error que estamos cometiendo.

Según Sangeet Paul Choudary, autor de Reshuffle, las organizaciones están respondiendo a la pregunta equivocada. En lugar de preguntarse cómo cambia la IA la naturaleza del trabajo, siguen preguntándose dónde debe intervenir una persona cuando la IA falla.

Es una diferencia sutil.

Pero cambia por completo la forma de entender la transformación empresarial.

Durante décadas hemos diseñado las empresas siguiendo una lógica muy sencilla.

Persona → Tarea → Proceso

Contratábamos especialistas, asignábamos responsabilidades y construíamos procesos alrededor de esas personas.

La IA rompe esa secuencia.

Ya no tiene sentido pensar únicamente en puestos de trabajo.

Ahora debemos pensar en capacidades.

¿Qué puede hacer una persona?

¿Qué puede hacer una IA?

¿Y qué ocurre cuando ambas colaboran desde el principio, en lugar de limitarse a corregirse mutuamente?

Ese cambio de perspectiva es mucho más profundo que cualquier despliegue tecnológico. No estamos incorporando una nueva herramienta.

Estamos cambiando la unidad básica con la que diseñamos una organización.

Muchas empresas presumen hoy de tener miles de licencias de Copilot, ChatGPT o Gemini. Miden usuarios activos, número de tokens utilizados, horas ahorradas,…

Pero esas métricas sólo hablan de adopción. No de transformación.

La pregunta verdaderamente importante es otra.

¿Qué proceso ha desaparecido gracias a la IA?

¿Qué decisión se toma hoy de una forma completamente distinta?

¿Qué producto o servicio existe ahora que antes era imposible ofrecer?

Si la respuesta es “ninguno”, probablemente la empresa solo esté acelerando la versión anterior de sí misma.

No está reinventándose.

Como señala Choudary, no basta con incorporar IA al trabajo existente; hay que replantear cómo se organiza el trabajo desde sus fundamentos.

Esta idea conecta con algo que hemos comentado varias veces en el Diario.

Primero vimos que la llamada Shadow AI no era un problema tecnológico, sino una consecuencia de procesos demasiado lentos y rígidos.

Después descubrimos que revisar sigue siendo imprescindible cuando trabajamos con modelos generativos.

Hoy aparece una tercera pieza del puzle.

Quizá el verdadero cuello de botella ya no sea revisar, ni gobernar, ni siquiera adoptar.

Quizá el problema sea que seguimos diseñando organizaciones pensadas exclusivamente para personas, cuando una parte creciente del trabajo ya la realizan inteligencias artificiales. No estamos optimizando el sistema adecuado.

Choudary también habla de otro concepto digno de mencionar, la “rendición cognitiva” (cognitive surrender).

La sensación de que estamos pensando, cuando en realidad solo estamos aceptando respuestas.

Es un riesgo mucho más peligroso que la automatización.

Porque una organización puede producir más informes. Más análisis.

Y, sin embargo, aprender menos.

La velocidad aumenta. La capacidad crítica disminuye.

Durante veinte años las empresas han perseguido un objetivo casi obsesivo.

Eliminar cualquier fricción, automatizar todo, reducir tiempos, simplificar decisiones.

Sin embargo, la IA cambia también esa lógica.

Cuando una respuesta llega en tres segundos, quizá el mayor valor consista precisamente en detenerse treinta segundos más y preguntarse:

¿Y si estuviera equivocada?

¿Qué alternativa no ha considerado?

¿Qué información falta?

La fricción deja de ser un enemigo, y se convierte en un mecanismo de calidad.

Como sostiene Choudary, las organizaciones más competitivas no serán necesariamente las que automaticen más, sino las que sepan introducir espacios deliberados para el juicio, el debate y el pensamiento crítico.

Todo esto nos lleva a una conclusión que, en mi opinión, marcará la diferencia entre las empresas que liderarán esta década y las que simplemente sobrevivirán a ella.

Durante los últimos años hemos hablado mucho de empresas AI-ready.

Organizaciones preparadas para incorporar herramientas de inteligencia artificial.

Quizá haya llegado el momento de hablar de otra cosa.

De empresas AI-native.

La diferencia es enorme.

Una empresa AI-ready incorpora IA a los procesos existentes.

Una empresa AI-native rediseña procesos, roles, métricas y formas de decidir partiendo de una realidad evidente:

La inteligencia artificial ya forma parte del sistema.

No adapta el pasado.

Construye el futuro.

Porque la pregunta ya no es:

¿Dónde ponemos la IA?

La pregunta realmente incómoda es otra.

Si hoy fundáramos esta empresa sabiendo que existe la inteligencia artificial, ¿la organizaríamos exactamente igual?

Sospecho que la respuesta, dentro de unos años, será evidente.

Y probablemente también nos preguntemos por qué tardamos tanto en hacernos esa pregunta.

💬 Food for thought

La ventaja competitiva no estará en tener la mejor IA. Estará en ser la primera organización capaz de rediseñarse pensando que humanos e inteligencia artificial forman parte del mismo sistema desde el primer día.

🌍 El eco del mercado

⚖️ Apple lleva a OpenAI a los tribunales por la carrera del hardware de IA. Apple ha demandado a OpenAI por el presunto uso indebido de secretos comerciales relacionados con el desarrollo de hardware para inteligencia artificial. El enfrentamiento refleja que la competencia ya no gira solo en torno a los modelos, sino también al control de la próxima generación de dispositivos capaces de ejecutarlos.

📂 El caso del New York Times complica la gobernanza de OpenAI. OpenAI podría enfrentarse a sanciones judiciales por la gestión de registros de ChatGPT durante el litigio abierto con The New York Times. Más allá del conflicto por los derechos de autor, el caso pone el foco en cómo las compañías gestionan la trazabilidad y conservación de la información generada por sus modelos.

💻 Meta acelera la guerra del AI Coding con Muse Spark 1.1. Meta ha presentado Muse Spark 1.1, un nuevo modelo orientado a programación asistida por IA que entra de lleno en la competición con OpenAI, Anthropic y el resto de actores del desarrollo de software.

📈 Alibaba demuestra que la IA ya mueve la cuenta de resultados. Alibaba continúa acelerando su crecimiento gracias al impulso del negocio de inteligencia artificial y al desarrollo de sus propios chips T-Head, consolidando una estrategia cada vez más integrada.

🧩 China multiplica su capacidad para fabricar el “sustrato” de la IA. La inversión china en fabricantes de PCB se dispara para responder a la creciente demanda mundial de aceleradores de IA y servidores de alto rendimiento.

🇺🇸 Apple refuerza la fabricación de chips en Estados Unidos. Apple ha comprometido compras superiores a 30.000 millones de dólares en chips producidos en EE. UU. por Broadcom, reforzando la fabricación nacional de componentes estratégicos.

… 💾 Y también mira a China para asegurar la memoria de la IA. Mientras impulsa la producción estadounidense, Apple estudia incorporar memoria de la fabricante china CXMT para futuros dispositivos con capacidades avanzadas de IA.

🚀 China logra recuperar un cohete reutilizable, tiembla Elon. China ha conseguido recuperar por primera vez un lanzador reutilizable, un hito tecnológico que acerca su industria espacial al modelo inaugurado por SpaceX.

🌌 Y mientras tanto, Blue Origin prepara una financiación histórica. Blue Origin negocia una ronda privada cercana a los 10.000 millones de dólares con una valoración aproximada de 130.000 millones.

🛰️ El talento de OpenAI sigue conquistando el sector espacial, esto huele a nueva mafia, como la de PayPal. Kevin Weil, antiguo responsable de producto de OpenAI, se incorpora al consejo de administración de Stoke Space, especializada en lanzadores reutilizables.

🐶 Starlink llega al seguimiento de mascotas. Los primeros dispositivos de localización para mascotas conectados mediante Starlink permiten mantener cobertura prácticamente global, incluso fuera de redes móviles convencionales.

📵 Estados Unidos endurece el cerco a DJI. La FCC intensifica las restricciones sobre DJI y otras compañías que intentan eludir los vetos estadounidenses mediante nuevas marcas o estructuras societarias.

🖼️ Meta reabre el debate sobre privacidad con la IA generativa. Las nuevas funciones de IA de Meta utilizan fotografías públicas de Instagram para generar imágenes personalizadas, reavivando las dudas sobre el uso de contenidos compartidos por los usuarios.

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 resultado interesante. Aquí te dejo cinco libros que ayudan a entender cómo la IA está transformando las organizaciones y el trabajo del conocimiento:

• Reshuffle de Sangeet Paul Choudary. La evolución de las organizaciones en la era de la IA y las plataformas. La lectura natural para profundizar en la tesis de esta edición.

• Competing in the Age of AI. Explica por qué las empresas deben rediseñarse alrededor de datos, algoritmos y nuevas arquitecturas organizativas.

• La Ola que Viene. Una visión estratégica sobre el impacto de la IA y la biología sintética en gobiernos, empresas y sociedad.

• La Segunda Era de las Máquinas. Un clásico para comprender cómo las tecnologías digitales transforman productividad, empleo y ventaja competitiva.

• De las Bacterias a Bach. Probablemente el libro más radical sobre la evolución de la mente que se haya escrito jamás. Yo ya lo tengo para leer en unas semanas tirado en la arena de la playa.

🌴 PD2. Si este verano vas a trabajar... que al menos sea mirando al mar. Algunos imprescindibles para montar una oficina improvisada junto a la playa (o simplemente disfrutar de unas vacaciones más cómodas):

• Kindle Paperwhite, el preferido de mi hija. Ligero, resistente al agua y perfecto para llevar decenas de libros sin ocupar espacio en la maleta.

• Silla de playa plegable premium con respaldo reclinable. Ideal para leer o trabajar cómodamente durante horas.

• Sombrilla de playa con protección UPF 50+. Porque las mejores ideas llegan mejor cuando no estás luchando contra el sol.

• Mesa plegable de aluminio para playa o camping. Convierte cualquier rincón en un pequeño espacio de trabajo o lectura.

• Nevera portátil eléctrica o termo de gran capacidad. Mantener el agua fría también ayuda a mantener las ideas frescas.

• Mochila impermeable (dry bag). Protege el portátil, el Kindle y el resto de dispositivos de arena, sal y agua.

• Gafas de sol polarizadas. Menos reflejos, menos fatiga visual y más comodidad para leer frente al mar.

Le pides a ChatGPT, Claude o Gemini que redacte un documento, revise un informe o modifique un archivo. Lees el resultado por encima. Todo parece correcto. Haces un pequeño cambio, vuelves a pedir otra modificación. Y otra más. Y otra.

Al cabo de unos minutos has construido un documento mejor del que habrías escrito tú solo.

O eso crees.

Porque el verdadero problema ya no es escribir el documento.

El verdadero problema es saber si sigue siendo correcto después de que una inteligencia artificial lo haya modificado veinte veces.

Y ese puede convertirse en el gran cuello de botella de la próxima década.

Hasta hace unos años el cuello de botella del trabajo intelectual era producir el contenido. Los entregables finales eran los realmente importantes.

Escribir un informe.

Preparar una presentación.

Modificar un contrato.

Actualizar una hoja de cálculo.

La inteligencia artificial ha reducido ese coste de forma espectacular. Hoy cualquiera puede generar en segundos un documento que hace apenas dos años requería horas de trabajo.

Pero los cuellos de botella nunca desaparecen.

Simplemente cambian de sitio.

Antes dedicábamos una hora a escribir y cinco minutos a revisar.

Ahora dedicamos treinta segundos a generar… y veinte minutos a comprobar que todo sigue teniendo sentido.

La IA no ha eliminado el trabajo.

Ha desplazado el esfuerzo desde la creación hacia la verificación.

Y eso es precisamente lo que acaba de demostrar un nuevo estudio de Microsoft Research.

Lo interesante del trabajo no es que los modelos cometan errores. Eso ya lo sabíamos.

Lo realmente novedoso es la pregunta que plantea.

Hasta ahora casi todos los benchmarks evaluaban si un modelo era capaz de resolver una tarea concreta.

Este paper cambia completamente el enfoque.

La pregunta ya no es:

¿Puede un LLM editar correctamente un documento?

La pregunta pasa a ser:

¿Puede hacerlo veinte veces seguidas sin deteriorarlo?

Porque ese será exactamente el trabajo de los agentes de IA que empiezan a llegar a nuestras empresas.

No responderán una única pregunta.

Trabajarán durante horas —o incluso días— sobre los mismos documentos, modificándolos una y otra vez.

Para comprobarlo, los investigadores han creado DELEGATE-52, un benchmark que simula flujos de trabajo reales en 52 profesiones distintas, desde ingeniería y programación hasta contabilidad, música, genealogía o documentación científica.

En lugar de evaluar una única interacción, someten a los modelos a veinte modificaciones consecutivas sobre el mismo documento para comprobar si son capaces de conservar toda la información intacta.

Los resultados invitan a la prudencia.

Incluso los modelos más avanzados terminan degradando aproximadamente una cuarta parte del contenido tras esas veinte interacciones consecutivas. Y el problema empeora cuanto más largos son los documentos, cuanto mayor es el número de modificaciones o cuando existen otros archivos relacionados que distraen al modelo durante el trabajo.

Sin embargo, el hallazgo más interesante no está en ese porcentaje.

Está en cómo aparecen los errores.

Uno podría imaginar que el documento se deteriora poco a poco, como una fotocopia que pierde calidad cada vez que vuelve a imprimirse.

Pero no ocurre así.

El estudio demuestra que la mayor parte del deterioro no proviene de cientos de pequeños fallos acumulados.

Proviene de unos pocos errores críticos que aparecen de forma inesperada y explican alrededor del 80 % de toda la degradación observada.

Durante varias modificaciones consecutivas todo parece funcionar perfectamente.

Y, de repente, un dato desaparece.

Una referencia cambia.

Un apartado queda incompleto.

Una estructura se altera.

El documento sigue pareciendo correcto.

Pero ya no lo es.

Y precisamente por eso estos errores resultan tan peligrosos: son silenciosos.

No rompen el documento.

Lo erosionan.

Esta conclusión tiene una consecuencia que va mucho más allá de los modelos actuales.

Durante meses hemos hablado de cómo la inteligencia artificial multiplicará la productividad de los trabajadores del conocimiento.

Y probablemente sea cierto.

Cada empleado podrá generar más informes, más código, más análisis, más propuestas y más documentación que nunca.

Pero eso abre una pregunta mucho más incómoda.

¿Quién revisará todo ese trabajo?

Porque revisar no escala igual que generar.

Si antes un profesional producía diez documentos a la semana y ahora produce cien gracias a la IA, no puede dedicar diez veces más tiempo a verificarlos.

Ahí aparece el nuevo cuello de botella.

No tecnológico.

Humano.

Y quizá esa sea una de las grandes transformaciones del trabajo intelectual que todavía estamos infravalorando.

Durante décadas enseñamos a las personas a escribir mejor.

Ahora tendremos que enseñarles también a revisar mejor.

A detectar inconsistencias.

A identificar pequeños cambios que alteran el significado de un documento.

A distinguir entre algo que simplemente “suena bien” y algo que realmente es correcto.

Porque el recurso escaso ya no será producir conocimiento.

Será confiar en él.

Hace unos años decíamos que Internet había convertido la información en un recurso abundante.

La inteligencia artificial está haciendo exactamente lo mismo con la creación de contenido.

Pero, como suele ocurrir, cuando una abundancia aparece, otra escasez ocupa su lugar.

Y la nueva escasez tiene nombre.

La capacidad de verificar.

Quizá dentro de unos años no recordemos qué modelo escribía mejor.

Recordaremos cuál era capaz de trabajar durante cientos de pasos sin introducir un único error.

Porque la próxima gran carrera de la inteligencia artificial ya no consistirá en generar más.

Consistirá en ser fiable.

Y ese puede ser el verdadero requisito para que los agentes de IA dejen de ser simples asistentes y se conviertan, de verdad, en compañeros de trabajo.

🌍 El eco del mercado

🚀 La nueva riqueza tecnológica se concentra en tres nombres. Anthropic, OpenAI y SpaceX ya superan el valor agregado de los grandes exits tecnológicos de los últimos 25 años. No es solo una burbuja de valoración: es una señal de concentración extrema del capital en IA, compute y espacio.

🍏 Apple ata 30.000 millones en chips estadounidenses con Broadcom. Apple firma un acuerdo multianual con Broadcom para producir más de 15.000 millones de chips inalámbricos en EE. UU.

🇨🇳 China financia IA y chips desde el mercado. Zhipu AI e Iluvatar CoreX lanzan colocaciones secundarias para captar capital destinado a hardware e investigación.

📈 Alibaba vuelve a gustar al mercado por IA y chips propios. Las acciones de Alibaba suben con fuerza por las expectativas de crecimiento en IA y el papel de sus chips T-Head.

🧠 Claude convierte el uso diario en dependencia. Anthropic añade nuevas funciones a Claude que hacen más cómodo volver al asistente una y otra vez. Más que una mejora de producto, es una estrategia de hábito.

Lectura estratégica: el moat no está solo en el modelo. Está en convertirse en capa diaria de trabajo.

🏗️ La IA empresarial descubre que el código era la parte fácil. Generar código con IA es rápido. Hacer que funcione dentro de una gran empresa, con sistemas vivos, compliance y mantenimiento, es otra historia.

🗣️ OpenAI lleva la voz de ChatGPT a conversaciones más naturales. GPT-Live permite que ChatGPT escuche y hable al mismo tiempo, reduciendo interrupciones y acercando la interacción a una conversación real.

🏠 Amazon quiere que Alexa vuelva a la carrera agéntica. Moonraker apunta a una Alexa capaz de ejecutar tareas complejas en una sola interacción. Amazon no quiere quedarse fuera de la capa doméstica de agentes.

⚡ Los agentes de IA ya chocan con el coste energético. Un estudio advierte que algunas tareas agénticas pueden consumir hasta 136,5 veces más que una consulta de chatbot tradicional.

🔐 La IA avanzada entra en lógica de soberanía nacional. EE. UU. ya ha mostrado que puede condicionar el acceso a modelos avanzados. China estudia restricciones similares. Europa mira desde fuera.

🛰️ Blue Origin busca 10.000 millones y entra en otra liga. Blue Origin prepara su primera gran ronda privada, con una valoración prevista de 130.000 millones de dólares.

🐶 Starlink baja al collar del perro. Fi Ultra incorpora conectividad vía Starlink para rastrear mascotas en zonas sin cobertura móvil.

👁️ Meta cruza otra línea con las fotos públicas de Instagram. Meta permite generar imágenes de IA usando fotos de perfiles públicos de Instagram, con opción de exclusión.

📡 Caltech quiere mirar el universo en tiempo real. El Deep Synoptic Array usará 1.650 antenas para convertir señales de radio en imágenes casi instantáneas.

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 la supervisión humana sigue siendo imprescindible en la era de la IA y cómo diseñar sistemas más fiables, estas lecturas son un excelente punto de partida:

• Cointeligencia de Ethan Mollick. Una de las mejores guías para aprender a colaborar con la IA sin caer en la falsa sensación de que siempre tiene razón.

• The AI Engineering Blueprint de Chip Huyen. Una visión práctica sobre cómo construir aplicaciones de IA robustas, poniendo el foco en la evaluación, la observabilidad y la fiabilidad.

• Designing Machine Learning Systems de Chip Huyen. Explica por qué desplegar un modelo es solo el principio y cómo mantener su calidad a lo largo del tiempo.

• Human Compatible de Stuart Russell. Un clásico moderno sobre el reto de alinear los sistemas de IA con los objetivos humanos y por qué la supervisión seguirá siendo esencial.

• Ruido: Un Fallo en el Juicio Humano de Daniel Kahneman, Olivier Sibony y Cass R. Sunstein. Aunque no habla de IA, ayuda a entender por qué revisar decisiones —humanas o artificiales— es mucho más complejo de lo que creemos.

🛠️ PD2. El kit del buen revisor. Si el cuello de botella ya no es escribir sino revisar, quizá sea buen momento para equipar tu escritorio como el de un auténtico editor.

• Atril de lectura ajustable para libros y documentos. Perfecto para revisar informes o manuales durante horas con una postura mucho más cómoda.

• Lupa de escritorio con iluminación LED. Ideal para revisar documentos impresos, esquemas o planos con el máximo detalle.

• Pluma estilográfica Lamy Safari. Porque las mejores anotaciones siguen haciéndose a mano, y revisar un documento con una buena estilográfica tiene algo de ritual.

• Subrayadores STABILO BOSS Original (pack de colores). Un clásico para destacar ideas clave, inconsistencias o cambios importantes durante una revisión.

• Bloc de notas Rhodia A4 punteado. Excelente calidad de papel para tomar notas, comparar versiones y documentar cambios mientras trabajas con la IA.

La IA puede escribir el primer borrador. Las mejores decisiones siguen empezando con un lápiz, una buena revisión… y el ojo crítico de quien sabe qué está buscando.

Un programador.

Varias pantallas.

Miles de líneas de código.

Herramientas como Codex, Claude Code o Cursor.

Y horas intentando encontrar una vulnerabilidad en el sistema.

Pero quizá el mejor ataque no consista en escribir una sola línea de código.

Quizá baste con cambiar los colores de una sudadera.

O con pintar unas líneas distintas sobre el asfalto.

O con colocar una simple pegatina sobre una señal de tráfico.

Porque las inteligencias artificiales no entienden el mundo.

Lo interpretan.

Y basta con alterar esa interpretación para que todo el sistema falle.

En 2016 un Tesla con Autopilot chocó contra el lateral de un semirremolque blanco que cruzaba la carretera.

El sistema no reaccionó.

Las investigaciones posteriores mostraron que la combinación del remolque blanco con un cielo muy brillante hizo que el sistema de visión no identificara correctamente el obstáculo.

Tres años después ocurrió un accidente muy parecido.

No era que el coche “pensara que era un túnel”, como muchas veces se cuenta.

Era algo mucho más interesante.

Su percepción del mundo había sido engañada.

El software funcionaba exactamente como había sido diseñado.

Lo que fallaba era la representación que el sistema construía de la realidad.

Y eso cambia completamente la conversación.

Porque ya no hablamos de errores de programación.

Hablamos de errores de percepción.

La IA no ve el mundo. Ve patrones.

Ahí aparece uno de los conceptos más fascinantes del aprendizaje profundo.

Los llamados ataques adversariales.

Pequeñas modificaciones, muchas veces invisibles para una persona, capaces de alterar completamente la decisión de un modelo.

Una pegatina.

Una textura.

Un patrón de colores.

Una sombra.

Algo que para nosotros es irrelevante puede convertirse en la diferencia entre que una IA detecte un objeto… o no lo vea en absoluto.

Y eso es exactamente lo que acaban de demostrar unos investigadores.

Una sudadera que hace “desaparecer” personas

Un equipo de la Universidad de Maryland diseñó una sudadera cuyo estampado no busca ser bonito.

Busca engañar a la inteligencia artificial.

Para construirla, el algoritmo analizó miles de imágenes y calculó un patrón de píxeles capaz de confundir a los sistemas de detección de personas.

El resultado parece sacado de una película de ciencia ficción.

Para un ser humano la persona sigue perfectamente visible.

Para muchos modelos de visión artificial, simplemente deja de existir.

No hay malware.

No hay acceso al sistema.

No hay ingeniería inversa.

Solo física.

Solo luz.

Solo colores.

Y, sin embargo, el resultado es un hack.

El verdadero ordenador ya no está dentro del ordenador

Durante décadas la seguridad informática consistía en proteger servidores, aplicaciones y redes.

La IA cambia esa lógica.

Porque ahora una parte del “software” vive fuera del software.

Vive en el entorno.

En la iluminación.

En los reflejos.

En los ángulos de visión.

En las texturas.

En la ropa.

En una señal de tráfico.

En la pintura de una carretera.

En una pantalla colocada delante de una cámara.

La frontera entre ciberseguridad y mundo físico empieza a desaparecer.

Y eso obliga a repensar cómo diseñamos sistemas realmente robustos.

Food for thought

Durante los últimos años hemos hablado obsesivamente de modelos cada vez más grandes.

Más parámetros.

Más contexto.

Más capacidad de razonamiento.

Pero quizá la siguiente gran competición sea otra.

Construir modelos que no solo razonen mejor.

Sino que perciban mejor.

Porque una IA extraordinariamente inteligente sigue siendo extremadamente vulnerable si alguien consigue engañar a sus ojos.

Y esa es probablemente una de las grandes lecciones que nos deja esta historia.

La inteligencia artificial no siempre se hackea entrando en el sistema.

A veces basta con convencer al sistema de que la realidad es distinta de lo que realmente es.

🌍 El eco del mercado

🤖 Anthropic lleva Claude Cowork al móvil y la web. Anthropic amplía Claude. Cowork más allá del escritorio. Los usuarios podrán delegar tareas desde el móvil, seguir su progreso y recoger el resultado más tarde, incluso con el ordenador apagado. La compañía consolida así el modelo de agentes que trabajan de forma asíncrona y persistente.

💼 Microsoft empieza a reducir el coste de la IA utilizando modelos propios. Microsoft estaría sustituyendo parte de las peticiones que antes resolvía con modelos externos por modelos desarrollados internamente, especialmente en productos como Outlook y Excel. El objetivo es reducir el enorme coste operativo asociado a la IA generativa.

⚙️ DeepSeek prepara chips propios para ganar independencia tecnológica. La compañía china estudia diseñar sus propios aceleradores de IA con el objetivo de reducir su dependencia de Nvidia y, en menor medida, de Huawei, en un contexto marcado por las restricciones estadounidenses a la exportación de tecnología.

🇨🇳 China levanta una nueva muralla alrededor de su ecosistema de IA. Mientras Occidente discute sobre modelos abiertos frente a cerrados, China empieza a considerar la inteligencia artificial como un recurso estratégico nacional, limitando dependencias externas y reforzando el control sobre su desarrollo.

🎨 Meta lanza Muse Image para Instagram y WhatsApp. Meta presenta Muse Image, su nuevo modelo de generación de imágenes integrado directamente en Instagram, WhatsApp y Meta AI, con el objetivo de competir frente a OpenAI y Google en creatividad generativa.

🧩 Figma compra un equipo especializado en “vibe coding”. Figma adquiere el equipo de una startup surgida de Y Combinator dedicada inicialmente al “vibe coding” y posteriormente a la creación de agentes de desarrollo.

📊 La gobernanza del contenido marca la diferencia en la IA empresarial. Un estudio de Box concluye que las organizaciones más avanzadas en IA comparten tres características: mejor acceso al contenido, mayor gobernanza del dato y plataformas suficientemente flexibles para evolucionar rápidamente.

🔀 Liberty Mutual demuestra el valor de una arquitectura multmodelo. La aseguradora apenas sufrió el impacto de la retirada temporal de un modelo de IA gracias a una arquitectura diseñada para trabajar con múltiples proveedores de modelos.

🏢 Los agentes empresariales chocan con tres grandes barreras. Red Hat identifica que el despliegue de agentes de IA en producción sigue frenado por tres factores: el coste operativo, los nuevos riesgos de seguridad y la resistencia organizativa.

🚨 Un fallo en la moderación por IA de Discord bloqueó más de 8.000 cuentas. Discord reconoce que un error en sus sistemas automáticos de moderación provocó durante semanas el bloqueo de miles de usuarios por imágenes completamente inocuas.

🔐 Las mayores brechas de ciberseguridad de 2026 dibujan un nuevo mapa de riesgos. TechCrunch recopila los incidentes de seguridad más relevantes del año, incluyendo ataques a infraestructuras críticas, organismos públicos y grandes filtraciones de datos.

🌊 Samsung quiere llevar los centros de datos al mar. Samsung trabaja en centros de datos flotantes que podrían comenzar a operar antes de 2028, aprovechando el agua para refrigeración y reduciendo restricciones de suelo y energía.

⚖️ La ONU vuelve a pedir una prohibición global de las armas autónomas. El Secretario General de Naciones Unidas insiste en impulsar un acuerdo internacional que limite el desarrollo y despliegue de sistemas militares completamente autónomos.

🚗 Tesla prepara un sistema de verificación de identidad para sus asistentes de conducción. El código de la aplicación de Tesla revela indicios de futuras verificaciones de identidad antes de acceder a determinadas funciones avanzadas de asistencia al conductor.

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: La mayoría de los ataques contra la IA no explotan errores de programación, sino vulnerabilidades en la forma en que los modelos perciben e interpretan el mundo. Si te interesa profundizar en este campo, estas cinco lecturas son un excelente punto de partida:

• Adversarial AI Attacks, Mitigations, and Defense Strategies de John Sotiropoulos
  Una guía práctica para comprender cómo funcionan los ataques adversariales contra modelos de IA, las técnicas utilizadas para engañarlos y las estrategias más eficaces para diseñar sistemas resistentes.

• El Arte de la Invisibilidad de Kevin Mitnick. Mucho más que un libro sobre hacking: una introducción a la mentalidad del atacante y a cómo identificar las debilidades de cualquier sistema, tecnológico o humano.

• Hands-On Machine Learning with Scikit-Learn, Keras & TensorFlow de Aurélien Géron. La referencia para comprender cómo aprenden los modelos de Machine Learning y Deep Learning. Antes de proteger una IA, conviene entender cómo funciona.

• Hands-on Machine Learning for CiberSecurity de Soma Halder y Sinan Ozdemir. Explica cómo proteger modelos de Machine Learning a lo largo de todo su ciclo de vida, desde el entrenamiento hasta su despliegue en producción.

• AI Engineering de Chip Huyen. Un enfoque práctico sobre cómo construir sistemas de IA fiables, escalables y preparados para operar en el mundo real.

🛠️ PD2. ¿Quieres empezar a pensar como un hacker (ético)?

La mejor forma de entender cómo se protege un sistema es comprender primero cómo puede ser atacado. Estos dispositivos son utilizados por estudiantes, makers, investigadores y profesionales de la ciberseguridad para aprender en entornos controlados y desarrollar nuevas habilidades.

• Flipper Zero - La “navaja suiza” del hacking ético. Permite experimentar con RFID, NFC, infrarrojos, Bluetooth y otros protocolos inalámbricos para comprender cómo funcionan los sistemas físicos y electrónicos que utilizamos cada día.

• Raspberry Pi 5 Starter Kit - Un ordenador completo del tamaño de una tarjeta de crédito con el que puedes montar desde laboratorios de ciberseguridad y servidores hasta proyectos de visión artificial, domótica o inteligencia artificial.

• HackRF One - Una potente plataforma de radio definida por software (SDR) que permite analizar y experimentar con señales inalámbricas en un amplio rango de frecuencias. Una herramienta imprescindible para aprender sobre comunicaciones y seguridad radio.

• RTL-SDR Blog V4 - La puerta de entrada al mundo del análisis de radiofrecuencia. Con una inversión reducida podrás visualizar y estudiar emisiones de radio, satélites, ADS-B, meteorología, AIS y multitud de protocolos inalámbricos.

• Cardputer - Un pequeño ordenador portátil basado en ESP32 con pantalla, teclado y conectividad Wi-Fi y Bluetooth. Perfecto para iniciarse en programación, IoT, automatización y pequeños proyectos de seguridad ofensiva y defensiva.

Hace uno querían modelos de IA.

Hoy quieren agentes.

Pero muy pocas se atreven a cruzar el puente que realmente importa.

Porque si la respuesta es no…

Da igual cuánto hayas invertido.

Todos seguimos dibujando el mismo esquema. Cuando hablamos de IA solemos imaginar una cadena muy simple.

Datos → Modelo → Valor ($)

Como si el mero hecho de desplegar un LLM fuera suficiente para transformar una empresa.

Es una historia atractiva.

Pero completamente falsa.

Sin embargo, un reciente estudio publicado en The Journal of Strategic Information Systems intenta responder a una pregunta sencilla:

¿Por qué tantas iniciativas de Big Data e IA generan mucho entusiasmo… y tan poco impacto?

La respuesta ocupa decenas de páginas. Pero puede resumirse en una sola frase.

La tecnología nunca crea valor por si sola.

El valor aparece únicamente cuando alguien utiliza esa tecnología para tomar una decisión distinta.

El verdadero recorrido del valor

Los autores proponen una cadena mucho más larga.

Datos → Analítica → Personas → Decisiones → Acciones → Resultados → Aprendizaje → Más valor

Cada flecha representa algo que puede romperse.

Puedes tener los mejores datos…

…y que nadie los consulte.

Puedes tener el mejor modelo…

…y que todos sigan trabajando exactamente igual.

Puedes tener cien agentes…

…y que las reuniones continúen decidiendo por intuición.

La IA no elimina esos pasos.

Los hace todavía más importantes.

El error que estamos cometiendo con la IA

Hoy muchas organizaciones miden el éxito mediante indicadores como:

• número de licencias;

• número de modelos desplegados;

• GPUs instaladas;

• presupuesto dedicado a IA.

Son métricas fáciles.

Pero ninguna mide el resultado que realmente importa.

¿Las decisiones son mejores que hace un año?

Porque si las decisiones siguen siendo las mismas, la IA solo ha cambiado la herramienta.

No la organización.

El bucle del aprendizaje

Hay un elemento que suele pasar desapercibido.

Cada vez que una persona utiliza la analítica para decidir mejor, la organización aprende.

Aprenden los equipos.

Aprenden los procesos.

Aprenden los modelos.

Aprenden los propios usuarios.

Y ese aprendizaje hace que la siguiente decisión vuelva a ser mejor.

Ahí aparece el verdadero efecto compuesto.

No en el algoritmo.

Sino en la organización.

Es exactamente el mismo mecanismo que estamos empezando a observar con los agentes.

No mejoran únicamente porque el modelo evolucione.

Mejoran porque la empresa aprende a trabajar con ellos.

Pero dónde está la verdadera ventaja competitiva.

Durante años pensamos que estaba en acumular datos.

Después creímos que estaría en entrenar mejores modelos.

Ahora empezamos a descubrir que probablemente la ventaja sea mucho más aburrida.

Construir organizaciones capaces de convertir mejores decisiones en mejores hábitos.

Porque la IA puede sugerir.

Puede analizar.

Puede recomendar.

Pero sigue siendo la organización la que decide si esas recomendaciones terminan cambiando algo.

Así que la próxima vez que alguien presente un gran proyecto de IA, quizá la pregunta no debería ser, ¿qué modelo vamos a utilizar?

Ni siquiera, ¿cuál será el ROI?

Tal vez la pregunta correcta sea otra mucho más incómoda.

¿Qué decisiones concretas van a tomarse de forma diferente a partir del lunes?

Si nadie sabe responderla…

Probablemente el proyecto todavía no esté preparado.

Food for thought

🌍 El eco del mercado

🚀 SpaceXAI culmina la integración de espacio, conectividad e inteligencia artificial. Tras la adquisición de xAI por SpaceX, la compañía adopta oficialmente la marca SpaceXAI. El cambio simboliza una estrategia mucho más ambiciosa: ofrecer una infraestructura integrada donde lanzamiento espacial, satélites, conectividad, energía y computación formen parte del mismo ecosistema.

📊 Expedia recuerda que escalar IA depende más de los sistemas que de los modelos. Expedia explica las lecciones aprendidas tras ejecutar miles de millones de predicciones mucho antes del auge de los agentes de IA. La compañía sostiene que el verdadero reto no consiste en hacer funcionar un modelo, sino construir plataformas capaces de mantenerlo, monitorizarlo y evolucionarlo durante años.

🤖 Reddit combate con IA los problemas creados por la propia IA. Reddit está utilizando modelos de lenguaje para detectar y eliminar spam generado mediante inteligencia artificial. Las plataformas empiezan a responder al contenido sintético utilizando precisamente las mismas tecnologías que han facilitado su proliferación.

📷 Google amplía las fuentes de datos para entrenar su inteligencia artificial. Google comenzará a utilizar determinados contenidos multimedia que los usuarios suban a Search para mejorar el entrenamiento de sus modelos, salvo que estos opten explícitamente por desactivar dicha opción.

🇨🇳 Alibaba gana tiempo frente al Pentágono en Estados Unidos. Un juez estadounidense ha concedido a Alibaba un alivio temporal que le permite seguir desarrollando actividades de lobby mientras continúa su disputa legal tras ser incluida en la lista de compañías vinculadas al ejército chino.

🏢 Como ya adelantaba hace unos días, Microsoft reduce plantilla mientras convierte la IA en un servicio de proximidad. Microsoft ha anunciado cerca de 5.000 despidos, con especial impacto en Xbox y los equipos comerciales, al mismo tiempo que pone en marcha un programa de 2.500 millones de dólares para desplegar ingenieros especializados en IA junto a sus clientes. La compañía recorta estructura donde automatiza e invierte donde espera acelerar la adopción empresarial de la IA.

Lectura estratégica: la ventaja competitiva ya no será solo disponer del mejor modelo, sino acompañar al cliente en su implantación. Los hyperscalers empiezan a competir también con personas, no únicamente con infraestructura.

🏦 Reino Unido alerta de una carrera regulatoria por la IA financiera. El regulador británico advierte de que la rápida adopción de inteligencia artificial en banca y servicios financieros obligará a reforzar las capacidades supervisoras para seguir el ritmo de la innovación.

🛡️ Canadá reconoce operaciones ofensivas contra ransomware y crimen organizado. La agencia de inteligencia canadiense ha confirmado que durante el último año llevó a cabo operaciones de ciberataque contra grupos de ransomware, narcotráfico y organizaciones extremistas.

⚔️ Mientras tanto, a unas horas por carretera, el hacktivismo vuelve a situar las webs militares como objetivo político. Diversos hacktivistas reivindicaron ataques y desfiguraciones contra páginas web del Ejército estadounidense como forma de protesta política.

🔐 Mientras a unas horas de vuelo, Rusia demuestra que la guerra digital también se libra contra las VPN. Amnezia VPN ha logrado restablecer su servicio premium tras sufrir un ataque coordinado atribuido al regulador ruso Roskomnadzor, que dejó fuera de servicio gran parte de su infraestructura.

🛰️ La retirada de satélites Starlink abre un nuevo debate ambiental. SpaceX ha retirado cientos de satélites mediante reentradas controladas, reduciendo la basura orbital, pero generando nuevas preguntas sobre el impacto atmosférico de la vaporización de estos materiales.

🌐 El estándar USB-C sigue sin cumplir la promesa de la simplicidad. Aunque todos los dispositivos convergen hacia el conector USB-C, las diferencias entre versiones, velocidades y capacidades siguen generando una gran confusión entre usuarios y empresas. Yo mismo soy incapaz de usar el Apple Car Play en mi coche.

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 por qué la tecnología solo genera ventajas cuando cambia la forma de trabajar, estas lecturas merecen un hueco en tu biblioteca:

• Competing on Analytics de Thomas H. Davenport.

• Working Backwards de Colin Bryar y Bill Carr.

• Prediction Machines de Ajay Agrawal, Joshua Gans y Avi Goldfarb.

• Competing in the Age of AI de Marco Iansiti y Karim Lakhani.

PD2: Hablamos mucho de cómo las empresas extraen valor de sus datos. Pero en casa también acumulamos un activo cada vez más valioso: fotos, vídeos, documentos, recuerdos familiares…

Si todavía dependes de un único disco duro o de la nube, quizá sea el momento de poner un poco de orden.

Estas son algunas herramientas que pueden ayudarte:

• 💾 NAS Synology DS224+ o DS925+ para crear tu propia nube privada y mantener copias de seguridad automáticas de ordenadores y móviles.

• 📀 Grabadora externa de CD/DVD Blu-ray para recuperar, leer o archivar discos antiguos y crear copias físicas de tus proyectos más importantes.

• 📼 Conversor VHS a USB (capturadora de vídeo) para digitalizar cintas VHS, Video8 o Hi8 antes de que el tiempo termine por estropearlas.

• 💽 Caja organizadora para CD, DVD y Blu-ray si todavía conservas colecciones de música, fotografías o copias de seguridad en formato físico.

• 💿 Discos ópticos M-DISC (grabables) para archivar fotografías y documentos importantes con una vida útil muy superior a la de un DVD convencional.

• 💾 Disquetera USB de 3½” para recuperar documentos almacenados en viejos disquetes. Sí, todavía existen. O su versión para emular un floppy.

• 📟 Lector multitarjeta USB compatible con CompactFlash, SD, microSD, Memory Stick y otros formatos para rescatar fotografías de cámaras digitales de hace dos décadas.

Seleccionaban el software.

Negociaban las licencias.

Diseñaban los procesos.

Y, una vez tomada la decisión, llegaba el momento de formar a toda la organización.

La innovación descendía desde la dirección hacia el resto de la empresa.

Pero esa lógica se está rompiendo.

No por culpa de la inteligencia artificial.

Sino porque las mejores herramientas ya no llegan primero a las empresas. Llegan primero a las personas.

Hace veinte años ocurrió con Gmail.

Mientras muchas organizaciones seguían defendiendo sus servidores de Exchange, millones de usuarios ya utilizaban Gmail porque simplemente funcionaba mejor. Ofrecía más capacidad, mejor búsqueda y una experiencia de uso muy superior. Los empleados no esperaron a que su departamento de IT aprobara el cambio. Empezaron a utilizarlo en su vida personal y, poco a poco, esa expectativa acabó entrando en la empresa.

Después llegaron Dropbox, WhatsApp, Slack…

Y ahora estamos viviendo exactamente el mismo fenómeno con ChatGPT, Claude o Gemini.

La diferencia es que esta vez el impacto es mucho mayor.

Un reciente artículo de Harvard Business Review describe una escena que probablemente se esté repitiendo en miles de empresas de todo el mundo.

En un gran banco central, los empleados trabajan con sus portátiles corporativos, donde no tienen acceso a herramientas de inteligencia artificial.

Pero, junto a ellos, mantienen abierto su portátil personal.

En la pantalla no hay redes sociales.

Ni correo electrónico.

Está ChatGPT, Claude o cualquier otro modelo de lenguaje.

No porque quieran saltarse las normas.

Ni porque pretendan poner en riesgo la información de la organización.

Simplemente porque necesitan terminar antes su trabajo.

Porque les ayuda a escribir un informe.

A resumir un documento.

A preparar una presentación.

A entender un procedimiento complejo.

A eliminar fricción.

Y esa diferencia lo cambia todo.

Quizá no sea Shadow AI

Las empresas suelen describir este fenómeno con una expresión que ya se ha hecho habitual: Shadow AI.

La idea transmite la sensación de que existe un problema de cumplimiento normativo que debe ser controlado.

Y, por supuesto, existen riesgos reales relacionados con la privacidad, la propiedad intelectual o la seguridad de la información.

Pero quizá ese nombre nos esté haciendo mirar en la dirección equivocada.

Porque el empleado no está buscando utilizar inteligencia artificial.

Está buscando trabajar mejor.

La IA es simplemente la herramienta que hoy resuelve ese problema con más eficacia.

Mañana será otra.

Lo verdaderamente interesante no es la tecnología.

Es la necesidad que está revelando.

Cada vez que un empleado abre una herramienta de IA por su cuenta, está enviando una señal a la organización.

Está diciendo:

“Aquí hay un proceso demasiado lento.”

“Aquí hay una tarea repetitiva.”

“Aquí hay una herramienta corporativa que ya no responde a lo que necesito.”

Eso no es un incidente. Es información estratégica.

La demanda ya no nace en IT

Durante años, el proceso era siempre el mismo.

La empresa elegía una tecnología. Los empleados aprendían a utilizarla.

Hoy ocurre exactamente al revés.

Un empleado descubre una herramienta. Comprueba que le permite ahorrar tiempo.

La comparte con dos compañeros. Después con todo el equipo.

Y meses más tarde la organización crea un grupo de trabajo para estudiar cómo implantarla de forma oficial.

La innovación ya ha ocurrido cuando empieza el proyecto de transformación.

Eso significa que la dirección ha dejado de ser el punto de partida de muchas innovaciones tecnológicas.

Ahora actúa como mecanismo de escalado, gobierno y estandarización.

El descubrimiento ocurre mucho antes.

Y ocurre mucho más cerca del trabajo real.

Escuchar antes que prohibir

El artículo de Harvard Business Review propone una idea sencilla: en lugar de limitarse a perseguir el Shadow AI, las organizaciones deberían preguntarse qué está intentando resolver cada uno de esos usos no autorizados.

Es un cambio de perspectiva muy interesante.

Porque detrás de cada uso espontáneo de una herramienta de IA puede esconderse una oportunidad de automatización, un proceso mal diseñado o una necesidad que nadie había identificado.

En lugar de interpretar esas herramientas como una amenaza, pueden convertirse en el mejor mapa posible para priorizar la adopción de la IA dentro de la empresa.

No diseñado por una consultora.

Ni por un comité de innovación.

Sino por las personas que conviven cada día con los problemas reales del negocio.

La innovación siempre deja pistas

Existe una tentación muy humana de pensar que la transformación digital comienza cuando se aprueba un presupuesto o se firma un contrato con un proveedor.

Pero casi nunca sucede así.

La verdadera transformación empieza mucho antes.

Empieza cuando alguien encuentra una forma mejor de hacer su trabajo.

Si suficientes personas repiten ese mismo comportamiento, la organización tiene dos opciones.

Intentar detenerlo.

O entender qué necesidad está poniendo de manifiesto y convertirla en una capacidad compartida.

Porque quizá la pregunta más importante que debería hacerse cualquier empresa ya no sea qué modelo de IA va a desplegar el próximo año.

Sino una mucho más incómoda, ¿qué herramientas están utilizando hoy tus empleados sin que tú lo sepas?

🌍 El eco del mercado

🛡️ Anthropic convierte la seguridad de sus modelos en producto. Anthropic refuerza las protecciones de Fable/Mythos y publica un marco para clasificar jailbreaks vinculados a capacidades cyber avanzadas. No es solo seguridad: es gestión del riesgo antes de que los modelos especializados entren en producción real.

🎮 Microsoft recorta Xbox para financiar la guerra de la IA. Microsoft despide a miles de empleados y vende varios estudios de Xbox en plena reasignación de capital hacia inteligencia artificial. El gaming vuelve a ser negocio, pero la IA ya es prioridad estratégica.

📉 El ROI de la IA sigue atrapado en la niebla presupuestaria. Muchos directivos admiten tener una comprensión limitada de los presupuestos de IA, mientras productividad y ahorros de costes caen. La brecha no está solo en la tecnología, sino en la visibilidad de gestión.

🗂️ La gobernanza del dato vuelve al centro de la resiliencia empresarial. La gobernanza del dato aparece como condición para mejorar resultados de IA, reforzar confianza y construir resiliencia operativa. La promesa de la IA depende cada vez más de la calidad del sistema que la alimenta.

💧 El cuello de botella de la IA también está bajo tierra. Un estudio propone refrigerar centros de datos con acuíferos subterráneos a 13 °C para reducir el enorme consumo eléctrico asociado al enfriamiento. La infraestructura IA empieza a mirar al subsuelo.

🇨🇳 Huawei busca más rendimiento sin esperar a ASML. Huawei prepara un nuevo chip móvil con una arquitectura que aumenta la densidad de transistores sin depender de nodos más avanzados ni nueva litografía. China sigue buscando rodeos técnicos al bloqueo tecnológico.

🚕 Los robotaxis pueden ser el próximo mercado industrial de un billón. Morgan Stanley estima que el mercado global de robotaxis alcanzará el billón de dólares en 2040, con China acelerando gracias a costes de fabricación más bajos.

🚫 Alibaba veta Claude Code y la IA corporativa entra en modo frontera. Alibaba prohíbe a sus empleados usar Claude Code por preocupaciones de seguridad ligadas al acceso desde China. El uso de herramientas de IA empieza a cruzarse con geopolítica, cumplimiento y control interno.

🇪🇺 Station F quiere convertir París en rampa europea de startups de IA. Station F refuerza su aceleradora F/ai para posicionarse como plataforma de lanzamiento de startups europeas de inteligencia artificial. Europa intenta pasar de la regulación al músculo emprendedor.

🌐 La carrera EE. UU.–China por la IA ya no es una sola carrera. La competencia global en IA aparece como una combinación de modelos, chips, energía, software, plataformas y activos nacionales complementarios. OpenAI, Anthropic, Google y Nvidia no compiten solo por producto, sino por arquitectura industrial.

🦠 El ransomware autónomo marca un salto inquietante. Investigadores detectan JadePuffer, descrito como el primer ataque de ransomware generado íntegramente por un agente de IA autónomo, con capacidad de adaptación durante la ofensiva.

🧠 La capa humana sigue siendo el punto débil de la ciberseguridad. La industria ha construido defensas técnicas enormes, pero los atacantes explotan cada vez más la decisión humana: confianza, urgencia, error y manipulación.

🕵️ Los trackers ya no necesitan cookies para seguirnos. Nuevas técnicas permiten identificar usuarios sin depender de cookies tradicionales. El navegador se convierte

📍 Google cruza otra línea con el seguimiento por IP. Google empezará a usar direcciones IP para medición publicitaria también en Reino Unido y el Espacio Económico Europeo. La publicidad digital busca mantener precisión mientras aumenta la presión regulatoria.

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 esta reflexión te ha resultado interesante, estos libros ayudan a entender cómo se propagan las innovaciones dentro de las organizaciones y por qué las personas adoptan antes una tecnología que las propias empresas:

• Crossing the Chasm, de Geoffrey A. Moore.

• Diffusion of Innovations, de Everett M. Rogers.

• The Innovator’s Dilemma, de Clayton M. Christensen.

PD2. Herramientas para experimentar con IA de forma segura. Si quieres experimentar con modelos locales, agentes o flujos de trabajo avanzados con IA, merece la pena invertir en un equipo pensado para ello. Estas son algunas opciones muy interesantes:

• Mac mini con chip M4: una de las mejores relaciones rendimiento/consumo para desarrollar con LLM, ejecutar modelos cuantizados y trabajar con herramientas como LM Studio, Ollama o Docker.

• Mini PC con GPU NVIDIA RTX: equipos compactos equipados con RTX 4070, 4080 o superiores, ideales para inferencia local, visión artificial y generación de imágenes gracias al amplio soporte del ecosistema CUDA.

• Workstation con GPU AMD Radeon: una alternativa cada vez más interesante para IA gracias a ROCm y al creciente soporte de frameworks abiertos.

• Sobremesa ampliable: si buscas una inversión a largo plazo, un PC con una GPU dedicada (NVIDIA GeForce RTX 5070/5080 o AMD Radeon RX 9070 XT, por ejemplo) te permitirá ir ampliando memoria, almacenamiento y potencia según evolucionen los modelos.

“China alcanza a Estados Unidos.”

“OpenAI vuelve a ponerse por delante.”

“Google recupera terreno.”

“DeepSeek cambia las reglas del juego.”

Todos parecen responder a la misma pregunta.

¿Quién va ganando la carrera de la inteligencia artificial?

El problema es que esa pregunta probablemente esté mal formulada.

Porque presupone que existe una única carrera.

Y quizá nunca haya existido.

Ethan Mollick planteaba hace unos días una reflexión sencilla pero enormemente útil: cuando hablamos de competencia entre China y Estados Unidos solemos asumir que ambos están jugando al mismo juego. Sin embargo, dependiendo de qué entendamos por “ganar”, en realidad podríamos estar hablando de competiciones completamente distintas.

No existe una única carrera por la IA. Existen varias. Algunas son económicas. Otras científicas. Otras militares. Otras culturales. Algunas permiten que varios ganen al mismo tiempo. Otras, por definición, solo admiten un vencedor.

1. La carrera por ganar dinero

Es la más visible.

Y probablemente la menos importante a largo plazo.

Aquí compiten OpenAI, Anthropic, Google, Meta, Microsoft, Alibaba o ByteDance.

No gana quien publica el mejor benchmark.

Gana quien convierte la inteligencia artificial en una máquina de generar beneficios.

La historia de la tecnología está llena de ejemplos.

Netscape fue pionera.

Google dominó las búsquedas.

BlackBerry lideró el smartphone empresarial.

No siempre gana quien llega primero.

Muchas veces gana quien encuentra el modelo de negocio correcto.

La innovación no premia al mejor laboratorio. Premia al mejor negocio.

2. La carrera por el prestigio científico

Aquí los beneficios importan menos.

Lo importante es atraer talento.

Publicar mejores papers.

Construir reputación.

Ser el laboratorio donde quieren trabajar los mejores investigadores.

Es una carrera que existe desde hace décadas.

La inteligencia artificial simplemente la ha acelerado.

Y como toda competición científica, tiene mucho de reputación nacional.

La IA también es una competición por escribir la historia de la ciencia.

3. La carrera por definir el modelo

Hace apenas dos años parecía evidente.

Todo sería cerrado.

Hoy ya no está tan claro.

Modelos abiertos.

Pesos abiertos.

APIs cerradas.

Modelos pequeños.

Modelos especializados.

Cada estrategia intenta convertir su arquitectura en el estándar sobre el que construirán otros.

Porque quien define el estándar rara vez necesita ganar todas las batallas posteriores.

En tecnología, controlar el estándar suele ser más rentable que controlar el producto.

4. La carrera por construir el stack completo

Este es probablemente el cambio más importante de 2026.

Ya no compiten modelos.

Compiten ecosistemas. Los laboratorios quieren crear chips, y los fabricantes de chips crear sus LLMs.

Hace unas semanas hablábamos precisamente de cómo el contexto empresarial puede convertirse en el verdadero moat de la IA agéntica. El modelo tenderá a ser una commodity; la ventaja competitiva estará en el stack completo y en la capacidad para orquestarlo.

La IA empieza donde termina el modelo.

5. La carrera por la seguridad

Aquí cambia completamente el tablero.

Ya no hablamos de productividad.

Hablamos de defensa.

Ciberseguridad.

Inteligencia.

Sistemas autónomos.

En este terreno la cooperación desaparece rápidamente.

Porque una ventaja tecnológica puede convertirse en una ventaja estratégica.

Cuando la IA entra en Defensa, deja de parecer Silicon Valley y empieza a parecer geopolítica.

6. La carrera por crear dependencias

Este punto me parece especialmente interesante.

No se trata solo de desarrollar el mejor modelo.

Se trata de conseguir que otros países dependan del tuyo.

Exactamente igual que ocurrió con:

• Android.

• Windows.

• GPS.

• Los sistemas de pagos.

• Los semiconductores.

Quien controla la infraestructura termina condicionando muchas decisiones posteriores.

No hace falta prohibir.

Basta con convertirse en imprescindible.

Las grandes plataformas nunca venden únicamente tecnología. También venden dependencia.

7. La carrera por influir culturalmente

Este quizá sea el aspecto menos discutido.

Los modelos no solo responden.

También priorizan.

Filtran.

Restringen.

Enfatizan.

Recomiendan.

Cada decisión refleja una determinada forma de entender el mundo.

No hablamos únicamente de censura.

Hablamos de valores.

Entrenar un modelo también es entrenar una visión del mundo.

8. La carrera definitiva

Y luego está la que ocupa todos los titulares.

La AGI.

La superinteligencia.

La idea de que quien llegue primero obtendrá una ventaja imposible de alcanzar.

Si uno cree que ese escenario es real, toda la competición anterior cambia.

Porque deja de importar ganar un poco.

Ahora importa ganar primero.

Y eso convierte cualquier colaboración en una posible desventaja.

Conclusión

Quizá el mayor error al analizar la inteligencia artificial sea hablar de “la carrera” como si fuera una única competición.

No lo es.

Algunas de estas carreras son de suma cero.

La seguridad nacional, por ejemplo, difícilmente admite dos ganadores.

Otras permiten que todos progresen simultáneamente, como la investigación científica o el desarrollo de estándares abiertos.

Y otras, como la creación de ecosistemas, generan un fenómeno aún más complejo: cuanto más éxito tiene un actor, más valioso resulta para el resto construir sobre él.

Por eso, la próxima vez que leamos que China adelanta a Estados Unidos o que OpenAI recupera el liderazgo, quizá la primera pregunta no debería ser quién va ganando.

Debería ser otra mucho más sencilla.

¿En cuál de las ocho carreras?

🌍 El eco del mercado

🤖 Gemini salta al escritorio y la carrera por los agentes entra en una nueva fase. Google lleva Gemini Spark a macOS para convertir al asistente en una presencia permanente sobre el escritorio, capaz de observar el contexto y ejecutar acciones entre aplicaciones. La batalla ya no consiste en tener el mejor chatbot, sino el agente más útil durante toda la jornada de trabajo.

🔬 Anthropic quiere convertir Claude en un investigador científico. Anthropic presenta Claude Science, una versión especializada para investigación científica, mientras demuestra su potencial resolviendo un problema matemático que llevaba décadas sin solución en física teórica. La IA empieza a aspirar a generar conocimiento, no solo a resumirlo.

🧠 El siguiente reto de la IA no será saber más, sino pensar diferente. Nuevos trabajos muestran que los grandes modelos siguen cayendo en patrones de groupthink, generando respuestas demasiado similares. Al mismo tiempo, muchas organizaciones reconocen que el principal obstáculo para desplegar IA ya no es la tecnología, sino la ausencia de gobierno y supervisión.

✈️ Airbus lleva la IA generativa al corazón de la ingeniería aeronáutica. Airbus anuncia una colaboración con Mistral AI para incorporar modelos de IA a procesos internos de diseño, documentación e ingeniería. La inteligencia artificial entra en una de las industrias más reguladas y exigentes del mundo.

🏗️ La escasez ya no está en los modelos, sino en la infraestructura. Together AI capta 800 millones de dólares, Meta comienza a limitar el consumo de tokens por restricciones de capacidad, Google alquila GPUs de emergencia a SpaceX por cientos de millones mensuales y el robo de cobre emerge como una amenaza inesperada para los centros de datos.

📰 Cloudflare quiere redefinir la economía del contenido en la era de la IA. Cloudflare propone un modelo para que las empresas de inteligencia artificial paguen por acceder al contenido de los medios, mientras el debate sobre el scraping continúa intensificándose.

Lectura estratégica: el contenido abierto empieza a convertirse en un activo negociable. La discusión ya no gira alrededor del copyright, sino sobre quién captura el valor económico generado por entrenar y alimentar modelos de IA.

🔒 Venice AI demuestra que la privacidad también puede ser un negocio. Venice AI alcanza la valoración de unicornio apostando por modelos centrados en privacidad, ejecución descentralizada y menor recopilación de datos personales, alejándose del enfoque dominante de los grandes laboratorios.

🛡️ La privacidad sigue siendo mucho más frágil de lo que parece. Apple investiga una vulnerabilidad que podría afectar a Hide My Email, mientras un nuevo estudio demuestra que los navegadores continúan siendo altamente identificables incluso con JavaScript desactivado.

🧬 La vida pudo inventarse varias veces al mismo tiempo. Un nuevo estudio propone que los primeros genes no surgieron en un único lugar, sino en múltiples “laboratorios naturales” repartidos por la Tierra primitiva. La hipótesis replantea una de las preguntas fundamentales sobre el origen de la vida.

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 la inteligencia artificial ya no es solo una cuestión tecnológica, sino también económica, geopolítica y estratégica, estas lecturas merecen un hueco en tu biblioteca:

• La Guerra de los Chips. La mejor explicación de por qué los semiconductores se han convertido en el recurso estratégico más importante del siglo XXI y cómo la cadena de suministro de chips condiciona el equilibrio de poder mundial.

• La Ola que Viene. Una reflexión brillante sobre cómo la IA y la biología sintética están redefiniendo la competencia entre empresas, estados y sociedades.

• AI Superpowers. Un clásico para entender las diferencias entre los ecosistemas de innovación de China y Estados Unidos y por qué ambos juegan con fortalezas muy distintas.

• The Kill Chain. Si quieres comprender por qué la IA ha pasado de ser una tecnología de productividad a convertirse en una cuestión de defensa y seguridad nacional, este libro ofrece una perspectiva imprescindible.

• The New Map. Aunque se centra en la energía y la geopolítica, ayuda a entender una idea clave de esta edición: las grandes transformaciones tecnológicas siempre terminan siendo también transformaciones geoestratégicas.

Pero al terminar una temporada merece la pena detenerse unos minutos y mirar hacia atrás.

No para hacer un simple listado de publicaciones, sino para preguntarnos si, entre todas ellas, existe un hilo conductor.

Y creo que sí.

Esta temporada he publicado 39 ediciones de sábado, intentando responder, desde perspectivas muy distintas, a una misma pregunta:

¿Cómo podemos seguir innovando cuando el mundo cambia más deprisa que nuestros modelos mentales?

Con esa pregunta arrancamos en septiembre y, curiosamente, es la misma con la que cerramos en junio.

Del framework al modelo mental

Las primeras semanas estuvieron dedicadas a cuestionar una idea muy extendida: que innovar consiste en aplicar el framework adecuado.

Hablamos de sistemas frente a objetivos (De las metas a los sistemas⁠), de vivir en beta (Vivir en beta⁠), de Moonshot Thinking (Moonshot Thinking, y la mentalidad infinita⁠), de mentalidad infinita (Mentalidad infinita⁠), de exploración y explotación (Innovar sin perder el rumbo⁠) y de por qué el éxito no suele ser una consecuencia de seguir una receta, sino de desarrollar mejores modelos mentales (El éxito se aprende —y se arriesga—⁠).

Porque las metodologías ayudan, pero son las formas de pensar las que realmente cambian la manera de tomar decisiones.

Cuando llegó el ruido de la IA

A partir de noviembre apareció un segundo gran hilo conductor.

Mientras el entusiasmo alrededor de la inteligencia artificial seguía creciendo, intentamos separar el ruido de las señales.

Analizamos el arte de anticipar (El arte de anticipar⁠), la necesidad de romper con el viejo modelo de innovación (Cuatro ideas para pensar⁠), la ilusión de control (La paradoja de la ilusión de control⁠), la burbuja de la IA (La burbuja de la IA que sí existe… y la que no⁠), los castillos digitales que construimos demasiado deprisa (Cómo construimos un castillo digital⁠) y la sensación de que algunas olas tecnológicas vuelven antes incluso de haber terminado de llegar (La ola que ya viene de vuelta⁠).

No porque la IA no vaya a transformar el mundo.

Precisamente porque creemos que lo hará.

Cuanto mayor es una revolución tecnológica, más importante resulta distinguir entre el hype del corto plazo y las transformaciones estructurales del largo plazo.

La innovación también pesa

Entrados en 2026 cambiamos deliberadamente el foco.

Durante meses se habló de modelos, agentes, benchmarks y capacidades.

Nosotros decidimos mirar hacia aquello que normalmente permanece oculto.

La energía.

Los centros de datos.

Los materiales.

El coste del capital.

La electrificación.

La infraestructura que hace posible toda esta revolución.

Lo hicimos hablando de lo que no nos gusta admitir sobre la innovación (Lo que no nos gusta admitir sobre la innovación⁠), de materiales y desmaterialización (Más cosas, menos mundo⁠), de la importancia de entender lo básico (El deber de entender lo básico⁠), de energía e IA (La batalla invisible⁠) y del vínculo entre inteligencia barata, crédito barato y nuevas dinámicas económicas (Inteligencia barata, ¿crédito barato?⁠).

Porque ninguna tecnología existe en el vacío. Toda innovación depende de recursos físicos, incentivos económicos y restricciones materiales.

En ocasiones olvidamos que detrás de cada conversación sobre inteligencia artificial existen kilómetros de fibra óptica, redes eléctricas, chips, fábricas, cadenas de suministro y enormes decisiones geopolíticas.

La IA ya no es una herramienta

Quizá el mayor cambio de la temporada fue dejar de hablar de inteligencia artificial como una tecnología más.

Empezamos a tratarla como un nuevo contexto competitivo.

No analizamos únicamente qué puede hacer un modelo.

Nos preguntamos qué significa mejorar contra nuestra versión anterior (No compites contra otros⁠), qué ocurre cuando la IA se convierte en un punto de inflexión estratégico (El Strategic Inflection Point de la inteligencia artificial⁠), cómo cambia el conocimiento cuando su producción se acelera (La próxima gran explosión de conocimiento⁠), por qué no necesitamos más herramientas sino mejores decisiones (No necesitamos más herramientas⁠) y por qué quizá hoy nadie está construyendo océanos azules (Hoy nadie está construyendo océanos azules⁠).

La verdadera ventaja competitiva ya no consiste solo en saber más. Consiste en decidir mejor.

Volver a hablar de personas

En el tramo final apareció una preocupación que, probablemente, llevaba presente desde la primera edición.

¿Qué lugar ocupa el ser humano en todo esto?

Hablamos de no convertirnos en gadgets (No eres un gadget⁠), de principios en la era de la IA (Principios en la era de la IA⁠), del peso del futuro (El peso del futuro⁠), de plataformas, escala y comoditización (Plataformas, escala e IA⁠, La IA se está convirtiendo en una commodity⁠), de cultura organizativa (La empresa náufraga⁠), del nuevo trabajo invisible de la era digital (Obreros del silicio⁠) y de esa sensación extraña de que la vida adulta era otra cosa (La vida adulta era otra cosa⁠).

Y terminamos donde habíamos empezado: hablando otra vez de innovación.

Pero ya no era el mismo problema.

El innovador clásico debía enfrentarse a mercados inciertos, tecnologías emergentes y organizaciones resistentes al cambio.

El innovador de hoy debe añadir un nuevo desafío: convivir con sistemas capaces de generar ideas, escribir código, analizar información, diseñar productos y acelerar prácticamente cualquier proceso intelectual.

Eso nos llevó a preguntarnos cómo las organizaciones dejan de aprender (Cómo las organizaciones dejan de aprender⁠), por qué las preguntas raras importan más que nunca (La pregunta rara en la era de las respuestas automáticas⁠), cómo cambia el problema del innovador con la IA (El nuevo problema del innovador⁠) y por qué el futuro no se predice, se ensaya (El futuro no se predice, se ensaya⁠).

Algunas ideas que me llevo

Si tuviera que resumir esta temporada en unas pocas conclusiones, probablemente serían estas:

• Innovar empieza mucho antes que la tecnología. Empieza en la forma en que interpretamos el mundo.

• La inteligencia artificial no elimina la necesidad de pensar; aumenta el valor del pensamiento de calidad.

• Los recursos, la energía y la economía importan tanto como los modelos.

• La ventaja competitiva será cada vez menos tecnológica y cada vez más estratégica, cultural y organizativa.

• La imaginación deja de ser un lujo creativo para convertirse en una capacidad empresarial.

• Y, sobre todo, las preguntas siguen siendo más importantes que las respuestas.

Porque las respuestas cambian constantemente.

Las buenas preguntas permanecen.

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

Gracias por acompañarme un año más

Nada de esto tendría demasiado sentido sin vosotros.

Gracias por leer cada sábado.

Gracias por responder a las encuestas, compartir los artículos, recomendar la newsletter, señalar errores, proponer temas y, sobre todo, mantener conversaciones que muchas veces continúan mucho después de pulsar el botón de publicar.

Innovation by Default siempre ha querido ser algo más que una recopilación de noticias sobre tecnología o reseñas de libros.

He intentado convertirlo en mi espacio para pensar con más calma en un mundo que cada vez va más deprisa.

Espero que, al menos en parte, lo haya conseguido.

Durante julio seguiré publicando con normalidad los Diarios de Innovación, explorando las investigaciones, los papers y las señales que están definiendo el futuro de la inteligencia artificial y la innovación.

Y, como ya es tradición, en agosto la newsletter hará una pausa para recargar energías.

Nos volveremos a encontrar en septiembre con una nueva temporada, nuevas preguntas y, estoy seguro, un mundo que habrá cambiado otra vez, aunque sea solo un poquito.

Hasta entonces, muchas gracias por estar al otro lado.

Nos seguimos leyendo.

Que nunca te falten ideas, ni ganas de probarlas.

A.

Tenías una buena idea.

Reunías un equipo brillante.

Levantabas una ronda de financiación.

Encontrabas el product-market fit.

Y el resto era cuestión de escalar.

La realidad, sin embargo, es bastante más incómoda.

Porque hay empresas que lo tienen prácticamente todo y aun así desaparecen.

La historia de Descartes Labs es uno de esos casos que obligan a replantearse muchas de las certezas del ecosistema startup. Una compañía nacida en Los Álamos, capaz de procesar un petabyte de datos en menos de 24 horas, con algunos de los mejores científicos de datos del mundo, más de 200 millones de dólares entre inversión y negocio generado, contratos multimillonarios con el gobierno estadounidense, clientes como Cargill y tecnología que rozaba la ciencia ficción terminó siendo vendida en una fire sale por un valor prácticamente nulo.

Cuando uno lee el relato de su fundador, Mark Johnson, descubre algo mucho más interesante que la historia de una empresa.

Descubre hasta qué punto seguimos obsesionados con encontrar una receta universal para construir compañías extraordinarias.

Y probablemente esa receta nunca haya existido.

El problema de las historias de éxito

Cuando una empresa triunfa, siempre buscamos una explicación sencilla.

“NVIDIA ganó porque apostó por las GPUs.”

“OpenAI ganó porque llegó antes.”

“Palantir ganó porque tenía una tecnología diferencial.”

Pero eso no es una explicación.

Es una simplificación.

Los psicólogos llaman a este fenómeno causalidad narrativa: nuestra tendencia a construir historias lineales para explicar fenómenos que, en realidad, son extraordinariamente complejos.

Necesitamos creer que existe una única causa.

Porque aceptar que el éxito depende de decenas de variables interactuando entre sí resulta mucho más incómodo.

Sin embargo, la realidad empresarial se parece bastante más a un ecosistema que a una ecuación.

El error de copiar el ingrediente visible

Durante el auge de la IA generativa estamos viendo exactamente el mismo patrón.

Cada semana aparecen cientos de nuevas startups.

Todas parecen compartir la misma lista de ingredientes: modelos fundacionales; agentes autónomos; MCP; financiación; talento técnico o crecimiento acelerado.

Y muchas persiguen exactamente el mismo objetivo: parecerse a la startup de éxito del momento.

El problema es que solemos copiar aquello que vemos. Nunca aquello que realmente explica el resultado.

Descartes Labs es un buen ejemplo.

Según Johnson, la empresa nunca debió intentar convertirse en un SaaS escalable. Su verdadera ventaja competitiva estaba en otra parte: combinar una plataforma tecnológica extraordinaria con científicos capaces de resolver problemas extremadamente complejos para un pequeño número de grandes clientes, un modelo mucho más cercano a Palantir que a Salesforce. Sin embargo, la presión por encajar en las métricas que el capital riesgo esperaba de una empresa SaaS acabó condicionando decisiones estratégicas durante años.

No fracasó por falta de tecnología.

Ni por falta de clientes.

Ni por falta de talento.

Fracasó, según su fundador, porque la empresa dejó de parecerse a sí misma para intentar parecerse al modelo de éxito que el mercado esperaba.

Quizá no exista el Product-Market Fit

Llevamos años hablando del Product-Market Fit como si fuera el gran hito que toda startup debe alcanzar.

Pero quizá nos estemos haciendo la pregunta equivocada.

Porque una empresa no necesita únicamente que su producto encaje con el mercado.

Necesita que todo el sistema encaje.

Me gusta pensar en ello como un Company-Market Fit.

No basta con tener un gran producto.

También deben alinearse:

• el momento histórico;

• la estructura financiera;

• la cultura de la empresa;

• el modelo de negocio;

• la velocidad de ejecución;

• el consejo de administración;

• los incentivos de los inversores;

• las capacidades reales del equipo;

• y las necesidades concretas de los clientes.

Cuando esas piezas encajan, desde fuera parece magia.

Cuando dejan de hacerlo, incluso las mejores compañías pueden entrar en una espiral muy difícil de detener.

El éxito es una propiedad del sistema

Imagina un coche de Fórmula 1.

Puedes tener el mejor motor.

El mejor piloto.

Los mejores neumáticos.

El mayor presupuesto.

Y aun así perder la carrera, o quedar tercero en el campeonato.

Porque ganar nunca depende de una sola pieza.

Depende de cómo funcionan todas juntas.

Las startups no son diferentes.

El mejor producto del mercado puede fracasar con una mala ejecución.

Un equipo extraordinario puede quedarse sin caja.

Una tecnología brillante puede llegar demasiado pronto.

O demasiado tarde.

Una empresa puede levantar cientos de millones… y seguir sin haber encontrado el modelo adecuado para capturar el valor que genera.

Food for thought

Quizá la mayor enseñanza de Descartes Labs no tenga nada que ver con la tecnología geoespacial, la inteligencia artificial o el capital riesgo.

Tiene que ver con nuestra obsesión por encontrar patrones simples.

Hoy todo el mundo quiere descubrir cuál será “el próximo OpenAI”, “el próximo Cursor” o “el próximo unicornio de IA”.

Pero la historia demuestra que las grandes compañías no nacen siguiendo una receta.

Nacen cuando consiguen alinear una combinación irrepetible de tecnología, personas, financiación, cultura, ejecución y contexto.

Y esa combinación nunca es exactamente igual dos veces.

Quizá por eso la próxima gran empresa de IA no será la que mejor copie el manual del momento.

Será la que tenga el valor de escribir el suyo propio.

🌍 El eco del mercado

🧩 El portátil del desarrollador es el nuevo punto débil de la cadena de suministro. Las herramientas y dispositivos de los desarrolladores se están convirtiendo en una vía de entrada crítica para ataques contra entornos empresariales. A esto se suman extensiones aparentemente inocentes, como VPN gratuitas, capaces de espiar el portapapeles.

📱 Apple sufre otra señal de riesgo en su cadena de suministro. Hackers habrían robado 181 archivos de un socio de ensamblaje de Apple en India. Más allá del posible leak del iPhone 18, la noticia apunta a un problema mayor: la exposición de terceros dentro de cadenas globales muy distribuidas.

🔐 Compartir una cuenta de IA no es como compartir Netflix. Cada vez más usuarios comparten cuentas de IA para ahorrar dinero, pero el riesgo es mucho mayor que en una plataforma de streaming. Estos asistentes pueden guardar conversaciones, contexto, documentos, preferencias y memoria personal.

🕶️ Meta convierte sus gafas inteligentes en servicio recurrente. Meta empieza a imponer límites de uso y suscripciones sobre funciones de sus Ray-Ban inteligentes. El hardware es solo la puerta de entrada; el negocio está en las capacidades de IA que se activan encima.

☁️ Together AI dispara la valoración del neocloud. Together AI levanta 800 millones y alcanza una valoración de 8.300 millones. La tesis es clara: alojar modelos open source se ha convertido en una capa estratégica del mercado.

🕸️ Cloudflare fuerza una frontera entre búsqueda, agentes y entrenamiento. Cloudflare exigirá a las compañías de IA separar crawlers de búsqueda, entrenamiento y agentes, o arriesgarse a bloqueos por defecto en sitios de publishers.

Lectura estratégica: Al igual que vimos ayer con Reddit, el acceso al contenido deja de ser una externalidad gratuita y empieza a convertirse en mercado regulado de facto.

🛡️ Anthropic recupera modelos, pero acepta nuevas condiciones de seguridad. EE. UU. levanta restricciones sobre Fable 5 y Mythos 5, pero Anthropic incorpora nuevas salvaguardas de ciberseguridad y un marco contra jailbreaks.

🌏 La guerra fría de la IA se endurece. Anthropic restringe el acceso de desarrolladores y empresas chinas a sus modelos, mientras empuja más colaboración doméstica.

🍽️ Square convierte ChatGPT y Claude en un nuevo canal de adquisición. Los restaurantes podrán aceptar pedidos directamente desde ChatGPT y Claude mediante una integración de Square, sin setup técnico y con menos comisión que los marketplaces tradicionales.

🖼️ Getty y Shutterstock chocan con el nuevo antitrust de los datos visuales. Getty cancela su fusión de 3.700 millones de dólares con Shutterstock tras las restricciones del regulador británico, pese al visto bueno previo de EE. UU. La operación se cae en un momento clave para el valor de las imágenes en la era de la IA generativa.

⚙️ El cuello de botella de la IA ya no es el modelo: es el cómputo. Google no pudo dar a Meta toda la capacidad de Gemini que pedía. La IA empieza a parecerse menos al software y más a una industria pesada con racionamiento de recursos.

🔋 Honda también gira hacia los data centers. Honda empieza a producir baterías destinadas a centros de datos, no a coches. La demanda energética de la IA está atrayendo a actores industriales que antes no parecían parte del tablero cloud.

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 interesa, merece la pena leer The Hard Thing About Hard Things, de Ben Horowitz; High Growth Handbook, de Elad Gil; De Cero a Uno, de Peter Thiel; y Amp It Up, de Frank Slootman. Todos ellos muestran que construir una empresa tiene mucho menos que ver con seguir recetas y mucho más con tomar decisiones difíciles cuando nadie tiene la respuesta correcta.

PD2. Si estás montando una startup, hay cuatro inversiones que probablemente amortizarás antes que cualquier gadget de moda: una mesa elevable eléctrica para las jornadas maratonianas, una silla ergonómica de calidad que cuide tu espalda, un monitor ultrapanorámico de 40” para visualizar producto, métricas y código al mismo tiempo, y una base Thunderbolt/USB-C que convierta el portátil en un puesto de trabajo completo con un solo cable. No harán crecer tu empresa por sí solos, pero sí harán más fácil ejecutar cada día un poco mejor.

No ha ganado ningún premio literario.

No es el protagonista de una saga de éxito.

De hecho, nunca ha existido.

Y, sin embargo, millones de personas podrían acabar leyendo historias sobre él durante los próximos años.

No porque un escritor se haya enamorado de ese personaje.

Sino porque varias de las inteligencias artificiales más avanzadas del mundo parecen haber hecho exactamente eso.

Un nuevo estudio de la Universidad de Cornell analizó 20.000 relatos generados por modelos de OpenAI, Anthropic, Google y AI2 utilizando únicamente cinco instrucciones tan simples como “Write a story” o “Tell me a story”.

El resultado fue tan inesperado como inquietante.

Cuando todas las historias empiezan a parecerse

Los investigadores descubrieron que el 88,3 % de los relatos contenían al menos una de once palabras recurrentes.

Una y otra vez aparecían los mismos elementos.

Elias, Mara, Elara, un faro, un guardián, un relojero, una bibliotecaria,…

No importa si el texto lo escribía GPT-5, Claude, Gemini o un modelo abierto.

Las historias cambiaban en los detalles, pero compartían sorprendentemente el mismo ADN narrativo.

De hecho, más de la mitad de los relatos transcurrían en un faro, y cerca de la mitad contenían la combinación de un nombre, una profesión y un escenario prácticamente idénticos.

Hasta aquí podríamos pensar que la explicación es sencilla.

Quizá esos nombres aparecen constantemente en Internet.

Pero resulta que no.

El misterio no estaba en los datos

Los autores compararon esas palabras con novelas contemporáneas, datos de preentrenamiento y también con los conjuntos de datos utilizados durante el alineamiento posterior de los modelos.

Y descubrieron algo mucho más interesante.

Esos nombres apenas aparecen en la literatura publicada y son extraordinariamente raros incluso dentro de los datos originales con los que se entrenaron los modelos.

Por ejemplo, el nombre Elias aparece cientos de veces más en las historias generadas que en la ficción contemporánea.

Es decir, los modelos no están simplemente copiando los patrones más frecuentes de Internet.

Está ocurriendo otra cosa.

El paper no afirma haber encontrado una relación causal.

Y eso es importante dejarlo claro.

Pero plantea una explicación consistente con la evidencia.

Después del entrenamiento masivo, los modelos pasan por una fase de alineamiento donde aprenden qué respuestas son preferibles para los usuarios.

Durante ese proceso es posible que las historias más “seguras” —sin personajes protegidos por copyright, sin contenido adulto, sin violencia o sin elementos potencialmente conflictivos— reciban sistemáticamente una valoración mejor que otras alternativas.

El resultado sería una especie de gravedad estadística.

Los modelos no terminan escribiendo las historias más originales.

Terminan escribiendo las historias que mejor sobreviven al proceso de alineamiento.

Del filtro burbuja al escritor burbuja

Hace quince años, Eli Pariser popularizó el concepto de la burbuja de filtros.

Los algoritmos decidían qué noticias veíamos.

Qué vídeos nos recomendaban.

Qué publicaciones aparecían primero en nuestro feed.

Pero había algo fundamental.

El contenido seguía siendo creado por personas.

Hoy la situación empieza a cambiar.

El algoritmo ya no solo selecciona el contenido.

Empieza a participar también en su creación.

Puede sugerir el tono.

La estructura.

Los personajes.

Los giros narrativos.

Incluso el tipo de historia que considera más adecuada.

Y eso supone un cambio mucho más profundo.

Porque si millones de personas utilizan asistentes entrenados bajo criterios similares, la convergencia ya no afecta únicamente a lo que consumimos.

Puede empezar a afectar también a cómo pensamos, cómo escribimos y cómo imaginamos.

La creatividad también necesita diversidad

El paper no dice que toda la literatura vaya a convertirse en historias sobre faros.

Tampoco afirma que Internet vaya a ser homogéneo.

Lo que demuestra es algo bastante más relevante.

Incluso modelos entrenados sobre miles de millones de documentos diversos pueden acabar convergiendo hacia un pequeño conjunto de patrones narrativos cuando pasan por determinados procesos de alineamiento.

Es una tendencia emergente.

Y merece atención.

Porque quizá el mayor riesgo de la IA no sea que escriba peor que nosotros.

Quizá sea que, poco a poco, millones de personas terminen escribiendo de forma cada vez más parecida.

Hoy esos patrones tienen nombres como Elias, Mara o un viejo faro frente al mar.

Mañana podrían ser las mismas ideas.

Los mismos argumentos.

O las mismas formas de mirar el mundo.

🌍 El eco del mercado

🏙️ San Francisco ya no puede pagar su propia fiebre de IA. Incluso salarios tecnológicos de 180.000 dólares empiezan a quedarse cortos en San Francisco ante la llegada de la nueva élite de OpenAI, Anthropic y el capital ligado a sus salidas a bolsa. La IA está reordenando vivienda, talento y desigualdad local.

🧠 Meta busca agentes que generen valor económico, no solo buenos benchmarks. Dawn Song, nueva responsable de investigación en IA de Meta, apunta a agentes “económicamente valiosos” y cuestiona la utilidad de muchos benchmarks actuales. El foco se mueve de ganar rankings a demostrar retorno real.

Lectura estratégica: la próxima carrera no será solo por modelos más inteligentes, sino por agentes que produzcan ahorro, ingresos o ventaja operativa medible. El hype empieza a exigir P&L.

🔐 Proton convierte la privacidad en producto de IA. Proton mejora Lumo, su chatbot centrado en privacidad, añadiendo nuevas capacidades como generación de imagen. La compañía intenta diferenciarse frente a asistentes ligados a grandes plataformas de datos.

🍌 Google baja el coste de generar imágenes con Nano Banana 2 Lite. Google presenta Nano Banana 2 Lite, una versión más rápida y barata para generación de imágenes de alto volumen. El movimiento apunta menos a creatividad individual y más a pipelines empresariales que necesitan coste bajo y respuesta rápida.

☁️ Meta quiere convertir su exceso de compute en negocio cloud. Meta estudia vender acceso a su capacidad de IA, convirtiendo parte de su infraestructura interna en una nueva línea de negocio. El movimiento la pondría a competir, aunque sea de forma indirecta, con AWS, Google Cloud, Oracle y Azure.

🔌 X lanza servidor MCP para que los agentes usen su plataforma. X ofrece un servidor MCP alojado para facilitar que desarrolladores conecten aplicaciones de IA con su API. Es una señal más de que las plataformas quieren ser legibles y accionables por agentes.

🚪 Y mientras tanto, Reddit cierra el acceso anónimo a Old Reddit por scraping. Reddit obligará a iniciar sesión para usar old.reddit.com, señalando el scraping abusivo como una de las razones. El archivo público de internet se vuelve menos público cuando los datos alimentan modelos y productos de IA.

🗄️ Oracle quiere que MySQL sea aún más de la comunidad. Oracle prepara un plan para involucrar más a la comunidad en MySQL, después de años de críticas por su gestión del proyecto. El gesto apunta a recomponer confianza alrededor de una base de datos clave para el software global.

🧠 China ya compite en IA por rendimiento y precio. Los nuevos modelos chinos empiezan a acercarse a OpenAI y Anthropic, pero con una propuesta mucho más agresiva en coste. Z.ai aparece como una señal clara: Silicon Valley ya no solo mira a China como rival geopolítico, también como proveedor tecnológico competitivo.

🛂 La IA frontier empieza a necesitar permiso político. Anthropic recupera el acceso a Mythos y Fable tras el bloqueo de EE. UU., pero el episodio deja una señal más importante que el propio modelo: el acceso a IA avanzada ya puede depender de decisiones gubernamentales.

🤖 Anthropic mueve la guerra de la IA del chat a los agentes. Claude Sonnet 5 llega con foco en tareas agentic, justo donde las empresas están empezando a gastar más y sufrir más. La batalla ya no va solo de responder mejor, sino de ejecutar flujos, automatizar trabajo y controlar costes.

🏛️ La ONU avisa: los reguladores no siguen el ritmo de la IA. Un informe de Naciones Unidas señala que los responsables políticos están teniendo dificultades para acompañar la velocidad de desarrollo de la IA. El diagnóstico no demoniza la tecnología, pero sí pide mejores salvaguardas.

🏭 China convierte la IA industrial en política de Estado. China ha presentado una hoja de ruta para acelerar su internet industrial, con IA, 5G y sistemas de datos como núcleo de la modernización manufacturera. No es una estrategia de producto; es una estrategia de competitividad nacional.

🎬 Kling AI busca 3.000 millones: China también quiere liderar el vídeo generativo. Kling AI, respaldada por Kuaishou, se acerca a una ronda de 3.000 millones de dólares con una valoración de 18.000 millones. La IA generativa de vídeo entra en fase de financiación masiva también en China.

🕳️ Claude ayuda a encontrar una brecha crítica en entradas de festivales. Un investigador (“hacker”) usó Claude Opus 4.7 para encontrar una vulnerabilidad en Front Gate, plataforma utilizada por grandes festivales de música en EE. UU. El fallo permitía emitir entradas de forma indebida.

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 resultado interesante. Te dejo algunas libro para seguir tirando del hilo.

• El Filtro Burbuja de Eli Pariser. El libro que anticipó cómo los algoritmos condicionan lo que vemos y que hoy cobra una nueva dimensión con la IA generativa.

• Co-Inteligencia de Ethan Mollick. Una de las mejores reflexiones sobre cómo convivir y crear junto a la inteligencia artificial.

• Programados para Crear de Marcus du Sautoy. ¿Puede una máquina ser realmente creativa o simplemente recombina patrones?

• Ruido de Daniel Kahneman, Olivier Sibony y Cass Sunstein. Una mirada fascinante sobre cómo los sesgos y la estandarización afectan a nuestras decisiones.

PD2. La creatividad también necesita herramientas. Si quieres escapar de las respuestas previsibles (las tuyas y las de la IA), estos son algunos de mis imprescindibles:

• LEGO® Classic. Parece un juguete, pero es una de las mejores herramientas para pensar con las manos y desbloquear ideas complejas.

• Moleskine Cahier o Leuchtturm1917. Muchas buenas ideas aparecen lejos del teclado. Llevar siempre una libreta encima sigue siendo una de las mejores inversiones para cualquier creador.

• Tarjetas Dixit. Un recurso fantástico para estimular asociaciones inesperadas, crear historias y romper bloqueos creativos.

• Pizarra de cristal o tablero blanco de sobremesa. Ver las ideas fuera de la pantalla ayuda a encontrar conexiones que normalmente pasarían desapercibidas.

• Kindle Scribe o Rocketbook. Perfectos para capturar ideas, hacer mapas mentales y conservar todos tus borradores sin acumular montañas de papel.

Las grandes tecnológicas han publicado manifiestos. Los gobiernos han redactado regulaciones. Las empresas han creado comités de ética y han definido principios sobre transparencia, equidad, privacidad o supervisión humana.

Todo ello era necesario.

Pero también insuficiente.

Porque existe una diferencia enorme entre declarar unos principios éticos y conseguir que esos principios sobrevivan cuando un modelo entra en producción.

Y precisamente ahí reside el valor de uno de los papers sobre ética de la IA más influyentes de 2025: AI Ethics: Integrating Transparency, Fairness, and Privacy in AI Development. Su aportación no consiste en proponer nuevos principios. Su verdadera innovación es otra: convertir la ética en un proceso de ingeniería.

Durante mucho tiempo hemos tratado cuatro conceptos como si fueran conversaciones independientes:

• transparencia,

• equidad (fairness),

• privacidad,

• y accountability.

El paper propone una visión diferente.

Estos principios no compiten entre sí. Forman un único sistema.

La transparencia genera confianza. La equidad reduce el riesgo de discriminación. La privacidad protege a las personas. Y cuando estos tres elementos funcionan conjuntamente aparece la accountability: la capacidad de explicar, justificar y asumir la responsabilidad de las decisiones de una IA. En el centro de esa intersección se encuentra el verdadero objetivo: una IA responsable.

Pero el aspecto más interesante del trabajo no es ese diagrama conceptual.

Es el cambio de perspectiva que propone.

Hasta ahora, la mayoría de las organizaciones entendían la ética como un documento.

Un conjunto de principios.

Un comité.

Una política corporativa.

Este paper plantea algo mucho más ambicioso.

La ética debe acompañar al sistema durante todo su ciclo de vida.

Desde el diseño del modelo hasta su despliegue.

Desde la selección de los datos hasta la monitorización en producción.

Desde las auditorías periódicas hasta la mejora continua.

No basta con decir que un modelo será justo o transparente.

Hay que definir cómo se medirá, quién será responsable, qué auditorías se realizarán, cómo se detectarán nuevos sesgos y qué mecanismos permitirán corregirlos cuando aparezcan. El propio framework propuesto en el artículo dibuja esa secuencia como un proceso continuo, donde la supervisión ética nunca termina realmente.

La ética deja de ser una intención. Se convierte en una capacidad organizativa.

Esta evolución me recuerda mucho a lo que ocurrió hace años con la ciberseguridad.

En los primeros proyectos bastaba con tener un documento de seguridad.

Hoy nadie entendería una arquitectura moderna sin observabilidad, monitorización continua, pruebas de seguridad o DevSecOps.

La seguridad dejó de ser una fase del proyecto para convertirse en parte de la infraestructura.

Con la IA ocurrirá exactamente lo mismo.

La ética dejará de ser un documento.

Será una disciplina de ingeniería.

Y todo esto adquiere una dimensión completamente nueva con la llegada de la IA agéntica.

Hasta ahora gobernábamos modelos.

Muy pronto tendremos que gobernar ecosistemas completos de agentes capaces de colaborar entre sí, tomar decisiones, ejecutar procesos y actuar con distintos niveles de autonomía.

Si ya resulta complejo garantizar la transparencia o la equidad de un único modelo, imaginemos lo que supondrá hacerlo cuando una organización tenga cientos de agentes interactuando entre sí.

En ese escenario, la diferencia no estará en disponer del mejor modelo.

Los modelos tenderán a parecerse cada vez más.

La verdadera ventaja competitiva será otra.

La capacidad para gobernarlos.

Y esa gobernanza no dependerá únicamente de mejores algoritmos.

Dependerá de arquitecturas, procesos, métricas, auditorías, supervisión y responsabilidad.

En otras palabras, dependerá de convertir la ética en el sistema operativo sobre el que funcionará toda la IA empresarial.

Porque el futuro de la inteligencia artificial no se decidirá únicamente por la capacidad de los modelos.

Se decidirá por la capacidad de las organizaciones para confiar en ellos.

La ética no compite con la innovación. Es la infraestructura que permitirá que la innovación escale.

🌍 El eco del mercado

🧠 NVIDIA quiere sustituir cobre por luz en los centros de datos de IA. NVIDIA ya ha invertido más de 6.500 millones de dólares en empresas de chips fotónicos. La señal es clara: el cuello de botella de la IA no está solo en calcular más, sino en mover datos entre chips sin disparar consumo, latencia y costes.

🧩 La crisis de la memoria ya es infraestructura crítica para la IA. Corea del Sur prepara inversiones masivas en producción de memoria y robótica, mientras Samsung, SK Hynix y Micron afrontan presión legal por los precios de la RAM. A la vez, Meta intenta esquivar el encarecimiento reutilizando DDR4 mediante CXL.

🇨🇳 China entrena un modelo gigante con chips propios. Meituan ha presentado LongCat-2.0, un modelo de 1,6 billones de parámetros entrenado íntegramente con hardware chino. Más que otro modelo grande, es una prueba de soberanía tecnológica aplicada.

💸 DeepSeek descubre que la IA barata también tiene horas punta. DeepSeek sube el precio de su API en franjas de alta demanda, después de haber empujado una guerra de precios en China. El movimiento revela que incluso los actores más agresivos empiezan a ajustar la economía real del compute.

🧱 Taiwán empieza a ejecutar la guerra de chips fuera de Washington. Las autoridades taiwanesas habrían registrado Supermicro en un movimiento que puede marcar un cambio relevante para los exportadores de chips de IA. Aunque el marco legal es complejo, la señal es que Taiwán empieza a alinearse más activamente con las restricciones estadounidenses.

🧬 Anthropic recupera sus modelos más potentes tras el choque con Washington. Estados Unidos levanta las restricciones sobre los modelos más avanzados de Anthropic, permitiendo que la compañía vuelva a poner online tecnologías clave. El caso muestra hasta qué punto la política pública ya puede condicionar la disponibilidad de modelos frontera.

🔬 Claude Science lleva la IA del código al laboratorio. Anthropic lanza Claude Science, una aplicación orientada a acelerar investigación científica mediante integración de herramientas, tareas reproducibles y flujos de trabajo especializados. No es solo un chatbot para científicos: es un intento de capturar el proceso de descubrimiento.

🛡️ El ataque a Claude Code muestra que los agentes ya tienen amenazas propias. Una prueba controlada logró secuestrar Claude Code mediante un falso reporte de error en Sentry. El agente ejecutó código del atacante con privilegios del desarrollador, sin que EDR, WAF, IAM o firewall lo detectaran.

📱 Cursor lleva el coding agent al móvil. Cursor lanza una app móvil para supervisar agentes de programación en remoto. Más que programar desde el teléfono, el movimiento apunta a una nueva forma de trabajo: revisar, guiar y corregir sistemas que ya están ejecutando tareas.

⌨️ OpenAI prepara hardware para Codex. OpenAI adelanta un dispositivo físico vinculado a Codex, su herramienta de programación con IA. El producto no parece ser el gran dispositivo de consumo de la compañía, sino una interfaz específica para acelerar atajos y flujos de trabajo de coding.

🏗️ Amazon crea una unidad de 1.000 millones para aterrizar agentes en empresas. Amazon lanza una organización de Field Deployment Engineers para desplegar agentes a medida dentro de clientes. Sigue el movimiento de OpenAI y Anthropic: menos demo, más implantación en procesos reales.

🧭 El problema de la adopción de IA suele ser organizativo, no técnico. Muchas iniciativas de IA fallan porque las empresas incorporan herramientas sin rediseñar cómo se trabaja. El modelo puede mejorar una tarea, pero no transforma una organización si los procesos, incentivos y responsabilidades siguen igual.

⚠️ Los agentes no son compañeros de trabajo. MIT Technology Review advierte sobre el riesgo de presentar agentes de IA como “coworkers”. Humanizar estas herramientas puede hacer que los empleados detecten peor los errores y desplacen responsabilidad hacia sistemas que no la tienen.

🏥 EE. UU. quiere cerrar la venta de datos sensibles a las IA. Una nueva propuesta legislativa busca prohibir la venta de datos de salud y localización a brokers, incluyendo información revelada a chatbots como ChatGPT o Claude. La privacidad deja de ser un tema lateral y entra en el núcleo del negocio de IA.

🧪 Meta prueba chatbots rivales simulando menores. Contratistas de Meta se hicieron pasar por adolescentes para probar cómo respondían chatbots rivales ante temas como suicidio, sexo o drogas. El movimiento expone la creciente dureza de la competencia por seguridad, reputación y responsabilidad en IA.

🇪🇸 OpenAI aterriza en Madrid. OpenAI empieza a buscar ingenieros y perfiles comerciales en Madrid como parte de su expansión europea. España entra así en el mapa operativo de una de las compañías centrales del ciclo de IA.

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

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

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

Que nunca te falten ideas, ni ganas de probarlas.

A.

PD1. Si te ha gustado esta reflexión. Algunas lecturas muy recomendables para profundizar en la gobernanza y la ética de la IA:

• The Alignment Problem de Brian Christian

• Human Compatible de Stuart Russell

• Privacidad Es Poder de Carissa Véliz

• Armas de Destrucción Matemática de Cathy O’Neil

• Rebooting AI de Gary Marcus y Ernest Davis

PD2. Si trabajas habitualmente diseñando, desarrollando o gobernando sistemas de IA, estos productos pueden ayudarte a crear un entorno de trabajo más cómodo y productivo:

• Brazo articulado para doble monitor: libera espacio en el escritorio y mejora la ergonomía durante largas jornadas de trabajo.

• Monitor ultrapanorámico 34”: ideal para trabajar simultáneamente con varias ventanas, agentes de IA, documentación y videollamadas.

• Base Dock USB-C/Thunderbolt: convierte cualquier portátil en una estación de trabajo completa con un solo cable.

• Auriculares con cancelación activa de ruido (Sony WH-1000XM6 o Bose QuietComfort Ultra): para mantener la concentración incluso en entornos ruidosos.

• Escritorio elevable eléctrico: alternar entre trabajar sentado y de pie reduce la fatiga en jornadas largas.

• Silla ergonómica de oficina (Sihoo, Hbada o Steelcase si el presupuesto lo permite): probablemente la mejor inversión para quien pasa ocho horas delante del ordenador.

• Regleta inteligente con protección contra sobretensiones: protege todo el equipo y permite automatizar el encendido y apagado de dispositivos.

• Planta de escritorio con luz de crecimiento LED: puede parecer un detalle menor, pero mejora el confort visual y la sensación de bienestar durante el teletrabajo.

Era casi una ley no escrita del mercado laboral. Si querías futuro, aprende código. Si querías empleabilidad, estudia informática. Si querías estar cerca del poder tecnológico, métete en software.

Pero ahora está ocurriendo algo bastante curioso.

Los grandes laboratorios de IA están contratando filósofos.

No para decorar una mesa redonda.

No para escribir manifiestos bonitos sobre el futuro de la humanidad.

No para que alguien cite a Kant en una presentación con fondo negro y letras blancas.

Los están contratando porque han descubierto algo incómodo: cuando una máquina empieza a razonar, responder, decidir y actuar, el problema deja de ser solo técnico.

Pasa a ser filosófico.

Porque durante la última década hemos contado la historia de la IA como una historia de escala.

Pero cuanto más capaces se vuelven los modelos, más aparece una pregunta que no se resuelve simplemente con más computación: ¿bajo qué principios debe actuar una inteligencia artificial?

Y ahí es donde la filosofía vuelve a entrar por la puerta grande.

Como una capa más de la arquitectura de la IA.

Porque, al final, entrenar un modelo no consiste solo en enseñarle a responder.

Consiste también en enseñarle cuándo debe callarse.

Cuándo debe dudar.

Cuándo debe contradecir al usuario.

Cuándo debe negarse.

Cuándo debe explicar su incertidumbre.

Cuándo debe priorizar la seguridad sobre la obediencia.

Cuándo ser útil se convierte en ser peligroso.

Y cuándo agradar al usuario se convierte en mentirle con una sonrisa.

Eso ya no es solo machine learning.

Eso es diseño moral.

El nuevo trabajo de los filósofos

Durante mucho tiempo, las humanidades han vivido bajo una especie de complejo de inferioridad frente a la tecnología.

El mundo parecía decir: muy bonito lo de Platón, Aristóteles, Hume, Kant o Rawls, pero el dinero está en JavaScript.

Y de pronto, los laboratorios de IA se han encontrado con que algunos de sus problemas más difíciles no se parecen tanto a un problema de programación como a un seminario de filosofía moral.

¿Qué es la verdad?

¿Qué significa manipular?

¿Qué responsabilidad tiene quien diseña un sistema que decide por otros?

¿Qué ocurre cuando dos principios correctos entran en conflicto?

Porque ese es el punto clave.

Una IA no falla solo cuando se inventa un dato.

También falla cuando, es amable y está profundamente equivocada.

Puede ser útil y manipuladora.

Puede seguir una regla y explotar todas sus grietas.

Puede obedecer perfectamente una instrucción y, aun así, hacer algo que nadie razonable querría que hiciera.

Esto es justo lo que están empezando a entender los grandes laboratorios.

El alineamiento no es únicamente un problema de métricas.

Es un problema de criterios.

Y los criterios no aparecen por arte de magia dentro de una red neuronal.

Alguien tiene que definirlos.

Alguien tiene que discutirlos.

Alguien tiene que detectar sus contradicciones.

Alguien tiene que convertir palabras como “seguridad”, “autonomía”, “justicia”, “verdad” o “daño” en reglas operativas.

Ese alguien ya no puede ser solo un ingeniero.

La filosofía como ingeniería de requisitos

En software tradicional, un requisito suele sonar así: “El sistema debe permitir al usuario recuperar su contraseña”.

O así: “La aplicación debe generar un informe en PDF”.

O así: “El proceso debe completarse en menos de tres segundos”.

Pero en IA los requisitos empiezan a sonar de otra manera:

“El sistema debe ayudar al usuario, pero no reforzar una creencia falsa”.

“El sistema debe ser persuasivo, pero no manipulador”.

“El sistema debe personalizar la respuesta, pero no invadir la privacidad”.

“El sistema debe obedecer instrucciones, salvo cuando obedecerlas sea irresponsable”.

“El sistema debe ser transparente, pero no revelar información sensible”.

“El sistema debe reconocer incertidumbre, pero sin volverse inútil”.

Eso no son requisitos técnicos al uso. Son tensiones morales convertidas en producto.

Y si no se trabajan bien, el modelo no las resuelve.

Las hereda mal.

Las simplifica.

Las explota.

O las convierte en respuestas inconsistentes.

Por eso ideas como la “constitución” de Claude son tan interesantes.

Anthropic no habla solo de entrenar un modelo con datos y feedback humano. Habla de definir un conjunto explícito de principios que orientan su comportamiento.

Es decir: una especie de marco normativo interno.

Una constitución.

Y quizá esa sea una de las palabras más importantes para entender la siguiente etapa de la IA.

Porque si vamos a poner modelos dentro de procesos médicos, legales, educativos, financieros, comerciales o administrativos, no bastará con preguntar si responden bien.

Habrá que preguntar: ¿con qué criterio responden?, ¿qué principios siguen?, ¿qué límites tienen?, ¿qué hacen cuando no saben?,… ¿quién responde cuando fallan?

Una que diga qué puede hacer el sistema, qué no puede hacer, qué debe escalar a un humano, qué fuentes son válidas, qué riesgos son aceptables, qué sesgos se monitorizan, qué incidentes se reportan y qué criterios se usan para evaluar sus respuestas.

El riesgo del teatro ético

Ahora bien, no conviene ponerse ingenuos.

Que los laboratorios de IA contraten filósofos puede ser una señal de madurez.

Pero también puede ser una operación de imagen.

Puede significar: “estamos incorporando pensamiento serio en el diseño de nuestros sistemas”.

O puede significar: “pongamos filósofos en la web corporativa para que inversores, empleados, reguladores y periodistas estén más tranquilos”.

El famoso ethics-washing.

La versión IA del “somos sostenibles” escrito en verde sobre una botella de plástico.

Y la diferencia entre una cosa y otra no está en el cargo.

Está en el poder real.

La pregunta importante no es si una empresa tiene filósofos.

La pregunta importante es, ¿pueden parar un lanzamiento? o ¿modificar el producto?

¿Pueden decir “esto no debería salir así” sin convertirse en un estorbo?

Si no, es decoración.

Sofisticada, cara y muy bien escrita.

Pero decoración.

La empresa también necesitará filósofos

La lectura empresarial de todo esto es clara. No todas las compañías van a contratar doctores en filosofía para sus equipos de IA.

Pero todas las compañías que usen IA de forma seria van a necesitar pensamiento filosófico aplicado.

Y eso se notará en perfiles híbridos.

Arquitectos de IA que entiendan regulación.

Responsables de datos que entiendan sesgos.

Equipos de compliance que entiendan modelos.

Product managers que sepan diseñar límites.

Juristas que entiendan automatización.

Ingenieros que sepan preguntar no solo “¿funciona?”, sino “¿debería funcionar así?”.

Porque esa será una de las grandes habilidades de los próximos años: convertir principios abstractos en decisiones operativas.

La empresa que no lo haga acumulará una deuda nueva.

No solo deuda técnica. Deuda moral.

Sistemas que nadie entiende del todo.

Decisiones que nadie puede justificar.

Modelos que funcionan hasta que dejan de hacerlo.

Riesgos que se descubren cuando ya han impactado en clientes, empleados o ciudadanos.

Políticas que dicen una cosa y productos que hacen otra.

Esa deuda acabará apareciendo.

Y seguramente lo haga en el lugar menos adecuado.

Food for thought

Quizá durante años hemos formulado mal la pregunta.

Nos hemos preguntado si la IA puede pensar.

Pero en empresa quizá la pregunta más urgente sea otra: ¿puede justificar cómo actúa?

Y, sobre todo: ¿podemos justificar nosotros por qué la hemos diseñado así?

Porque el futuro no será solo de quien tenga mejores modelos.

Será de quien tenga mejores criterios para usarlos.

Mejores límites, procesos, mecanismos de supervisión.

Mejor capacidad de decir no.

Mejor capacidad de reconocer incertidumbre.

Mejor capacidad de responder ante el daño.

Por eso los filósofos están entrando en los laboratorios de IA. No porque Silicon Valley se haya vuelto humanista de repente.

Sino porque la industria ha descubierto que no puede escalar inteligencia sin escalar juicio.

Una forma clara de decidir qué debe hacer cuando puede hacerlo casi todo.

Porque cuando una tecnología empieza a razonar, ya no basta con preguntarle si puede.

Hay que preguntarle bajo qué principios. Y, sobre todo, hay que preguntarnos quién los ha escrito.

🌍 El eco del mercado

🔐 Anthropic recupera Mythos, pero solo para unos pocos. El gobierno de EE. UU. permite a Anthropic volver a desplegar Mythos para organizaciones seleccionadas. No es una apertura total: es acceso administrado a capacidades críticas.

🥽 OpenAI ficha hardware para salir de la pantalla. Paul Meade, responsable de Vision Pro y de las gafas inteligentes de Apple, ficha por OpenAI. El movimiento encaja con la ambición de construir una nueva interfaz para la IA, no solo mejores modelos dentro de productos ajenos.

🧮 DeepSeek ataca el cuello de botella de la inferencia. DeepSeek presenta DSpark para acelerar inferencia, reducir costes y aliviar la presión sobre chips. Es una señal importante: la carrera no va solo de entrenar modelos grandes, sino de servirlos de forma barata y eficiente.

🧩 La IA no elimina el cuello de botella: lo mueve a producto. Claude Code habría multiplicado la capacidad efectiva de los equipos de ingeniería, pero Anthropic necesita más perfiles de producto. Cuando programar se acelera, decidir qué construir se vuelve más valioso.

🇨🇳 China responde a las restricciones con arquitectura propia. China afirma haber construido el superordenador más rápido del mundo pese a las restricciones estadounidenses y sin depender de GPUs. Más que una victoria técnica aislada, es una señal de resiliencia estratégica.

💸 El boom de la IA también empieza a parecer riesgo financiero. El BIS advierte de que la inversión masiva en IA puede amplificar una futura caída, sobre todo si la financiación fluye por canales menos regulados como hedge funds o crédito privado. La IA ya no es solo narrativa de crecimiento; también empieza a ser riesgo sistémico.

⚡ China busca eficiencia energética donde otros buscan más GPUs. Algunos fabricantes chinos apuestan por semiconductores de carburo de silicio para aliviar la presión energética de los data centers. El problema ya no es solo tener más capacidad de cálculo, sino sostenerla sin romper la red eléctrica.

🔋 Google entra más abajo en la pila: almacenamiento energético. Google y Energy Dome preparan en Irlanda una batería de CO₂ para almacenar excedentes renovables y estabilizar la red. El movimiento apunta a una realidad cada vez más clara: los hyperscalers necesitan controlar no solo compute, sino energía disponible 24/7.

🛡️ Google endurece Android y gana más control del ecosistema. Google prepara un sistema para bloquear apps de desarrolladores desconocidos y reducir aplicaciones fantasma o maliciosas. La lectura superficial es seguridad; la de fondo es más control sobre la distribución.

🌱 Europa acepta CRISPR, pero con el freno puesto. El Parlamento Europeo abre la puerta a plantas editadas genéticamente mediante CRISPR, aunque con límites, exclusiones y aplicación prevista para 2028. Es un giro importante, pero lento.

🌕 La próxima carrera lunar se decidirá por energía, no por banderas. Estados Unidos quiere desplegar un reactor nuclear en la Luna antes de 2030. La idea no es simbólica: una presencia lunar estable necesita energía continua durante noches de más de 14 días.

🩺 China lleva la cirugía remota al mercado europeo. El robot quirúrgico Toumai obtiene aprobación en Europa tras una operación remota realizada desde Londres sobre un paciente a 1.500 millas. La robótica médica china empieza a ganar validación fuera de su mercado doméstico.

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 seguir tirando de este hilo, hay varios libros que encajan muy bien con la edición de hoy:

• Justicia, de Michael Sandel. Para entender por qué las decisiones difíciles no se resuelven solo con cálculo, sino con marcos morales en conflicto.

• Superinteligencia, de Nick Bostrom. Para entrar en el problema del alineamiento, los objetivos mal definidos y los riesgos de sistemas más capaces que sus diseñadores.

• Human Compatible, de Stuart Russell. Muy recomendable para entender por qué el problema no es construir máquinas inteligentes, sino máquinas cuyos objetivos estén alineados con los humanos.

• The Alignment Problem, de Brian Christian. Probablemente uno de los mejores puentes entre machine learning, sesgos, ética y toma de decisiones automatizada.

• Ética para máquinas, de José Ignacio Latorre. Buena puerta de entrada en español para pensar la relación entre inteligencia artificial, responsabilidad y valores humanos.

PD2: Y si quieres una PD más de “producto afiliado” alineada con la edición, yo iría por herramientas para pensar, documentar y gobernar mejor el uso de IA en equipos:

• Una pizarra blanca magnética de pared para mapear riesgos, principios, flujos de decisión y casos de uso de IA.

• Un cuaderno tipo Leuchtturm1917 o Moleskine para trabajar prompts, criterios de evaluación y decisiones de diseño sin depender siempre de la pantalla.

• Un pack de tarjetas Kanban físicas para clasificar casos de uso de IA por impacto, riesgo, complejidad y supervisión humana.

• Un lector Kindle o Kobo para crear tu pequeña biblioteca de gobernanza, filosofía, IA y regulación.

• Una toga para pensar como los mejores filósofos socráticos.